කෘතිම බුද්ධියේ (AI) ශීඝ්‍ර වර්ධනය පුදුමාකාර ජයග්‍රහණ අත්කර දී තිබුණද, එය මූලික පරස්පරතාවයක්ද මතු කර ඇත. වර්තමානයේ පවතින දැවැන්ත Deep Learning මාදිලි සහ මහා පරිමාණ භාෂා ආකෘති (LLMs) රටාවන් හඳුනා ගැනීමට (Pattern Recognition), නිර්මාණාත්මක ලිවීමට සහ මිනිසෙකු මෙන් අදහස් හුවමාරු කර ගැනීමට අතිශයින්ම දක්ෂය. කෙසේ වෙතත්, දැඩි ගණිතමය තර්කනයන්, නීති රීති සහ නිවැරදි දත්ත වෙනුවට වැරදි තොරතුරු මවා පෑමේ (Hallucination) ප්‍රවණතාව හමුවේ ඒවා නිතරම අසමත් වේ.

අප 2026 වසරේ ඉදිරියට යද්දී, තාක්ෂණික ක්ෂේත්‍රය මෙම සීමාවන් ජය ගැනීම සඳහා ප්‍රබල දෙමුහුන් (Hybrid) ආකෘතියක් වෙත යොමු වෙමින් සිටී: එය Neuro-Symbolic AI ලෙස හැඳින්වේ. මෘදුකාංග සංවර්ධකයින්ට, තාක්ෂණික වෘත්තිකයන්ට සහ Pariganaka.com හරහා තාක්ෂණයේ අද්දරම සිදුවන වෙනස්කම් නිරීක්ෂණය කරන පාඨකයන්ට, මෙම ව්‍යුහගත වෙනස යනු හුදෙක් ඊළඟ වචනය “අනුමාන කරන” AI එකක සිට සැබෑ ලෙස “තර්ක කරන” AI එකක් දක්වා තබන යෝධ පිම්මකි.

ද්විත්ව ප්‍රවේශය: සහජ බුද්ධිය සහ තර්කනය එකට එකතු කිරීම

Neuro-Symbolic AI වටහා ගැනීමට නම්, එය මිනිස් මොළයේ කොටස් දෙකෙහි එකතුවක් ලෙස සිතීම පහසුය: එක් පැත්තක් සහජ බුද්ධිය සහ සංජානනය (Intuition and Perception) මඟින් මෙහෙයවන අතර අනෙක් පැත්ත දැඩි තර්කනය සහ ව්‍යුහගත දැනුම (Strict Logic and Structured Knowledge) මඟින් මෙහෙයවේ.

• Neural Component (දත්ත මත පදනම් වූ ඉගෙනීම): මෙහිදී සම්මත Deep Learning ස්නායුක ජාල (Neural Networks) භාවිතා වේ. ඡායාරූපවල මුහුණු හඳුනා ගැනීම, සාමාන්‍ය භාෂා විමසුම් තේරුම් ගැනීම හෝ දත්ත බිලියන ගණනක ප්‍රවණතා හඳුනා ගැනීම වැනි ව්‍යුහගත නොවන දත්ත සැකසීමට මෙය උපකාරී වේ. මෙය ක්‍රියාත්මක වන්නේ සංඛ්‍යානමය සම්භාවිතාවන් (Statistical Probabilities) මතය.
• Symbolic Component (නීති මත පදනම් වූ තර්කනය): මෙය සම්භාව්‍ය පරිගණක විද්‍යා මූලධර්ම මත පදනම් වේ — එනම් තර්කන ගස් (Logic Trees), දැනුම ප්‍රස්තාර (Knowledge Graphs) සහ පැහැදිලි “If-then” නීති රීති වේ. මෙය කිසිවිටෙක අනුමාන නොකරයි; එහි දැනුම් පද්ධතිය තුළ ගණිතමය වශයෙන් නීති ඇතුළත් කර ඇති බැවින් A + B = C බව එය ස්ථිරවම දනී.

මෙම ප්‍රවේශයන් දෙක ඒකාබද්ධ කිරීමෙන්, Neuro-Symbolic පද්ධති මඟින් පරිශීලකයෙකුගේ ප්‍රොම්ප්ට් එකක ඇති සංකීර්ණ, සැබෑ ලෝකයේ සන්දර්භය තේරුම් ගැනීමට Neural Networks භාවිතා කරන අතර, පසුව එම අවබෝධය නිවැරදිව හා තහවුරු කළ හැකි නිරවද්‍යතාවයකින් යුතුව ක්‍රියාත්මක කිරීමට Symbolic Engine එක වෙත භාර දෙයි.

2026 වසරට Neuro-Symbolic ව්‍යුහය අත්‍යවශ්‍ය වන්නේ ඇයි?

වැදගත් ව්‍යවසාය පරිසරයන් තුළ (Enterprise Environments) හුදු Deep Learning මත පමණක් යැපීම විශාල ගැටලුවලට හේතු වී ඇත. Neuro-symbolic පද්ධති ප්‍රධාන ගැටලු තුනක් විසඳීමට මැදිහත් වේ:

1. වැරදි තොරතුරු මවා පෑම (Hallucinations) තුරන් කිරීම

නිර්මාණාත්මක ලිවීමේදී සුළු වැරදීමක් හානිකර නොවේ. නමුත් වෛද්‍ය රෝග විනිශ්චය, නීතිමය තාක්ෂණය (Legal Tech) හෝ මූල්‍ය විගණනයකදී එය ව්‍යසනකාරී විය හැකිය. Neuro-Symbolic AI එකක් එහි ඇති Symbolic ස්ථරය “තොරතුරු පරීක්ෂකයෙකු” (Fact-checker) ලෙස භාවිතා කරයි. Neural Network එක මඟින් සත්‍ය නොවන ප්‍රකාශයක් හෝ කළ නොහැකි ගණිතමය ප්‍රතිඵලයක් ලබා දුන්නහොත්, Symbolic Logic Engine එක මඟින් තහවුරු කරන ලද දත්ත සමුදායක් (Verified Database) සමඟ එය සසඳා වැරැද්ද හඳුනා ගන්නා අතර පරිශීලකයාට පෙනීමට පෙර එය නිවැරදි කරයි.

2. පැහැදිලිව විස්තර කිරීමේ හැකියාව (The “Why” Factor)

Deep Learning ආකෘති යනු අතිශය සංකීර්ණ “Black Boxes” (අඳුරු පෙට්ටි) වේ — ඒවායේ නිර්මාණකරුවන්ට පවා යම් ආකෘතියක් නිශ්චිත නිගමනයකට පැමිණියේ ඇයි යන්න සැමවිටම පැහැදිලි කළ නොහැක. නූතන නියාමන රාමුවලට (Regulatory Frameworks) අවශ්‍ය විනිවිදභාවය මෙහි නැත. Neuro-Symbolic AI මඟින් පියවරෙන් පියවර පැහැදිලි විගණන වාර්තාවක් (Audit Trail) සපයයි. එහි ඇති Symbolic ස්ථරය පැහැදිලි තර්කන ද්වාර (Logic Gates) භාවිතයෙන් තීරණ ගන්නා බැවින්, එයට තමන්ගේ තර්කනය සාමාන්‍ය භාෂාවෙන් හෝ කේතයෙන් පැහැදිලි කළ හැකිය.

3. Intent-Driven Development සහ සහතික කළ කේතකරණය

මෘදුකාංග සංවර්ධකයින් (Developers) සඳහා, මෙම තාක්ෂණය කේත ලියන ආකාරය විප්ලවීය වෙනසකට ලක් කරයි. AI සහායකයෙකුගෙන් කේතයක් (Script) උත්පාදනය කර එය ක්‍රියා කරයිදැයි බලාපොරොත්තු වෙනවා වෙනුවට, Neuro-Symbolic මෙවලම් Intent-Driven Development සඳහා ශක්තිය සපයයි. ඔබ ඔබේ ඉහළ මට්ටමේ අරමුණ (Intent) ප්‍රකාශ කරන අතර, Neural Network එක මඟින් කේතයේ ව්‍යුහය කෙටුම්පත් කරයි, සහ Symbolic Engine එක මඟින් එම කේතය ආරක්ෂිත, බග්ස්වලින් තොර සහ පද්ධති තර්කනයට අනුකූල බව සහතික කිරීම සඳහා විධිමත් ගණිතමය සත්‍යාපනයක් (Formal Mathematical Verification) ධාවනය කරයි.

වෙළඳපොළ වෙනස් කරන සැබෑ ලෝකයේ යෙදුම්

මෙම වසරේ ඉහළ අවදානමක් සහිත කර්මාන්තයන් මෙම දෙමුහුන් තාක්ෂණය නිහඬව වැළඳ ගනිමින් සිටී:

• ස්වාධීන තොරතුරු තාක්ෂණ යටිතල පහසුකම් (Autonomous IT Infrastructure): සංකීර්ණ සර්වර් ජාල, DNS රවුටින් සහ Cloudflare ආරක්ෂණ නීති කළමනාකරණය කිරීමේදී වැරදීම් සඳහා ඉඩක් නැත. Neuro-symbolic ඒජන්තවරුන්ට වෙනස් වන ට්‍රැෆික් රටාවන් දෙස බලා (Neural) සහ දැඩි සයිබර් ආරක්ෂණ ප්‍රොටෝකෝල යොදමින් (Symbolic) තත්‍ය කාලීනව ජාලයන් ස්වයංක්‍රීයව යථා තත්ත්වයට පත් කළ හැකිය.
• මීළඟ පරම්පරාවේ EdTech සහ අධ්‍යාපනය: ස්වයංක්‍රීය ඉගැන්වීම් පද්ධති (Automated Tutoring Systems) දියුණු වෙමින් පවතී. හුදෙක් පෙළ කියවීම වෙනුවට, ඒවා ශිෂ්‍යයෙකුගේ විෂය මාලාව නිවැරදිව සැලසුම් කිරීමට Symbolic Knowledge Graphs භාවිතා කරයි, ශිෂ්‍යයාගේ මූලික දැනුමේ ඇති අඩුපාඩු ගණිතමය වශයෙන් නිශ්චිත නිරවද්‍යතාවයකින් හඳුනාගෙන ඒවාට පිළියම් යොදයි.
• ස්මාර්ට් ස්වයංක්‍රීයකරණ නල මාර්ග (Smart Automation Pipelines): නීතිමය ගිවිසුම් හෝ ව්‍යවසාය කාර්ය ප්‍රවාහයන් සැකසීමේදී, නීති රීති දැඩි වුවද ඇතුළත් වන ලේඛන එකිනෙකට වෙනස් ආකෘතිවලින් පැමිණෙන විට මෙම පද්ධති මඟින් ඒවා සාර්ථකව කළමනාකරණය කරයි.

Pariganaka ප්‍රජාවට මෙයින් ලැබෙන අර්ථය

AI යනු හුදෙක් අනාවැකි කිව නොහැකි චැට්බොට්ස් මත පදනම් වූ රැල්ලක් පමණක් යැයි සිතූ යුගය නිල වශයෙන් අවසන් වී ඇත. කර්මාන්තය දැන් ඉල්ලා සිටින්නේ විශ්වාසවන්තභාවය, පුරෝකථනය කිරීමේ හැකියාව සහ තහවුරු කළ හැකි නිරවද්‍යතාවයයි.

2026 වසරේ තාක්ෂණික වෘත්තිකයෙකු හෝ ශිෂ්‍යයෙකු ලෙස, Neuro-Symbolic පද්ධති සහ ව්‍යුහගත දත්ත රාමු (Knowledge Graphs සහ Ontologies වැනි) පිළිබඳව ඔබේ කුසලතා පෙළගස්වා ගැනීම ඔබට විශාල තරඟකාරී වාසියක් ලබා දෙනු ඇත. අනාගතය අයිති වන්නේ ලෝකයෙන් ඉගෙන ගැනීමට මෙන්ම නීති රීති තුළ සිතීමටද හැකි පද්ධතිවලටයි.