කෘත්‍රිම බුද්ධිය (AI) මේ වන විට ව්‍යාපාර ක්‍රියාත්මක වන ආකාරය සහ පුද්ගලයින් තාක්‍ෂණය සමඟ අන්තර්ක්‍රියා කරන ආකාරය සම්පූර්ණයෙන්ම වෙනස් කරමින් තීරණාත්මක සන්ධිස්ථානයකට පැමිණ ඇත. ස්ටැන්ෆර්ඩ් ව්‍යාපාරික උපාධි පාසලේ (Stanford GSB) පැවති දේශනයකදී, Monaco හි ප්‍රධාන AI නිලධාරී Mihail Eric විසින් AI හි ඉතිහාසය, ක්‍රියාකාරීත්වය, යෙදුම් සහ අනාගතය පිළිබඳව සිය අදහස් බෙදා ගන්නා ලදී. වර්තමාන යුගය “නිර්මාණකරුවන්ගේ යුගය” (the age of the builder) ලෙස හැඳින්වූ ඔහු, අද AI පරිසර පද්ධතිය නිර්වචනය කරන තාක්‍ෂණික ස්ථරයන් සහ ව්‍යාපාරික ආකෘති පිළිබඳව ගැඹුරු විවරණයක් ලබා දුන්නේය.

AI හි පරිණාමය: කෙටි ඉතිහාසයක්

නවීන AI පිබිදීම එක රැයකින් සිදු වූවක් නොවේ; එය දශකයකට වැඩි කාලයක් පුරා සිදු වූ අඛණ්ඩ සොයාගැනීම්වල ප්‍රතිඵලයකි.

• 2012–2016: ගැඹුරු ඉගෙනුමේ (Deep Learning) පුනරුදය. ස්නායුක ජාල (neural networks) 1950 ගණන්වල සිට පැවතියද, ඒවා 2012 පමණ වන විට දැවැන්ත පුනරුදයකට ලක් විය. නව යන්ත්‍ර ඉගෙනුම් (machine learning) ක්‍රම, පරිගණක ක්‍රීඩා සඳහා භාවිතා කළ GPU ගණනය කිරීම් සඳහා යොදා ගැනීම සහ ImageNet වැනි දැවැන්ත දත්ත කට්ටල නිර්මාණය කිරීම මීට හේතු විය. මෙම යුගය තුළ රූප වර්ගීකරණය, කථන හඳුනාගැනීම සහ යන්ත්‍ර පරිවර්තනය වැනි කාර්යයන්හි 10% සිට 15% දක්වා දැවැන්ත කාර්ය සාධන වර්ධනයක් දක්නට ලැබුණි.
• 2017: ට්‍රාන්ස්ෆෝමර් නිර්මාණ ශිල්පය (Transformer Architecture). “Attention Is All You Need” නමින් ගූගල් පර්යේෂකයන් පිරිසක් විසින් ඉදිරිපත් කළ පත්‍රිකාවක් හරහා ට්‍රාන්ස්ෆෝමර් ආකෘතිය හඳුන්වා දෙන ලදී. මෙම නව ස්නායුක ජාල කාණ්ඩය “මීළඟ ටෝකනය පුරෝකථනය කිරීම” (next token prediction) නම් සරල අරමුණක් මත පුහුණු කරන ලදී — එනම් අන්තර්ජාලයේ ඇති අතිවිශාල පෙළ ප්‍රමාණයක් මත පදනම්ව වාක්‍යයක මීළඟ වචනය කුමක්දැයි අනුමාන කිරීමට ඉගෙනීමයි. අද වන විට, සෑම නවීන විශාල භාෂා ආකෘතියකම (LLM) කොඳු නාරටිය ලෙස ක්‍රියා කරන්නේ මෙම ට්‍රාන්ස්ෆෝමර් තාක්‍ෂණයයි.
• 2022: LLM යුගයේ උපත. ChatGPT හඳුන්වා දීමත් සමඟ LLM ඉතා පහසුවෙන් භාවිතා කළ හැකි සහ බහුකාර්ය මෙවලම් බවට පත් විය. මානව ප්‍රතිපෝෂණ හරහා ශක්තිමත් කිරීමේ ඉගෙනුම (RLHF – Reinforcement Learning from Human Feedback) වැනි පශ්චාත්-පුහුණු ක්‍රම සමඟින්, ආකෘති හුදෙක් වාක්‍ය සම්පූර්ණ කිරීමේ සිට පරිශීලක උපදෙස් මත පදනම්ව සංකීර්ණ ගැටලු සක්‍රීයව විසඳීම දක්වා පරිවර්තනය විය.
• 2024: තර්කන ආකෘති (Reasoning Models) සහ නියෝජිතයන්. තර්කන ආකෘති (OpenAI හි o1 වැනි) හඳුන්වා දීම හරහා “පරීක්ෂණ-කාල ගණනය කිරීම්” (test-time compute) දෙසට සුසමාදර්ශී වෙනසක් (paradigm shift) ඇති විය. බහු-පියවර කාර්යයන් හරහා “සිතීමට” ආකෘතිවලට වැඩි කාලයක් සහ පරිගණක බලයක් ලබා දීමෙන්, ගණිතය සහ ක්‍රමලේඛනය (coding) වැනි සංකීර්ණ වසම් තුළ ඒවායේ ක්‍රියාකාරීත්වය විශාල ලෙස ඉහළ ගියේය. මෙම පෙරළිය නවීන AI නියෝජිතයන්ගේ (AI agents) ආරම්භය බවට පත් විය.

නවීන AI වට්ටෝරුව (සැකසීමේ ක්‍රියාවලිය)

ඉතා දියුණු, නවීන AI පද්ධතියක් ගොඩනැගීම අදියර කිහිපයකින් යුත් ක්‍රියාවලියකි:

1. පූර්ව-පුහුණුව (Pre-training): වෙබ් දත්ත දර්ශකයක් වන Common Crawl වැනි දැවැන්ත දත්ත කට්ටල ආකෘතියට ලබා දෙන අතර, එය ඊළඟ ටෝකනය පුරෝකථනය කිරීමට ඉගෙන ගනී. මෙම අදියරේදී, ආකෘතිය දන්නේ වාක්‍ය සම්පූර්ණ කරන්නේ කෙසේද යන්න පමණක් වන අතර පරිශීලක ප්‍රශ්නවලට පිළිතුරු දීමට එයට නොහැකිය.
2. පශ්චාත්-පුහුණුව (Supervised Fine-Tuning): පරිශීලකයෙකු විමසූ විට සංදේශයක් (memo) හෝ පැතුරුම්පතක් (spreadsheet) නිර්මාණය කිරීම වැනි අපේක්ෂිත ආකෘති අනුකරණය කරන්නේ කෙසේදැයි ඉගෙන ගැනීමට, නිශ්චිත ආදාන සහ ප්‍රතිදාන (input-and-output pairs) ආකෘතියට ලබා දෙනු ලැබේ.
3. පෙළගැස්වීම (Alignment): නිවැරදි පමණක් නොව, ප්‍රයෝජනවත්, ආරක්ෂිත සහ පරිශීලක අපේක්ෂාවන්ට අනුකූල පිළිතුරු ලබා දෙන්නේ කෙසේද යන්න ආකෘතියට ඉගැන්වීම සඳහා මානව ප්‍රතිපෝෂණ දත්ත භාවිතා කරයි.
4. තර්කනය/RL (Reinforcement Learning): ආකෘති “නියෝජිත පරිසරයන්” (agentic environments) තුළට ඇතුළත් කෙරේ — මේවා ආකෘතිවලට මෙවලම් සමඟ අන්තර්ක්‍රියා කළ හැකි, ඒ තුළ සැරිසැරිය හැකි සහ අත්හදා බැලීම් හා දෝෂ හරහා සංකීර්ණ කාර්යයන් ඉටු කිරීමට ඉගෙන ගත හැකි ඩිජිටල් පරිසරයන් වේ.

නියෝජිත (Agentic) පාරිභාෂිතය අවබෝධ කර ගැනීම

නවීන AI භූ දර්ශනයේ සැරිසැරීමට, අත්‍යවශ්‍ය පාරිභාෂික වචන කිහිපයක් එරික් විසින් ගෙනහැර දැක්වීය:

• නියෝජිතයා (Agent): පරිශීලකයෙකුගේ ඉලක්කයක් ඉටු කර ගැනීම සඳහා නිශ්චිත උපදෙස්, මෙවලම් සහ ක්‍රියාත්මක කිරීමේ ලූපයකින් (execution loop) සමන්විත ආකෘතියකි.
• හානස් (Harness): නියෝජිතයෙකුගේ පියවර, මෙවලම් සහ කුසලතා මෙහෙයවන ප්‍රධාන මෘදුකාංග රාමුවයි (scaffolding).
• මෙවලම් (Tools): වෙබ් සෙවීම, කේත ක්‍රියාත්මක කිරීම හෝ Slack සහ Figma වැනි බාහිර මෘදුකාංග සමඟ ඒකාබද්ධ වීම වැනි, ලෝකය සමඟ අන්තර්ක්‍රියා කිරීමට ආකෘතියට ප්‍රවේශ විය හැකි බාහිර යෙදුම් හෝ හැකියාවන්ය.
• කුසලතා (Skills): නිශ්චිත කාර්යයන් ක්‍රියාත්මක කිරීම සඳහා ආකෘතියට ගතිකව සිය සන්දර්භය වෙත ඇද ගත හැකි නිශ්චිත ක්‍රියා පටිපාටි හෝ චර්යාත්මක විස්තර අඩංගු පෙළ ගොනුය (Text files).

සැබෑ ලෝකයේ යෙදුම් සහ විකාශනය වන ව්‍යාපාරික ආකෘති

AI නියෝජිත පද්ධති විශේෂයෙන්ම විවිධ වෘත්තීය අංශවල දැවැන්ත ව්‍යාපාරික වටිනාකමක් නිර්මාණය කරමින් සිටී. සමාගම් විසින් ක්‍රමලේඛනය, නීති කටයුතු, විකුණුම් සහ පාරිභෝගික සහාය සඳහා විශේෂිත නියෝජිතයන් ගොඩනඟමින් සිටී. මේ සඳහා භාවිතා කරන සම්මත ක්‍රමවේදය වන්නේ වසමට ආවේණික වැඩ ප්‍රවාහයන් (workflows) ග්‍රහණය කර ගැනීම සඳහා වේදිකාවක් ගොඩනඟා පසුව එම වැඩ ප්‍රවාහයන් AI නියෝජිතයෙකු බවට කේතනය කිරීමයි.

AI කේතීකරණ සහායකයින් හරහා මෘදුකාංග උත්පාදනය සාමාන්‍ය දෙයක් බවට පත්වෙමින් පවතින බැවින්, සාම්ප්‍රදායික මෘදුකාංග මිලකරණ ආකෘති මේ වන විට විකාශනය වෙමින් පවතී. නව ව්‍යාපාර වැඩි වැඩියෙන් පහත ආකෘති අනුගමනය කරයි:

• භාවිතය මත පදනම් වූ මිලකරණය (Usage-Based Pricing): පරිශීලකයා විසින් පරිභෝජනය කරන “ටෝකන” (පරිගණක ඒකක) ගණන මත පදනම්ව අයකිරීම.
• ප්‍රතිඵලය මත පදනම් වූ මිලකරණය (Outcome-Based Pricing): මානව මැදිහත්වීමකින් තොරව පාරිභෝගික ගැටලුවක් සම්පූර්ණයෙන්ම විසඳීම වැනි කාර්යයක් AI විසින් සාර්ථකව නිම කළ විට පමණක් අයකිරීම.

AI බලගන්වන යටිතල පහසුකම්

මෙම යෙදුම්වලට යටින් ඩොලර් ට්‍රිලියන 2 ක යටිතල පහසුකම් ස්තරයක් පවතී. මීට ඇතුළත් වන්නේ:

• දත්ත සපයන්නන් (Data Providers): ප්‍රධාන පෙළේ ආකෘති පුහුණු කිරීම සඳහා විශේෂිත දත්ත සහ පරිසරයන් උත්පාදනය කරන සමාගම්.
• NeoClouds: AI ගණනය කිරීම් සහ GPU ධාරිතාව සඳහා පමණක්ම දැඩි ලෙස ප්‍රශස්ත කර ඇති විශේෂිත ක්ලවුඩ් සැපයුම්කරුවන්.
• Inference Providers: දැවැන්ත විවෘත-ආකෘති (open-weight models) අඩු ප්‍රමාදයකින් සහ ලාභදායී ලෙස සත්කාරකත්වය සපයන වේදිකා.

විවෘත ගැටලු සහ අනාගතය

වේගවත් දියුණුවක් තිබියදීත්, කර්මාන්තය විවෘත අභියෝග කිහිපයකට මුහුණ දෙයි:

• ආකෘතිය සහ හානස් (The Model vs. The Harness): සමාගම් ආයෝජනය කළ යුත්තේ ආකෘතියේ මූලික බුද්ධිය වර්ධනය කිරීමටද නැතහොත් පවතින ආකෘති වටා ශක්තිමත් මෙවලම් (harness) සහ වැඩ ප්‍රවාහ ගොඩනැගීමටද යන්න පිළිබඳව විවාද පවතී.
• මතකය සහ අඛණ්ඩ ඉගෙනීම: අතීත අන්තර්ක්‍රියා බාධාවකින් තොරව මතක තබා ගත හැකි සහ කාලයත් සමඟ පරිශීලක නිවැරදි කිරීම් වලින් ඉගෙන ගත හැකි පද්ධති සංවර්ධනය කිරීම තවමත් අභියෝගයක්ව පවතී.
• ආරක්ෂාව: AI නියෝජිතයන් සම්පූර්ණයෙන්ම ස්වයංක්‍රීය වන විට, ජාල මායිම් ස්වාධීනව තරණය කිරීම හෝ සාවද්‍ය තොරතුරු ජනනය කිරීම වැනි නව තර්ජන මතු වේ.
• දෘඩාංග පරිමාණය (Hardware Scaling): පුරෝකථනය කරන ලද AI භාවිතය සපුරාලීම සඳහා දත්ත මධ්‍යස්ථාන පරිමාණය කිරීමට ඩොලර් ට්‍රිලියන 5 කට වඩා වැය විය හැකි අතර වත්මන් විදුලි උත්පාදනය තුන් ගුණයකින් වැඩි කිරීමට අවශ්‍ය විය හැකිය.

AI හැකියාවන් සහ ව්‍යාපාරික අවශ්‍යතා අතර පරතරය පියවීම සඳහා, නව භූමිකාවක් මේ වන විට මතුවෙමින් පවතී: එනම් Forward Deployed Engineer (FDE) ය. මෙම වෘත්තිකයන් වසම් තොරතුරු ලබා ගැනීමට සහ AI වැඩ ප්‍රවාහයන් අභිරුචිකරණය කිරීමට ගනුදෙනුකරුවන් සමඟ සෘජුවම කටයුතු කරන අතර, තාක්‍ෂණික ඉංජිනේරු විද්‍යාව තරමටම ගැඹුරු වසම් ප්‍රවීණත්වය සහ පාරිභෝගික අවබෝධය වටිනා බව එයින් ඔප්පු වේ.

අවසාන වශයෙන්, සෑම පසුබිමකම සිටින වෘත්තිකයන්ගෙන් එරික් ඉල්ලා සිටින්නේ දිනපතා මෙම පද්ධති සමඟ අත්හදා බැලීම් කරන ලෙසයි. AI තවදුරටත් පරිගණක විද්‍යාඥයින්ට පමණක් සීමා වී නොමැත; ඕනෑම කෙනෙකුට තමන් හොඳින්ම දන්නා ගැටලු සඳහා නව්‍ය විසඳුම් ගොඩනැගීමට AI භාවිතා කළ හැකිය