AI තමන්ගේ දැනුම පමණක් නොව, දැනගැනීමේ ක්‍රමයම වෙනස් කළහොත්?
AI තමන්ගේ දැනුම පමණක් නොව, දැනගැනීමේ ක්‍රමයම වෙනස් කළහොත්?
හේගල්ගේ දයලෙක්තිකයෙන් කෘත්‍රිම බුද්ධියේ අනාගතය දෙස බැලීමක්
මිනිසාට තමන්ගේ දැනුමේ සීමාව ඉක්මවා යා හැකිද? එසේ නම් යන්ත්‍රයකටත් එය කළ හැකිද?
අපි යමක් ඉගෙන ගන්නා විට සිදුවන්නේ කුමක්ද?
අලුත් තොරතුරක් අපේ මතකයට එකතු වෙනවාද? නැත්නම් අපි මෙතෙක් ලෝකය තේරුම් ගත් ආකාරයම වෙනස් වෙනවාද?
මේ දෙක අතර විශාල වෙනසක් තිබෙනවා.
නිව්ටන්ගේ ගුරුත්වාකර්ෂණ නියමය ඉගෙන ගැනීම එක් දෙයක්. එහෙත් අයින්ස්ටයින් මෙන් ගුරුත්වාකර්ෂණය යනු බලයක් ලෙස පමණක් නොව, අවකාශ-කාලයේ ජ්‍යාමිතිය සමඟ සම්බන්ධ සංසිද්ධියක් ලෙස නැවත සිතීම තවත් දෙයක්.
දෙවැනි අවස්ථාවේදී අපට ලැබෙන්නේ තවත් දැනුමක් පමණක් නොවෙයි. අප දැනුම නිර්මාණය කරන සංකල්පීය රාමුවම වෙනස් වෙනවා.
කෘත්‍රිම බුද්ධිය පිළිබඳ අද සාකච්ඡා වන Recursive Self-Improvement (RSI) සංකල්පය මට සිහිපත් කරන්නේ මේ වෙනසයි.
මිනිසා විසින් නිර්මාණය කළ බුද්ධිමත් පද්ධතියකට, තමන්ගේම බුද්ධිමය ක්‍රියාකාරිත්වය විමර්ශනය කර, එය වැඩිදියුණු කර, ඒ වැඩිදියුණු කිරීමේ ක්‍රමයත් නැවත වැඩිදියුණු කිරීමට හැකි වුවහොත් කුමක් සිදුවේද?
හරියට මට දැනට නැති හැකියාවක් අවශ්‍ය බව හඳුනාගත් විට, ඒ සඳහා විධිමත් අධ්‍යාපන ආයතනයකින් ඉගෙනීමට තීරණය කරනවා වෙනුවට, මගේම ඉගෙනීමේ ක්‍රමයක් නිර්මාණය කරගෙන ඒ ඔස්සේ දැනුම සොයා යනවා වගේ. එතැනින් නොනැවතී, මගේ ඉගෙනීමේ ක්‍රමයේම අඩුපාඩු හඳුනාගෙන, ඒ ක්‍රමයත් නැවත නැවත වෙනස් කරගන්නවා නම්?
එය එක්තරා ආකාරයක රැඩිකල් ආස්ථානයක් නොවේද? ලෝකය තේරුම් ගැනීමට අන් අය සකස් කළ ක්‍රමවේද අනුගමනය කරනවා වෙනුවට, ලෝකය තේරුම් ගැනීම සඳහා මගේම ක්‍රමවේදයක් ගොඩනඟාගැනීමක්. එහෙත් මෙහි වඩාත් සිත්ගන්නාසුලු කාරණය වන්නේ, මා නිර්මාණය කළ ඒ ක්‍රමවේදය පවා අවසාන සත්‍යය ලෙස නොසලකා, එහි සීමාවන් හඳුනාගෙන එය ඉක්මවා යාමට උත්සාහ කිරීමයි.
මෙය තාක්ෂණික ප්‍රශ්නයක් පමණක් නොවෙයි. දර්ශනවාදය සියවස් ගණනාවක් තිස්සේ විමසූ දැනුම, ස්වයං-විඥානය සහ සත්‍යය පිළිබඳ ප්‍රශ්න නැවත මතු කරන අදහසක්.
1. RSI යනු කුමක්ද?
අපි සාමාන්‍ය පරිගණක වැඩසටහනක් ගැන සිතමු.
එයට කිසියම් කාර්යයක් කිරීමට නියම කර තිබෙනවා. වැඩසටහනේ දෝෂයක් තිබුණොත්, එය නිවැරදි කිරීමට සාමාන්‍යයෙන් මිනිස් ක්‍රමලේඛකයෙකුගේ මැදිහත්වීම අවශ්‍ය වෙනවා.
නමුත් AI පද්ධතියකට තමන්ගේ ප්‍රතිඵල පරීක්ෂා කිරීමට, දෝෂ හඳුනාගැනීමට, වැඩසටහන් සංශෝධන යෝජනා කිරීමට සහ ඒවා පරීක්ෂණයට ලක් කිරීමට හැකි විය හැකියි.
උදාහරණයක් ලෙස:
AI පද්ධතියක් ගණිත ගැටලු විසඳනවා.
තමන් නිතරම වැරදෙන ගැටලු වර්ග හඳුනාගන්නවා.
ඒ වැරදි අඩු කිරීමට නව විසඳුම් ක්‍රමයක් නිර්මාණය කරනවා.
එම ක්‍රමය පරීක්ෂා කර, සාර්ථක නම් තමන්ගේ ඉදිරි ක්‍රියාකාරිත්වයට එකතු කරනවා.
අවසානයේ තමන්ගේම වැඩිදියුණු කිරීමේ ක්‍රමයත් වඩා කාර්යක්ෂම කරනවා.
පස්වැනි පියවර මෙහි තීරණාත්මකයි.
මන්ද, තමන් කරන කාර්යයක් වැඩිදියුණු කිරීම සහ තමන්ව වැඩිදියුණු කරන හැකියාවම වැඩිදියුණු කිරීම එකම දෙයක් නොවන නිසා.
මෙම දෙවැනි හැකියාව දිගින් දිගටම වර්ධනය වුවහොත්, එක් වැඩිදියුණු කිරීමක් ඊළඟ වැඩිදියුණු කිරීම සඳහා පදනමක් සපයන චක්‍රයක් ඇතිවිය හැකියි.
1965දී ගණිතඥ I. J. Good ඉදිරිපත් කළ Intelligence Explosion සංකල්පය මෙහි වැදගත් ඓතිහාසික පූර්වගාමියෙක්.
එහෙත් මෙතැන වැදගත් අවවාදයක් තිබෙනවා.
අද පවතින LLM පද්ධති තමන්ගේ පිළිතුරු නැවත සකස් කිරීම, ක්‍රමලේඛන කාර්යයන් වැඩිදියුණු කිරීම සහ ඇතැම් පර්යේෂණ ක්‍රියාවලි ස්වයංක්‍රීය කිරීම වැනි හැකියාවන් පෙන්වා තිබුණත්, සීමාවකින් තොරව තමන්ගේම බුද්ධිය වර්ධනය කරගන්නා සම්පූර්ණ ස්වාධීන RSI පද්ධතියක් සාර්ථක වී ඇති බවට පිළිගත් සාක්ෂි තවමත් නැහැ.
ඒ නිසා RSI යනු අද පවතින සීමිත හැකියාවන්ගෙන් ආරම්භ වී, වඩාත් ගැඹුරු ස්වයං-වැඩිදියුණු වීමක් කරා යා හැකිදැයි විමසන පර්යේෂණ ක්ෂේත්‍රයක් ලෙස තේරුම් ගැනීම වඩාත් නිවැරදියි.
මෙවැනි අදහසක් තවදුරටත් දාර්ශනික පරිකල්පනයක් පමණක් නොවන බව පෙන්වන පර්යේෂණයක් 2026 ඔක්තෝබර් මාසයේදී UC Berkeley සහ Sakana AI පර්යේෂකයන් විසින් ඉදිරිපත් කර තිබෙනවා. Recursive Self-Improvement Through Multi-Agent Self-Supervision නම් එම පර්යේෂණයේදී, එකම AI ආකෘතිය විවිධ කාර්යභාරයන් ඉටු කරන නියෝජිතයන් ලෙස සංවිධානය කරමින්, තමන්ගේම ගැටලු විසඳීමේ ක්‍රමවේදය වෙනස් කිරීමටත්, එයින් ලැබෙන අත්දැකීම් මත නැවත ඉගෙනීමටත් උත්සාහ කර තිබෙනවා.
මෙතැනදී මගේ හිත ගියේ AI එකක් වඩාත් නිවැරදි පිළිතුරු ලබාදීමට ඉගෙනගැනීම ගැන පමණක් නොවෙයි. තමන් පිළිතුරු සොයාගන්නා ක්‍රමයම වෙනස් කිරීමට ඉගෙනගැනීමයි. හරියට මා කලින් සඳහන් කළා සේම අපි කිසියම් විෂයයක් අධ්‍යයනය කරමින් සිටියදී, එම විෂය පිළිබඳ අපේ අවබෝධය පමණක් නොව, අප සිතන ආකාරයත් වෙනස් කරගන්නවා වගේ.
එහෙත් මෙහි තවත් අපූරු ප්‍රශ්නයක් මතු වෙනවා. මගේම සිතීමේ අඩුපාඩු හඳුනාගන්නේත් මගේම සිතීමෙන් නම්, ඒ සිතීමේ සීමාවන් ඉක්මවා යන්නට මට හැකි වන්නේ කෙසේද? මා නිවැරදි යැයි සිතන දේ නිවැරදි බව තීරණය කරන්නේත් මාම නම්, මා මගේම වැරදි නැවත නැවත තහවුරු කරගන්නවා විය නොහැකිද?
හේගල්ගේ දයලෙක්තිකය* (මගේ ප්‍රියතම විෂයක්- ඊළඟ පරිච්ඡේදය මෙහි දිගුවක්) පිලිබඳව සිතන විට මේ ප්‍රශ්නය මට විශේෂයෙන් වැදගත් වෙනවා. එය සරලව තේරුම් ගැනීමට නම්, මුලින් අපට යම් අදහසක් තිබෙනවා යැයි සිතමු (Thesis). එම අදහස තුළම ඇති සීමාවන් හෝ ප්‍රතිවිරෝධතා හමුවේ එයට විරුද්ධ අදහසක් මතු වෙනවා (Antithesis). මේ දෙක අතර ඇති ගැටුමෙන් පැරණි අදහස් හුදෙක් ප්‍රතික්ෂේප නොකර, ඒවායේ වැදගත් අංගත් රැකගනිමින් වඩාත් පුළුල් නව අවබෝධයක් බිහි විය හැකියි (Synthesis). එහෙත් එම නව අවබෝධයත් අවසාන සත්‍යය නොවෙයි. එය තුළින් නැවත අලුත් ප්‍රතිවිරෝධතා මතු විය හැකියි. මේ ආකාරයට චින්තනය තමන්ගේම සීමාවන් හඳුනාගෙන ඒවා ඉක්මවා යන ක්‍රියාවලියත්, AI පද්ධතියක් තමන්ගේම ක්‍රියාකාරිත්වය ඇගයීමෙන් එය වැඩිදියුණු කරගැනීමත් අතර අපට යම් සංකල්පීය සමානකමක් දකින්න පුළුවන්.
නමුත් මෙහිදී අපි ප්‍රවේශම් විය යුතුයි. පරිගණක පද්ධතියක සිදුවන ප්‍රශස්තකරණ ක්‍රියාවලියක් හේගල් විස්තර කළ දයලෙක්තික චලනයට සමාන යැයි කියන්නට අපට තවම සාක්ෂි නැහැ. ඒ දෙක අතර ඇති සමානකම මට වැදගත් වන්නේ විද්‍යාත්මක තහවුරු කිරීමක් ලෙස නොව, තවත් ප්‍රශ්න අසන්නට අපට ඉඩ සලසන දාර්ශනික අවකාශයක් ලෙසයි.
2. හේගල්: දැනුම වර්ධනය වන්නේ තමන්ගේම සීමාව හඳුනාගැනීමෙන්ද?
ජර්මානු දාර්ශනික ජෝර්ජ් විල්හෙල්ම් ෆ්‍රෙඩ්රික් හේගල් (1770–1831) මෙහිදී අපට වැදගත් වෙනවා.
හේගල්ගේ දර්ශනය තුළ දැනුම යනු තොරතුරු එකතු කිරීමේ නිශ්චල ක්‍රියාවලියක් නොවෙයි.
අප සතුව ඇති සංකල්පයක් හෝ අවබෝධයක් තමන්ගේම අභ්‍යන්තර නොගැළපීම් හමුවේ වෙනස් විය හැකියි. එම වෙනස්වීම තුළින් පෙර අවබෝධයේ සීමාවන් හෙළිවී වඩාත් සංකීර්ණ අවබෝධයක් බිහිවෙනවා.
මෙය හේගල්ගේ Dialectic (දයලෙක්තිකය) පිළිබඳ අදහසේ වැදගත් අංගයක්.
උදාහරණයක් ගනිමු.
කුඩා දරුවෙකුට සූර්යයා පෘථිවිය වටා ගමන් කරන බව පෙනෙනවා.
පසුව ඔහු පෘථිවිය තම අක්ෂය වටා භ්‍රමණය වන බව ඉගෙන ගන්නවා.
මෙහිදී වෙනස් වන්නේ තොරතුරක් පමණක් නොවෙයි. පළමු නිරීක්ෂණය අර්ථකථනය කළ ආකාරයම වෙනස් වෙනවා.
හේගල්ගේ දර්ශනය මේ උදාහරණයට සීමා නොවුණත්, අවබෝධයක සීමාව හඳුනාගැනීමෙන් එය පරිවර්තනය විය හැකි බව පැහැදිලි කිරීමට මෙය උපකාරී වෙනවා.
RSI සමඟ ඇති සමානත්වය මෙතැනයි.
AI පද්ධතියක් තමන්ගේ වැරදි හඳුනාගෙන, ඒවා ඇති කරන ක්‍රමවේදම වෙනස් කළහොත්, එය සරල පිළිතුරු සංශෝධනයකට වඩා ගැඹුරු ක්‍රියාවලියක්.
නමුත් මෙහිදී අප ප්‍රවේශම් විය යුතුයි.
හේගල්ගේ දයලෙක්තිකය යනු පරිගණකයක optimization algorithm එකක් නොවෙයි. එය සංකල්ප, විඥානය සහ දැනුම වර්ධනය වන ආකාරය පිළිබඳ දාර්ශනික විමර්ශනයක්.
AI පද්ධතියක ක්‍රියාකාරිත්වය එයට සමාන කර බැලීම ප්‍රයෝජනවත් දාර්ශනික උපමාවක් විය හැකි නමුත්, එයින් AI පද්ධතියකට හේගල් විස්තර කළ ආකාරයේ ස්වයං-විඥානයක් තිබෙන බව ඔප්පු වන්නේ නැහැ.
එහෙත් මට මෙතැන ප්‍රශ්නයක් ඇතිවෙනවා.
AI පද්ධතියක් තමන්ගේ වැරදි නිවැරදි කිරීමෙන් ඔබ්බට ගොස්, තමන් ලෝකය තේරුම් ගන්නා මූලික සංකල්පම වෙනස් කිරීමට පටන් ගත්තොත්, එය දැනුමේ ගුණාත්මක පරිවර්තනයක් ලෙස සැලකිය හැකිද?
3. කාන්ට්: අප දන්නා ලෝකය සහ අපට දැනගත නොහැකි ලෝකය
හේගල්ට පෙර ඉම්මානුවෙල් කාන්ට් (1724–1804) දැනුමේ සීමාවන් පිළිබඳ ඉතා වැදගත් ප්‍රශ්නයක් මතු කළා.
අප ලෝකය දකින්නේ එය අපට පෙනෙන ආකාරයෙන්.
නමුත් එයින් ලෝකය අපගේ දැනුමෙන් ස්වාධීනව පවතින ආකාරය සම්පූර්ණයෙන්ම අප දන්නවා යැයි කියන්න පුළුවන්ද?
කාන්ට් මෙහිදී Phenomena සහ Noumena අතර වෙනසක් හඳුන්වා දෙනවා.
Phenomena යනු අපගේ අත්දැකීම සහ අවබෝධයේ ව්‍යුහයන් තුළ අපට දැනගත හැකි වස්තුයි.
Noumenon හෙවත් thing-in-itself යනු එම වස්තුව අපට පෙනෙන ආකාරයට පමණක් සීමා නොකර සලකා බැලීමේ සංකල්පයයි.
කාන්ට්ගේ මූලික තර්කයක් වන්නේ අපගේ දැනුම අපගේ සංවේදන හා අවබෝධයේ කොන්දේසිවලට යටත් වන බවයි.
මෙය AI සමඟ සංසන්දනය කරමු.
LLM පද්ධතියක් ලෝකය පිළිබඳ තොරතුරු ලබාගන්නේ පුහුණු දත්ත, භාෂාමය රටා, රූප, සංවේදක හෝ වෙනත් පද්ධති හරහායි.
එහි ලෝක අවබෝධය එයට ලැබෙන දත්තවලින් පමණක් නොව, ඒවා සැකසීමට භාවිත කරන ගණිතමය සහ පරිගණක ව්‍යුහයන්ගෙන්ද හැඩගැසෙනවා.
මෙය කාන්ට්ගේ මානව දැනුම් න්‍යාය AI වෙත සෘජුවම යෙදීමක් නොවෙයි. නමුත් වැදගත් සමාන ප්‍රශ්නයක් මතු කරනවා.
AI පද්ධතියකට තමන්ගේ දත්ත සැකසීමේ ක්‍රමය වැඩිදියුණු කළ හැකි වුවත්, තමන්ට කිසිදා ලැබී නැති සාක්ෂි, අත්දැකීම් හෝ නිරීක්ෂණ පිළිබඳ සීමාවන් ඉන් ස්වයංක්‍රීයව ඉවත් වන්නේ නැහැ.
උදාහරණයක් ලෙස, කිසිදු අලුත් පරීක්ෂණ දත්තයක් නොමැතිව AI පද්ධතියක් විශ්වයේ නොදන්නා භෞතික නියමයක් පිළිබඳ න්‍යායක් යෝජනා කළ හැකියි.
නමුත් එය සත්‍ය බව තහවුරු කිරීමට භෞතික ලෝකයෙන් සාක්ෂි අවශ්‍යයි.
ඒ නිසා RSI මගින් බුද්ධිමය හැකියාවන් වැඩිදියුණු වුවත්, බුද්ධියේ වර්ධනය සහ යථාර්ථය පිළිබඳ සත්‍ය දැනුම එකම දෙයක් නොවන බව අපට මතක් වෙනවා.
4. කාල් පොපර්: දැනුම වැඩෙන්නේ වැරදි සොයාගැනීමෙන්
කාල් පොපර් (1902–1994) විද්‍යාත්මක දැනුම පිළිබඳ තවත් වැදගත් අදහසක් ඉදිරිපත් කළා.
ඔහුගේ විවේචනාත්මක තාර්කිකවාදය අනුව, විද්‍යාව ඉදිරියට යන්නේ න්‍යායන් සම්පූර්ණයෙන් සත්‍ය බව අවසාන වශයෙන් ඔප්පු කිරීමෙන් නොව, ඒවා දැඩි පරීක්ෂණවලට ලක් කර වැරදි විය හැකි තැන් සොයාගැනීමෙන්.
මෙහි ප්‍රධාන සංකල්පය Falsifiability — න්‍යායක් වැරදි බව පෙන්විය හැකි පරීක්ෂණයක් සංකල්පනය කළ හැකි වීමයි.
උදාහරණයක් ලෙස, සියලුම හංසයන් සුදු බව අපි විශ්වාස කරනවා යැයි සිතමු.
සුදු හංසයන් දහසක් දැකීමෙන් එම ප්‍රකාශය සම්පූර්ණයෙන් තහවුරු වන්නේ නැහැ.
නමුත් එක් කළු හංසයෙකු දැකීමෙන් එම ප්‍රකාශය වැරදි බව පෙන්විය හැකියි.
දැන් RSI ගැන සිතමු.
AI පද්ධතියක් තමන්ගේ විසඳුම්වල වැරදි සොයාගන්නවා නම් එය ප්‍රයෝජනවත්.
නමුත් එය තමන්ගේම පිළිතුරු පමණක් භාවිත කර ඒවා නිවැරදිදැයි තීරණය කරනවා නම්?
එහිදී බරපතළ ගැටලුවක් ඇතිවෙනවා.
වැරදි උපකල්පනයක් මත ගොඩනැගුණු පද්ධතියක්, එම උපකල්පනයම භාවිත කර තමන් නිවැරදි බව නැවත නැවත තහවුරු කරගත හැකියි.
මෙය දැනුම වර්ධනය වීමක් වෙනුවට වැරදි විශ්වාසයක් ශක්තිමත් වීමක් විය හැකියි.
එබැවින් RSI පද්ධතියකට අවශ්‍ය වන්නේ තමන්ගේ පිළිතුරු නැවත ලිවීම පමණක් නොවෙයි.
එයට ස්වාධීන පරීක්ෂණ, විශ්වාසදායක බාහිර ප්‍රතිචාර සහ තමන්ගේ උපකල්පන වැරදි බව පෙන්විය හැකි ක්‍රමවේද අවශ්‍යයි.
මෙහිදී පොපර්ගේ අදහස අපට වැදගත් පාඩමක් කියා දෙනවා.
තමන්ගේ වැරදි සොයාගැනීමට හැකි බුද්ධියක්, තමන් හැමවිටම නිවැරදි යැයි විශ්වාස කරන බුද්ධියකට වඩා විද්‍යාත්මකව ප්‍රයෝජනවත් විය හැකියි.
5. ගෝඩෙල්: බුද්ධිමත් පද්ධතියකට තමන්ගේම සම්පූර්ණත්වය ඔප්පු කළ හැකිද?
1931දී කුර්ට් ගෝඩෙල් (1906–1978) ගණිතයේ පදනම් පිළිබඳ අපගේ අවබෝධය වෙනස් කළ ප්‍රමේයයන් දෙකක් ඉදිරිපත් කළා.
ඔහුගේ පළමු අසම්පූර්ණතා ප්‍රමේයය අනුව, ප්‍රමාණවත් ගණිතමය ප්‍රකාශන ශක්තියක් ඇති, සංගත සහ ඵලදායී ලෙස අක්ෂීයකරණය කළ විධිමත් පද්ධතියක, එම පද්ධතිය තුළ ඔප්පු කළ නොහැකි ප්‍රකාශ පවතිනවා.
දෙවැනි ප්‍රමේයය අනුව, එවැනි සුදුසු කොන්දේසි සපුරන සංගත පද්ධතියකට තමන්ගේම සංගතභාවය එහි අභ්‍යන්තර සම්පත් පමණක් භාවිතයෙන් ඔප්පු කළ නොහැකියි.
මෙය RSI පිළිබඳ කතාබහට සම්බන්ධ කරන්නේ කෙසේද?
AI පද්ධතියක් තමන්ගේම ක්‍රමලේඛනය වෙනස් කරනවා යැයි සිතමු.
එම වෙනසින් තමන් වඩාත් හොඳ පද්ධතියක් බවට පත්වන බව එයට සෑම අවස්ථාවකදීම සහතික කළ හැකිද?
මෙය පහසු ප්‍රශ්නයක් නොවෙයි.
පරිගණක විද්‍යාවේ Rice's theorem වැනි ප්‍රතිඵල අනුව, ඕනෑම වැඩසටහනක අර්ථවත් හැසිරීම් ගුණාංගයක් පිළිබඳ සෑම අවස්ථාවකම තීරණයක් ලබාදෙන පොදු ඇල්ගොරිතමයක් නිර්මාණය කළ නොහැකියි.
එයින් සියලු වැඩිදියුණු කිරීම් පරීක්ෂා කළ නොහැකි බව අදහස් වන්නේ නැහැ. සීමිත සහ නිශ්චිත පරීක්ෂණ මගින් බොහෝ වෙනස්කම් ඇගයීමට හැකියි.
නමුත් ඕනෑම අනාගත තත්ත්වයක් යටතේ, ඕනෑම ස්වයං-සංශෝධනයක් වඩාත් හොඳ ප්‍රතිඵල ලබාදෙන බව පොදුවේ සහතික කිරීම වෙනම ගැටලුවක්.
ගෝඩෙල්ගේ ප්‍රමේයයන් AI හි හැකියාවන්ට සෘජු සීමාවක් නියම කරන බව මෙයින් කියැවෙන්නේ නැහැ. ඒවා විශේෂ ගණිතමය පද්ධති පිළිබඳ ප්‍රතිඵලයි.
එහෙත් ස්වයං-විමර්ශනය සහ ස්වයං-සහතික කිරීම අතර ඇති වෙනස අවබෝධ කරගැනීමට ඒවා අපට උපකාරී වෙනවා.
මගේ සිතට නැඟෙන්නේ මෙවැනි ප්‍රශ්නයක්.
තමන්ගේ බුද්ධිය වැඩිදියුණු කළ හැකි යන්ත්‍රයකට, එම වැඩිදියුණු කිරීමේ ප්‍රතිඵල සියල්ලම කල්තියා දැනගැනීමට නොහැකි නම්, එය තමන්ගේ අනාගත බුද්ධිය කෙරෙහි විශ්වාසය තබන්නේ කෙසේද?
6. AI තමන් ගැන දැනගන්නවාද, නැත්නම් තමන් ගැන විස්තර කරනවාද?
මෙහිදී තවත් වැදගත් වෙනසක් තිබෙනවා.
AI පද්ධතියක් තමන්ගේ හැකියාවන් ගැන කතා කිරීම සහ තමන්ගේ අභ්‍යන්තර ක්‍රියාකාරිත්වය නිවැරදිව අවබෝධ කරගැනීම එකම දෙයක් නොවෙයි.
2026දී පළ වූ Self-Referential Introspection in Large Language Models: The Critical Threshold for Recursive Self-Improvement නම් පර්යේෂණ ලිපිය මේ ප්‍රශ්නය සෘජුවම විමර්ශනය කරනවා.
එහි පර්යේෂකයන් ඉදිරිපත් කරන මූලික තර්කය වන්නේ දිගුකාලීන, ස්වාධීන RSI ක්‍රියාවලියක් සඳහා පද්ධතියකට තමන්ගේම ක්‍රියාකාරිත්වය පිළිබඳ ප්‍රමාණවත් අභ්‍යන්තර ආකෘතියක් අවශ්‍ය විය හැකි බවයි.
ඔවුන් එය Introspection යන සංකල්පය හරහා විස්තර කරනවා.
අද පවතින LLM පද්ධති ඇතැම් අවස්ථාවල තමන්ගේ දෝෂ හඳුනාගන්නවා. තමන්ගේ පිළිතුරු ඇගයීමටත් හැකියාව පෙන්වනවා.
නමුත් එම හැකියාවන් සීමිතයි. පර්යේෂකයන් මෙය Quasi-Introspection ලෙස හඳුන්වනවා.
එනම් සම්පූර්ණ ස්වයං-අවබෝධයක් නොව, ඇතැම් කාර්යයන් තුළ දක්නට ලැබෙන අර්ධ ස්වයං-විමර්ශන හැකියාවක්.
මෙහිදී මට හේගල්ගේ Self-Consciousness පිළිබඳ අදහස් නැවත සිහිපත් වෙනවා.
නමුත් දාර්ශනික ස්වයං-විඥානය සහ පරිගණකමය ස්වයං-නිරීක්ෂණය අතර පැහැදිලි වෙනසක් තිබෙනවා.
පද්ධතියකට තමන්ගේ කේතය විශ්ලේෂණය කිරීමට හැකි වීමෙන් එයට පුද්ගලික අත්දැකීමක්, විඥානයක් හෝ මනුෂ්‍යයාට සමාන ආත්මීයත්වයක් ඇති බව නිගමනය කළ නොහැකියි.
ඒ වෙනුවට අපට විමසිය හැක්කේ, තමන්ගේම ක්‍රියාකාරිත්වය පිළිබඳ වඩාත් නිවැරදි ආකෘතියක් ගොඩනැගීම, AI පද්ධතියක ඉගෙනීමේ සහ සංශෝධනය වීමේ හැකියාව කොතරම් දුරට වෙනස් කරයිද යන්නයි.
7. බුද්ධියේ වේගය වැඩිවීම දැනුමේ ගැඹුර වැඩිවීමක්ද?
අපි මෙතෙක් සලකා බැලූ දාර්ශනික අදහස් හතරම වෙනස් ආකාරවලින් අපට ප්‍රශ්නයක් ඉදිරිපත් කරනවා.
හේගල් අපට මතක් කරන්නේ අවබෝධය තමන්ගේම සීමාවන් හමුවේ පරිවර්තනය විය හැකි බවයි.
කාන්ට් අපට මතක් කරන්නේ දැනුම ලබාගන්නා ක්‍රමයම, අපට දැනගත හැකි දේ හැඩගස්වන බවයි.
පොපර් අපට මතක් කරන්නේ දැනුම වර්ධනය වීමට විවේචනය සහ වැරදි හඳුනාගැනීම අත්‍යවශ්‍ය බවයි.
ගෝඩෙල් අපට පෙන්වන්නේ ප්‍රමාණවත් ලෙස සංකීර්ණ ඇතැම් විධිමත් පද්ධතිවලට තමන්ගේම සම්පූර්ණත්වය සහ සංගතභාවය පිළිබඳ මූලික සීමාවන් ඇති බවයි.
දැන් අපට RSI පිළිබඳ තවත් ආකාරයකින් සිතන්න පුළුවන්.
AI පද්ධතියක් තත්පරයකට විසඳන ගැටලු ගණන දහස් ගුණයකින් වැඩි කළහොත්, එය අනිවාර්යයෙන්ම දැනුමේ ගුණාත්මක වර්ධනයක්ද?
නැත්නම් එය එකම සංකල්පීය රාමුව තුළ වැඩි වේගයකින් ගමන් කිරීමක් පමණක්ද?
අපි වේගවත් දුම්රියක් නිර්මාණය කළා යැයි සිතමු.
එය පැරණි දුම්රියට වඩා දස ගුණයක වේගයෙන් ගමන් කරනවා.
නමුත් එය තවමත් ගමන් කරන්නේ පැරණි රේල් පීලි මතම නම්, එයට ළඟාවිය හැකි ස්ථාන තීරණය කරන්නේ එම පීලි ජාලයයි.
RSI පිළිබඳ මට ඇති වැදගත්ම කුතුහලයත් එයයි.
AI පද්ධතියකට තමන්ගේ ගමන් වේගය පමණක් නොව, තමන් ගමන් කරන දැනුමේ රේල් පීලි පවා නැවත නිර්මාණය කළ හැකිද?
එසේ කළ හැකි වුවත්, අලුත් මාර්ගය සැබෑ ලෝකය පිළිබඳ වඩාත් නිවැරදි අවබෝධයකට ගෙන යන බව තීරණය කරන්නේ කවුද?
අවසානය: දැනුම තමන්ගේම සීමාව ඉක්මවා යන මොහොත
මිනිසාගේ බුද්ධිමය ඉතිහාසය දෙස බැලූ විට අපට පෙනෙන්නේ, විශාලතම සොයාගැනීම් බොහෝ විට පැරණි ප්‍රශ්නවලට අලුත් පිළිතුරු ලබාදීමෙන් පමණක් සිදු නොවූ බවයි.
ඇතැම් විට ඒවා සිදු වූයේ අප අසමින් සිටි ප්‍රශ්නම වෙනස් කිරීමෙන්.
කොපර්නිකස් පෘථිවිය විශ්වයේ කේන්ද්‍රයෙන් ඉවත් කළා.
ඩාවින් ජීවීන්ගේ සම්භවය පිළිබඳ අපගේ අවබෝධය වෙනස් කළා.
අයින්ස්ටයින් අවකාශය සහ කාලය පිළිබඳ අප සිතූ ආකාරය පරිවර්තනය කළා.
මේ සියල්ල එකම ආකාරයේ විද්‍යාත්මක විප්ලව නොවුණත්, ඒවා අපට කියා දෙන්නේ දැනුම වර්ධනය වීමේදී පැරණි සංකල්පීය සීමාවන් අභියෝගයට ලක්වන බවයි.
දැන් අප ඉදිරියේ තිබෙන්නේ අලුත් ප්‍රශ්නයක්.
මිනිසා නිර්මාණය කළ AI පද්ධතියකට, තමන්ගේම දැනුම නිර්මාණය කිරීමේ ක්‍රමය වෙනස් කරමින්, මිනිසා මෙතෙක් නොසිතූ නව සංකල්පීය රාමු නිර්මාණය කිරීමට හැකි වේවිද?
එසේ වුවහොත් එය මනුෂ්‍ය දැනුමේ තවත් දිගුවක් වේවිද? නැත්නම් දැනුම නිර්මාණය කිරීමේ ඉතිහාසයේ වෙනස්ම පරිච්ඡේදයක ආරම්භයක් වේවිද?
මට නම් RSI පිළිබඳ වඩාත් ආකර්ෂණීය ප්‍රශ්නය යන්ත්‍රයක් මිනිසාට වඩා බුද්ධිමත් වේවිද යන්න පමණක් නොවෙයි.
තමන් නොදන්නා දේ හඳුනාගැනීමටත්, ඒ නොදැනීමේ සීමාවන් වෙනස් කිරීමටත් හැකි බුද්ධියක් බිහිවුවහොත්, අප අද 'දැනුම' යනුවෙන් හඳුන්වන දෙයෙහි අර්ථයම වෙනස් වේවිද?
සමහර විට අනාගතයේ වැදගත්ම සොයාගැනීම AI විසින් ලබාදෙන පිළිතුරක් නොව, මිනිසා කිසිදා නොඇසූ ප්‍රශ්නයක් විය හැකියි.
එහෙත් එම ප්‍රශ්නයෙන් ලෝකය පිළිබඳ සැබෑ දැනුමක් බිහිවන්නේද යන්න තීරණය කිරීමට, තවමත් අපට තර්කය, සාක්ෂි, විවේචනය සහ දාර්ශනික විමර්ශනය අවශ්‍ය වෙනවා.
අවසාන අහඹු හමුවීමක් — RSI සහ RSI
මේ සියල්ල ලියා අවසන් කරන්නට යන විට මට තවත් අපූරු අහඹු හමුවීමක් සිහිපත් වෙනවා.
අපි මෙතෙක් කතා කළේ Recursive Self-Improvement (RSI) ගැනයි. එහෙත් මනෝවිශ්ලේෂණය ගැන උනන්දුවක් ඇති කෙනෙකුට මේ අකුරු තුන තවත් තැනකදී හමුවී ඇති බව මතක් වේවි.
ඒ ජාක් ලැකාන්ගේ Real, Symbolic, Imaginary (RSI) යන ත්‍රිත්වයයි.
නමුත් මෙතැනදී අපි ඉතා වැදගත් වෙනසක් හඳුනාගත යුතුයි.
ලැකාන් කතා කළේ මානව බුද්ධිය ගැන නොවෙයි.
අඩුම තරමින්, බුද්ධිය යනු තොරතුරු සැකසීමේ, ගැටලු විසඳීමේ හෝ ඉගෙනීමේ හැකියාවක් ලෙස සලකන අර්ථයෙන් නොවෙයි. ඔහුගේ විමර්ශනයේ කේන්ද්‍රය වූයේ භාෂාව තුළ ගොඩනැඟෙන, අවිඥානයෙන් හා ආශාවෙන් හැඩගැසෙන, තමන්ටම සම්පූර්ණයෙන් විනිවිද නොපෙනෙන මානව ආත්මීයත්වයයි.
එහෙත් AI හි RSI තුළ අප උත්සාහ කරන්නේ බුද්ධිමය ක්‍රියාකාරිත්වය වඩාත් කාර්යක්ෂම කිරීම, එහි දෝෂ හඳුනාගැනීම සහ එය නැවත නැවත වැඩිදියුණු කිරීමයි.
ඒ අනුව මේ RSI දෙක එකම දෙයක් නොවෙයි. ඇත්තෙන්ම, ඒවා අතර ඇති වෙනසම වඩාත් සිත්ගන්නාසුලුයි.
එක් RSI එකක් අසන්නේ, බුද්ධියක් තමන්වම කොතරම් දුරට වැඩිදියුණු කරගත හැකිද? යන්නයි.
අනෙක් RSI එක අපට සිහිපත් කරන්නේ, තමන් ගැන සියල්ල දැනගත හැකි, තමන්ටම සම්පූර්ණයෙන් විනිවිද පෙනෙන ආත්මයක් පිළිබඳ අදහසම ප්‍රශ්න කළ යුතු බවයි.
මෙහිදී මට මතුවන්නේ තවත් ප්‍රශ්නයක්.
අපි AI පද්ධතියකට තමන්ගේම ක්‍රියාකාරිත්වය විමර්ශනය කරමින් වැඩිදියුණු වීමට ඉඩ සලසනවා. එහෙත් එවැනි පද්ධතියක් තමන් ගැන ගොඩනඟන දැනුමත්, එය සැබවින්ම ක්‍රියා කරන ආකාරයත් අතර පරතරයක් තිබිය හැකිද?
එවැනි පරතරයක් තිබීමෙන් AI එකකට අවිඥානයක් හෝ ලැකාන් විස්තර කළ ආත්මීයත්වයක් ඇති බව අදහස් වෙන්නේ නැහැ. නමුත් තමන් පිළිබඳව තමන්ම නිර්මාණය කරන නිරූපණයක්, තමන්ගේ සම්පූර්ණ ස්වරූපය සමඟ සමාන නොවිය හැකි බව අපට සිතන්නට ඉඩ ලැබෙනවා.
එසේ නම්, අනාගතයේ AI පර්යේෂණ අපව ගෙන යන්නේ බුද්ධිය වැඩිදියුණු කිරීම පිළිබඳ ප්‍රශ්නයකට පමණක්ද?
නැත්නම්, බුද්ධිය (Intelligence), දැනුම (Knowledge), විඥානය (Consciousness) සහ ආත්මීයත්වය (Subjectivity) යනු එකිනෙකට වෙනස් දේවල් බව වඩාත් ගැඹුරින් තේරුම් ගැනීමටත්ද?
සමහරවිට මේ RSI දෙකේ අහඹු හමුවීම අපට ඉතිරි කරන්නේ ඒ ප්‍රශ්නයයි.
අපි යන්ත්‍රයකට තමන්ගේ බුද්ධිය වැඩිදියුණු කරගැනීමට උගන්වමින් සිටිනවා. එහෙත් එසේ වැඩිදියුණු වන බුද්ධියකට, තමන් කවුරුන්දැයි දැනගැනීම අවශ්‍යද?
නැත්නම්, තමන් කවුරුන්දැයි නොදැන සිටියත්, තමන් කරන දේ අසීමිතව වැඩිදියුණු කරගත හැකිද?
පර්යේෂණ පදනම සහ වැඩිදුර කියවීම
ලිපියේ තාක්ෂණික ප්‍රකාශ සඳහා විශේෂයෙන් වැදගත් මූලාශ්‍ර දෙකක් තිබෙනවා.
Self-Referential Introspection in Large Language Models (2026) — RSI සඳහා ස්වයං-විමර්ශනයේ අවශ්‍යතාව පිළිබඳ න්‍යායික තර්කයක් සහ වර්තමාන LLM හැකියාවන් පිළිබඳ සමාලෝචනයක්. මෙහි introspection threshold යනු පර්යේෂකයන්ගේ යෝජිත න්‍යායික රාමුවක් මිස තහවුරු වූ විශ්වීය සීමාවක් නොවේ.
PMCMind the Gap: Examining the Self-Improvement Capabilities of Large Language Models (ICLR 2025) — LLM ස්වයං-වැඩිදියුණු කිරීමේදී ප්‍රතිඵල නිර්මාණය කිරීම සහ ඒවා නිවැරදි බව තහවුරු කිරීම අතර ඇති පරතරය විමර්ශනය කරන පර්යේෂණයක්.
*දාර්ශනික සටහන: Thesis → Antithesis → Synthesis යනු හේගල්ගේ දයලෙක්තිකය පැහැදිලි කිරීමට බහුලව භාවිත වන සරල ආකෘතියක් මිස, හේගල් විසින්ම නිශ්චිත සූත්‍රයක් ලෙස ඉදිරිපත් කළ ක්‍රමවේදයක් නොවේ. ඔහුගේ දර්ශනයේ වැදගත් සංකල්පයක් වන Aufhebung (ජර්මානු) යන්නෙන් පෙර පැවති අදහසක් හුදෙක් ප්‍රතික්ෂේප කිරීම නොව, එහි සීමාවන් ඉක්මවා යන අතරම එහි වැදගත් අංග සංරක්ෂණය කරමින් නව අවබෝධයක් කරා ගමන් කිරීම අදහස් වේ.
