Hoe meerdere eenvoudige middelen opkomende complexiteit creëren
Opmerking: Geïnspireerd door na te denken over extensies naar veelallucid.mockllmapi en materiaal voor de (nooit te worden uitgebracht, maar ik hou ervan om erover na te denken) sci-fi roman "Michael" over emergent AI
Wat als bewustzijn gewoon zeer verfijnd is als-dan verklaringen?
Ik weet het, ik weet het. Het klinkt verleidelijk tot het punt van belediging. Het idee dat de mens dacht met al zijn creativiteit, emotie, en diepgang is fundamenteel gewoon beslissing bomen gestapeld op beslissing bomen tot iets dat blikken Zoals intelligentie naar boven komt.
Maar het zit zo: ik kan het niet schudden.
Want als je kijkt naar hoe eenvoudige regels complex gedrag in de natuur creëren, begin je je af te vragen...
Dit is deel 1 van een 9-delige verkenning naar hoe eenvoudige regels complexe, intelligent lijkende gedrag creëren. Hier gaan we naartoe:
Deel 1 (Je bent hier): Eenvoudige regels, Complex gedrag De fundering - hoe meerdere eenvoudige agenten die basispatronen volgen opkomende complexiteit creëren die niet expliciet was geprogrammeerd.
Deel 2: Collectieve inlichtingen - Wanneer agenten communiceren Wat gebeurt er als agenten niet alleen patronen volgen, maar eigenlijk met elkaar praten? Informatie delen, onderhandelen en collectieve probleemoplossing transformeren eenvoudige multi-agent systemen in iets kwalitatief anders.
Deel 3: Zelfoptimalisatie - Systemen die zichzelf verbeteren Wanneer agenten hun eigen prestaties kunnen meten en hun gedrag kunnen aanpassen, krijg je systemen die evolueren zonder menselijke interventie. De feedbacklus wordt de motor van verbetering.
Deel 4: De Opkomst - Wanneer Optimalisatie Intelligentie wordt Op welk punt worden "optimaliseringsregels volgen" "werkelijke intelligentie"? We onderzoeken de ongemakkelijke drempel waar verfijnde regel-volgen niet te onderscheiden wordt van denken.
Deel 5: Evolutie - Van Optimalisatie tot Guilden en Cultuur Agenten die collectief optimaliseren beginnen met het vormen van gespecialiseerde rollen, het ontwikkelen van gedeelde kennis, en het creëren van opkomende "cultuur." Het systeem ontwikkelt voorkeuren, patronen en collectief geheugen.
Deel 6: Global Consensus - Gerichte evolutie en planetaire cognitie Schaal deze patronen op tot duizenden of miljoenen agenten, voeg mechanismen toe voor wereldwijde coördinatie, en je krijgt iets dat lijkt op planetaire intelligentie.
Deel 7: Het echte ding! - Experimenteren met gerichte synthetische evolutie Theorie ontmoet de praktijk. Een werkende implementatie van evolutionaire code generatie met behulp van multi-agent LLM's, RAG geheugen, en werkelijke zelfverbetering. De code is echt, loopt lokaal, en echt evoluerend.
Deel 8: Hulpmiddelen helemaal naar beneden - de zelfoptimizing Toolkit Hoe de tools zelf werken, het gebruik volgen, evolueren en slimmer worden in de tijd. Elke tool volgt aanroepingen, leert van patronen, evolueert implementaties, caches reacties, onderhandelt over fitness trade-offs, en versies zelf automatisch.
Deel 9: Zelf-Healing Tools - Lineage-Aware Snoeien en herstel Wanneer tools zichzelf door de evolutie breken, moet het systeem onthouden waarom en nooit de fout herhalen. Dit deel onderzoekt zelfgenezing door middel van lijn volgen, tak snoeien, vermijden regels, en automatisch herstel van fouten. Tools ontwikkelen institutioneel geheugen van wat niet te doen.
Voordat we praten over LLM's en AI, laten we praten over het Game of Life.
Vier simpele regels over cellen op een raster.
Van deze vier triviale regels krijg je:
Je krijgt complexiteit uit eenvoudJe krijgt gedrag dat niet expliciet geprogrammeerd was in die vier regels.
Je krijgt opkomst.
Stel je nu voor in plaats van cellen op een raster, je hebt taalmodellen.
Alleen, elk model is... prima... het kan tekst genereren... vragen beantwoorden... maar niets spectaculairs.
Maar wat gebeurt er als je ze verbindt? Wanneer de uitvoer van de ene wordt de invoer naar de andere?
Het eenvoudigste patroon: een ketting.
Fast Model → Quality Model → Validator Model
Elk model doet één ding. De ketting doet iets wat geen van hen alleen kan doen: snel en betrouwbaar produceren van hoge kwaliteit.
De opkomst: De ketting heeft eigenschappen (snelheid + kwaliteit + betrouwbaarheid) die geen enkel individueel model bezit.
Verschillende agenten werken tegelijkertijd aan verschillende aspecten:
┌─ Specs Generator
Input ─┼─ Pricing Calculator → Merge → Complete Product
└─ Inventory Checker
Elke specialist is eenvoudig. Maar samen creëren ze een uitgebreide dekking die een generalistisch model veel langer zou duren om te produceren en met een lagere kwaliteit in elk domein.
De opkomst: Expertise door verdeling van arbeid. Geen enkel model is een expert, maar het collectief handelt als een.
Een agent genereert, een andere valideert, en als de validatie mislukt, corrigeert een derde:
Generate → Validate → [Pass? → Output : Correct → Validate again]
Dit creëert een zelfcorrectiesysteem. Geen enkel model is bijzonder goed in het vermijden van fouten, maar het patroon vangt en lost ze op.
De opkomst: Betrouwbaarheid van onbetrouwbare componenten.
Analyseer de complexiteit van een verzoek, dan route naar het geschikte middel:
Simple request (score 1-3) → Fast model
Medium request (score 4-7) → Quality model
Complex request (score 8-10) → Premium model
De opkomst: Kostenefficiëntie. Het systeem "learns" (via geprogrammeerde regels) wanneer middelen te besteden en wanneer om ze op te slaan.
Geen van deze modellen zijn bijzonder slim. Elk van hen volgt gewoon zijn programmeringsantwoord op deze prompt, controleer deze output, route op basis van deze score.
Maar de combinatie vertoont eigenschappen die er heel erg uitzien als:
Op dezelfde manier als vier regels over cel buren maken gliders en kanonnen, vier patronen van model interactie creëren gedrag dat ziet er verfijnd.
Als deze eenvoudige patronen opkomende complexiteit creëren...
Als systemen die gewoon "regels volgen" eigenschappen beginnen te vertonen die eruit zien als oordeel en expertise...
Waar is de lijn?
Op welk punt wordt "verfijnde regel volgend" "werkelijke intelligentie"?
Laat me dit in de realiteit grondvesten voordat we te filosofisch worden.
Je kunt deze patronen vandaag bouwen. De code is eenvoudig:
// Pattern 1: Sequential refinement
async function refineSequentially(input) {
let output = await fastModel(input); // Quick draft
output = await qualityModel(output); // Add depth
output = await validator(output); // Check quality
return output;
}
Drie functies oproepen. Dat is het. Maar het gedrag dat uitkomt in een hogere kwaliteit generatie is niet in een enkele functie.
Het is in de interactiepatroon.
Deze patronen zijn de basis:
Simpele patronen. Geen enkel individueel model is bijzonder indrukwekkend.
Maar dit is wat me 's nachts wakker houdt: deze zelfde patronenspecialisatie, parallelle verwerking, validatie, slimme routing zijn hoe Menselijke organisaties werken.
Een bedrijf heeft specialisten. Teams werken parallel. Kwaliteitscontrole valideert. Managers route taken naar passende vaardigheidsniveaus.
Zijn bedrijven intelligent? Of zijn ze gewoon verfijnde regel-volgsystemen die opkomende complexiteit vertonen?
Misschien is het hetzelfde.
Deze patronen creëren systemen die:
Van buitenaf ziet dit eruit als intelligentie, verfijnd gedrag, slimme systemen.
Van binnenuit zijn het simpele regels die interageren.
De vraag: Is er een fundamenteel verschil tussen deze twee opvattingen? Of is "intelligentie" precies wat we noemen voldoende complexe regels volgen?
Tot nu toe hebben we meerdere agenten die eenvoudige patronen volgen. Het gedrag is verfijnd, maar het mechanisme is deterministisch. We hebben deze patronen expliciet geprogrammeerd.
Maar wat gebeurt er als we nog één ingrediënt toevoegen?
Wat gebeurt er als deze agenten niet in volgorde of parallel werken... maar eigenlijk... communiceren?
Als ze de context delen. Onderhandelen. Vorm tijdelijke coalities om problemen op te lossen.
Wanneer informatie niet in vooraf bepaalde patronen stroomt, maar dynamisch Gebaseerd op het huidige probleem?
Dat is wanneer dingen echt interessant worden.
Want communicatie creëert een ander soort opkomst. Niet alleen verfijnd gedrag van eenvoudige regels, maar collectieve inlichtingen die in het netwerk zelf bestaat.
Geen enkele agent begrijpt de oplossing, maar het gesprek vindt het toch.
Doorgaan naar Deel 2: Collectieve inlichtingen - Wanneer agenten communiceren
Waar we onderzoeken wat er gebeurt als eenvoudige agenten met elkaar gaan praten, en waarom het collectief slimmer kan zijn dan ieder individu.
Serienavigatie:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.