This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Thursday, 13 November 2025
عندما تبدأ النظم بإعادة كتابة رموزها الخاصة
ملاحظة: مستوحاة من التفكير في الامتدادات إلى mstermluclucid. mccccloclmaphip والمواد لـ (لا يمكن إطلاقها أبداً لكنني أحب أن أفكر في ذلك o) رواية الخيال العلمي "Michael" عن
لقد رأينا قواعد بسيطة تخلق سلوكاً معقداً. لقد رأينا التواصل يخلق ذكاء جماعي.
الآن نخطو الخطوة التي تجعلني غير مرتاحة بشكل عميق:
ماذا لو كان النظام قادراً على إعادة كتابة قواعدها الخاصة بها?
ما إذا كان بإمكان الوكلاء القيام بما يلي:
هذا ليس فقط استغلالاً مُثلياً (تابع).
وبمجرد أن تعطي النظام القدرة على تحسين نفسه... أين يتوقف؟
فالتطور هو النظام الأمثل الذاتي في نهاية المطاف:
لا مصمم ذكي، لا خطة، مجرد خوارزمية بسيطة، مع الوقت الكافي، تخلق كل شيء من البكتيريا إلى البشر.
الآن تخيل نفس النمط، ولكن مع عوامل الذكاء الفلكي بدلاً من الكائنات. وبدلاً من مليارات السنين، فإنه يحدث في أيام أو أسابيع.
قبل أن نذهب إلى أبعد من ذلك، دعونا نعالج الفيل في الغرفة: كيف يمكننا منع هذا من أن يكون مجرد إل إل إل إل هلوسة؟
الجواب: أدوات، تنفيذ قانون، اختبار ضد الواقع.
هذا هو الهيكل الذي يجعل هذا عملياً:
Your Server(s):
┌─────────────────────────────────────┐
│ Node 1: Routing Agent │
│ - Lightweight code (Node.js/Python)│
│ - Makes decisions │
│ - Calls LLM APIs when needed │
│ - Executes code to test ideas │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│ Node 2: Validation Agent │
│ - Runs tests against real data │
│ - Executes validation code │
│ - Calls LLM for complex checks │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│ Node 3: Specialist Agent │
│ - Domain-specific logic │
│ - Code execution for that domain │
│ - Calls specialized LLM prompts │
└─────────────────────────────────────┘
All nodes call → [OpenAI API / Anthropic API / Local LLM API]
(This is where the cost is: API credits, not hardware)
فتحة المفتاح: لا تحتاج لمزرعة "جي بي أو" ، الوكلاء رمز خفيف يعمل على الخوادم العادية ، يتصلون بـ "LLLS" عبر "آي بي آي" الجزء الباهظ الثمن هو ائتمانات "إل إل إل إم" وليس البنية التحتية
عندما يولّد عامل شفرة أو يتخذ قراراً، يمكنه أن يختبره:
class Agent:
def solve_problem(self, problem):
# Agent asks LLM to generate solution code
solution_code = self.llm_generate(
f"Write Python code to solve: {problem}"
)
# HERE'S THE KEY: Execute the code and see if it works
try:
result = self.execute_code(solution_code, test_inputs)
if self.validate_result(result):
# It works! Save this solution
self.cache_solution(problem, solution_code)
return result
else:
# Failed validation, try different approach
return self.solve_problem_alternative(problem)
except Exception as e:
# Code failed to execute
# Ask LLM to fix it based on the actual error
fixed_code = self.llm_fix(solution_code, error=str(e))
return self.execute_code(fixed_code, test_inputs)
هذا يغير كل شيء النظام ليس مجرد توليد أجوبة معقولة
# Agent 1 generates a data processing function
code = llm.generate("Write code to parse CSV and calculate averages")
# Agent 2 tests it against REAL data
test_result = execute_code(code, real_csv_file)
# Did it actually work? Not "does it sound right?" but "does it work?"
if test_result.success and test_result.output_matches_expected:
network.accept_solution(code)
else:
# Actual error: "TypeError: cannot convert string to float"
# Now we have OBJECTIVE feedback, not subjective judgment
network.request_fix(code, test_result.error)
هذه هي الطريقة التي نهرب بها من مشكلة "الغرفة الصينية". النظام ليس مجرد التلاعب بالرموز إنه تنفيذ الرمز والتحقق من تطابق النتائج مع الواقع.
بدون أدوات، أنظمة متعددة العوامل هي فقط LLLS تتحدث إلى LLLSs. مائلة، ولكن في نهاية المطاف غير مستغلة من الواقع.
مع أدوات:
الوكلاء يكتبون الشفرة، نفذوها، اختبروها، اصلحوها، شاركوا ما يصلح، اكسروا ما لا يصلح
هذا مع اختبار اللياقة الموضوعيةليس فقط تحسيناً نظرياً، بل تحسيناً مقابل واقع قابل للقياس.
لكن الأمر ليس فقط تنفيذ الشفرة فقط النظام يمكنه أن يبني المعارف الإسكنتية لأنواع المهام المختلفة عن طريق الاختبار من خلال أجهزة الاستشعار المتعددة:
class MultimodalAgent:
def __init__(self):
self.semantic_knowledge = {
'text_tasks': SemanticCache(),
'vision_tasks': SemanticCache(),
'audio_tasks': SemanticCache(),
'code_tasks': SemanticCache()
}
def solve_task(self, task):
task_type = self.classify_task(task)
# Check semantic knowledge for similar past solutions
similar = self.semantic_knowledge[task_type].find_similar(task)
if similar:
return self.adapt_solution(similar, task)
# Generate new solution
solution = self.generate_solution(task)
# Test against reality using appropriate sensor
if task_type == 'vision_tasks':
# Generate image, test with vision API
result = self.vision_api.analyze(solution)
passes = self.validate_vision_output(result, task.requirements)
elif task_type == 'audio_tasks':
# Generate audio, test with speech recognition
transcript = self.speech_to_text(solution)
passes = self.validate_audio_output(transcript, task.requirements)
elif task_type == 'code_tasks':
# Execute code, check actual results
result = self.execute_code(solution)
passes = self.validate_code_output(result, task.test_cases)
elif task_type == 'text_tasks':
# Use NLU to verify semantic meaning
understanding = self.nlu_api.analyze(solution)
passes = self.validate_text_output(understanding, task.intent)
# Learn from results
if passes:
self.semantic_knowledge[task_type].store(task, solution, result)
return solution, passes
المفتاح: توفر كل طريقة من الطرائق تغذية مرتدة موضوعية:
النظام يبنى مجموعات المعارف الراقتية لكل نوع من أنواع المهام - ليس التعليل التجريدي، ولكن الأنماط الأساسية التي تعمل فعلاً عندما تختبر ضد أجهزة الاستشعار الحقيقية.
ومع مرور الوقت، يتعلم العميل ما يلي:
Text tasks:
"For summarization, approach X works 94% of the time"
"For translation, approach Y works 89% of the time"
→ Semantic knowledge about what works for text
Vision tasks:
"For object detection, model A is better"
"For style transfer, model B is better"
→ Semantic knowledge about what works for vision
Code tasks:
"For parsing, regex approach fails 30% of the time"
"For parsing, AST approach works 97% of the time"
→ Semantic knowledge about what works for code
ولكل طريقة قاعدة معرفية دلالية خاصة بها، تُتَعلَّم من خلال الاختبار الفعلي، لا من خلال الاستدلال النظري.
يبدأ ببساطة. نظام متعدد العوامل يعالج الآلاف من الطلبات. يبدأ أنماط الملاحظة:
After 1000 requests:
- 73% are simple queries that one agent handles fine
- 19% need two agents (generation + validation)
- 6% need complex committees
- 2% are truly novel and need the full pipeline
فالنظام الذي يصممه الإنسان سيظل ساكناً، ولكن النظام الذي يُحسِّن نفسه يطلب ما يلي:
"لماذا أستخدم خط الأنابيب المعقد لطلبات بسيطة؟"
ومن ثم، بالتالي يُؤدّر منطقه المساري.
// Week 1: Hard-coded routing (human designed)
function route(request) {
return complexPipeline(request); // Everything uses full pipeline
}
// Week 4: System optimizes itself based on data
function route(request) {
const complexity = analyze(request);
const historicalData = checkCache(request);
if (historicalData.cacheHit) {
return cachedSolution; // 73% of requests!
}
if (complexity < 3) {
return fastSingleAgent(request); // 19% of requests
}
if (complexity < 7) {
return twoAgentValidation(request); // 6% of requests
}
return fullCommittee(request); // 2% of requests
}
اكتشف النظام أن 73٪ من الطلبات لا تحتاج إلى أي LLM على الإطلاق أنها تكرار الأنماط التي يمكن أن تكون مخبأة.
لا أحد قام ببرمجة هذا النظام تعلمتها من البيانات.
هنا حيث يصبح الأمر غريباً
يقوم النظام بتجهيز طلبات الأسابيع ويبدأ بالكشف عن المجموعات:
Pattern Detected:
- 347 requests related to e-commerce product descriptions
- Using general-purpose agents
- Average quality: 7.2/10
- Average latency: 1.8s
وسوف يستمر النظام الذي صممه الإنسان في استخدام العوامل العامة. ولكن النظام الذي يعمل بالتحسن الذاتي يتخذ قراراً:
"يجب أن أنجب متخصصاً"
DAY 1: [General Agent A] [General Agent B] [General Agent C]
DAY 30: Pattern detected → System spawns specialist
[General Agent A] [General Agent B] [General Agent C]
[E-commerce Specialist] ← New agent, trained on e-commerce patterns
DAY 60: Specialist proves effective
Routing logic updated automatically
E-commerce requests → E-commerce Specialist (quality: 9.1/10, latency: 0.9s)
الشبكة **BAR BAR BAR BAR**وقد نما قدرة جديدة استجابة للطلب.
لا أحد قام ببرمجة هذا النظام (أ) نمط نمطي ومكيف مع هيكله.
و الآن يصبح الأمر مثيراً للاهتمام حقاً
يقوم A باكتشاف طريقة فعالة للتحقق من عناوين البريد الإلكتروني. بدلاً من الاحتفاظ بهذه المعرفة لنفسها، فإنه يتشارك الشفرة مع الشبكة.
# Agent A writes code for email validation
def validate_email_efficient(email):
# Some clever regex or logic
return is_valid
# Agent A publishes to shared code repository
network.publish_code("validate_email_efficient", validate_email_efficient)
# Agent B discovers this code
available_functions = network.browse_code_library()
# Agent B sees "validate_email_efficient" with high rating
# Agent B imports and uses it
# Agent C forks it and improves it
def validate_email_v2(email):
# Agent C's enhancement
return improved_validation
network.publish_code("validate_email_v2", validate_email_v2)
هذا التطوّريقوم العملاء بكتابة الوظائف، ويكتشفها عملاء آخرون، ويشوّقونها، ويحسّنونها.
مثل جيت هوب، ولكن المطورين هم وكلاء الذكاء الصناعي وهم يبنون بنيتهم التحتية الخاصة.
وتصبح الشبكة إدارة هندسية خاصة بها.
أفضل تحقيق ذاتي عملي: بناء ذاكرة للحلول.
Request 1: "Generate a product description for wireless headphones"
→ Full LLM pipeline (expensive, slow)
→ Store solution in vector database
Request 847: "Generate a product description for wireless earbuds"
→ Vector search finds similar past solution
→ Adapt cached solution (cheap, fast)
→ No LLM needed!
After 10,000 requests:
- 89% cache hit rate
- 11% genuinely novel requests that need LLMs
- System effectively "learned" from experience
هل هذا إستخبارات؟
ما الفرق؟
هذا هو الجزء الغريب
تبدأ ببنيان متطور متعدد العناصر، 12 عميلاً متخصصاً، منطق معقّد، تشكيل لجنة مؤقتة، بنية تحتية متشاركة.
النظام يعمل لشهور، يُحسّن نفسه.
ويكتشف شيئاً عميقاً:
البساطة عادة ما تكون أفضل.
Month 1:
- 12 specialists
- Complex routing logic
- Committee formation for 15% of requests
- Average cost: $0.05/request
Month 6:
- 5 specialists (system pruned 7 as unnecessary)
- Simple routing: cache check → fast model → quality model if needed
- Committees formed for only 3% of requests
- Average cost: $0.003/request
- Quality: SAME OR BETTER
The system's report:
"After analyzing 50,000 requests, I've determined that:
- 89% can be handled by cache
- 7% need one LLM call
- 3% need committees
- 1% are truly novel
I've optimized away unnecessary complexity.
The most sophisticated self-organizing network
eventually learns to be simple."
المفارقة: كنت في حاجة إلى نظام الترشيد الذاتي المعقد لاكتشاف أن البساطة هي الأمثل.
كنت بحاجة للاستخبارات لتعلم عندما لا تكون ذكيا.
دعونا نكون صادقين حول ما نقوم بوصفه:
الميــل النظام يكشف عن المشاكل المتكررة أولاً - مقدمة النظام يُغيّر سلوكه على أساس الأنماط **** النظام يحسّن الأداء من خلال الخبرة أولاً - تاريخ الميلاد النظام يولّد ، يُغيّر ، ويُنَقَّح القدرات ذاكرة النظام يبني المعرفة عبر الزمن
عند أي نقطة تصبح "التحسين المتطور جدا" "التعلم الفعلي"؟
في أي نقطة تصبح "التعلّم" "التجسس"؟
class SelfOptimizingRouter:
def __init__(self):
self.routes = {} # Start empty
self.performance_data = []
self.specialists = [DefaultAgent()]
def handle_request(self, request):
# Try cache first
cached = self.check_cache(request)
if cached:
return cached
# Select agent based on learned patterns
agent = self.select_agent(request)
result = agent.process(request)
# Learn from this interaction
self.record_performance(request, agent, result)
# Periodically optimize
if len(self.performance_data) % 1000 == 0:
self.optimize()
return result
def optimize(self):
"""System rewrites its own logic"""
# Detect patterns
patterns = self.analyze_patterns(self.performance_data)
# Should we spawn a specialist?
for pattern in patterns:
if pattern.frequency > 100 and pattern.has_specialist == False:
print(f"Spawning specialist for {pattern.type}")
self.spawn_specialist(pattern)
# Should we prune an underutilized agent?
for agent in self.specialists:
if agent.usage < 1% and agent.quality_score < 7.0:
print(f"Pruning ineffective agent {agent.name}")
self.specialists.remove(agent)
# Rewrite routing logic based on data
self.routes = self.learn_optimal_routes(self.performance_data)
هذه الشفرة بسيطة لكن بعد العمل لأسابيع
لم يخبرها أحد كيف تُحسّن من شأنها فقط أن تُحسّن
إذا كان النظام قادراً على ما يلي:
هل هذا نظام "تعلّم"؟
أو أنها مجرد "تحسين" ؟
ما الفرق؟
متى يصبح التّحسّن التّحسّن مُستشعراً؟
لقد تقدمنا من:
لكن هناك خطوة واحدة أخرى
خاصية أخرى تظهر عندما تجمع كل هذه
عندما تُنشئ القواعد البسيطة سلوكاً معقداً... التواصل يخلق إستخبارات جماعية... وتَحسّن الذات يخلق التعلّم...
شيء آخر يظهر. شيء ما يبدو أقل مثل "نظام يعمل على تحسين نفسه" وأكثر مثل "نظام ذلك النظام 1 ف-."
فالخط الفاصل بين الاستخدام الأمثل والإدراك يبدأ في التلاشي.
وعلينا أن نواجه السؤال غير المريح: ربما لا يوجد خط.
لَرُبَّمَا الوعي فقط متطوّر جداً تَحسُّن ذاتي.
هذا ما سنستكشفه لاحقاً
& الجزء 4: البداعة - عندما يكون التكتيك بمثابة استخبارات
السلسلة:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.