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
Comment plusieurs agents simples créent une complexité émergente
Remarque: Inspiré par la réflexion sur les extensions à principalementlucid.mockllmapi et le matériel pour le (jamais à sortir mais j'aime y penser) roman sci-fi "Michael" sur l'IA émergente
Que faire si la conscience est juste des déclarations très sophistiquées si-alors?
Je sais, je sais. Cela semble réducteur au point d'insulter. L'idée que la pensée humaine – avec toute sa créativité, son émotion et sa profondeur – est fondamentalement juste des arbres de décision empilés sur des arbres de décision jusqu'à quelque chose qui regarde comme l'intelligence émerge.
Mais voilà le truc : je ne peux pas le secouer.
Parce que quand on regarde comment des règles simples créent un comportement complexe dans la nature, on commence à se demander...
C'est la première partie d'une exploration en 9 parties de la façon dont des règles simples créent un comportement complexe et intelligent. Voici où nous allons :
Partie 1 (Vous êtes ici): Règles simples, Comportement complexe La fondation - comment plusieurs agents simples suivant des modèles de base créent une complexité émergente qui n'était pas explicitement programmée.
Partie 2 : Renseignements collectifs - Quand les agents communiquent Que se passe-t-il lorsque les agents ne suivent pas seulement les modèles, mais se parlent réellement? Le partage d'information, la négociation et la résolution collective de problèmes transforment des systèmes simples multi-agents en quelque chose de qualitativement différent.
Partie 3 : Auto-optimisation - Systèmes qui s'améliorent eux-mêmes Lorsque les agents peuvent mesurer leurs propres performances et ajuster leur comportement, vous obtenez des systèmes qui évoluent sans intervention humaine. La boucle de rétroaction devient le moteur de l'amélioration.
Partie 4: L'émergence - Quand l'optimisation devient l'intelligence À quel moment « suivre les règles d'optimisation » devient-il une « intelligence réelle » ? Nous explorons le seuil inconfortable où le suivi des règles sophistiquées devient indissociable de la pensée.
Partie 5 : L'évolution - De l'optimisation aux guildes et à la culture Les agents qui optimisent collectivement commencent à former des rôles spécialisés, à développer des connaissances partagées et à créer une « culture » émergente. Le système développe des préférences, des modèles et une mémoire collective.
Partie 6 : Consensus mondial - Évolution dirigée et cognition planétaire Élargissez ces modèles à des milliers ou des millions d'agents, ajoutez des mécanismes pour la coordination mondiale, et vous obtenez quelque chose qui ressemble à de l'intelligence à l'échelle planétaire.
Partie 7: La vraie chose! - Expérimenter avec l'évolution synthétique dirigée Théorie rencontre la pratique. Une mise en œuvre opérationnelle de la génération de code évolutionnaire en utilisant des LLM multi-agents, la mémoire RAG, et l'auto-amélioration réelle. Le code est réel, fonctionnant localement, et vraiment en évolution.
Partie 8: Outils Tout le chemin vers le bas - La boîte à outils auto-optimisante Chaque outil suit les invocations, apprend des modèles, évolue les implémentations, cache les réponses, négocie les compromis de fitness, et les versions elles-mêmes automatiquement.
Partie 9: Outils d'auto-guérison - Taille et récupération des logiciels de lignage Lorsque les outils se brisent à travers l'évolution, le système doit se rappeler pourquoi et ne jamais répéter l'erreur. Cette partie explore l'auto-guérison par le suivi de ligne, la taille des branches, les règles d'évitement, et la récupération automatique des échecs.
Avant de parler des LLM et de l'IA, parlons du jeu de la vie.
Quatre règles simples sur les cellules sur une grille :
De ces quatre règles insignifiantes, vous obtenez:
C'est toi qui l'auras. complexité par rapport à la simplicitéTu as un comportement qui n'était pas explicitement programmé dans ces quatre règles.
C'est toi qui l'auras. émergence.
Maintenant imaginez au lieu de cellules sur une grille, vous avez des modèles de langage. Simples. Chacune avec une capacité limitée.
Seul, chaque modèle est... parfait. Il peut générer du texte. Répondez aux questions. Mais rien de spectaculaire.
Mais que se passe-t-il lorsque vous les connectez? Quand la sortie de l'un devient l'entrée à l'autre?
Le motif le plus simple : une chaîne.
Fast Model → Quality Model → Validator Model
Chaque modèle fait une chose. La chaîne fait quelque chose qu'aucun d'entre eux ne pourrait faire seul: produire une production de haute qualité rapidement et de manière fiable.
L'émergence : La chaîne a des propriétés (vitesse + qualité + fiabilité) qu'aucun modèle individuel ne possède.
Différents agents travaillent simultanément sur différents aspects:
┌─ Specs Generator
Input ─┼─ Pricing Calculator → Merge → Complete Product
└─ Inventory Checker
Chaque spécialiste est simple. Mais ensemble, ils créent une couverture complète qui prendrait un modèle généraliste beaucoup plus longtemps à produire – et avec une qualité inférieure dans chaque domaine.
L'émergence : Expertise par la division du travail. Aucun modèle unique n'est un expert, mais les actes collectifs comme un seul.
Un agent génère, un autre valide, et si la validation échoue, un troisième corrige :
Generate → Validate → [Pass? → Output : Correct → Validate again]
Cela crée un système d'auto-correction. Aucun modèle n'est particulièrement bon pour éviter les erreurs, mais le modèle capture et les corrige.
L'émergence : Fiabilité à partir de composants peu fiables.
Analyser la complexité d'une demande, puis l'acheminement vers l'agent approprié :
Simple request (score 1-3) → Fast model
Medium request (score 4-7) → Quality model
Complex request (score 8-10) → Premium model
L'émergence : Rentabilité. Le système « apprend » (par des règles programmées) à dépenser des ressources et à les épargner.
Aucun de ces modèles n'est particulièrement intelligent. Chacun suit sa programmation – répondez à cette invitation, vérifiez cette sortie, itinéraire basé sur ce score.
Mais il n'y a pas de combinaison présente des propriétés qui ressemblent beaucoup à:
De la même façon, quatre règles sur les voisins cellulaires créent des planeurs et des canons, quatre modèles d'interaction de modèle créent un comportement qui semble sophistiqué.
Si ces motifs simples créent une complexité émergente...
Si des systèmes qui sont juste "suivant les règles" commencent à montrer des propriétés qui ressemblent à du jugement et de l'expertise...
Où est la ligne ?
À quel moment "suivant les règles sophistiquées" devient-il "l'intelligence réelle" ?
Permettez-moi d'établir cela en réalité avant que nous ne soyons trop philosophiques.
Vous pouvez construire ces modèles aujourd'hui. Le code est simple:
// 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;
}
Trois fonctions appellent. C'est tout. Mais le comportement qui émerge – génération rapide de haute qualité – n'est pas dans une seule fonction.
C'est dans le modèle d'interaction.
Ces modèles sont à la base :
Des modèles simples. Aucun modèle individuel n'est particulièrement impressionnant.
Mais voici ce qui me retient la nuit : ces mêmes modèles – spécialisation, traitement parallèle, validation, routage intelligent – sont comment travail des organisations humaines.
Une entreprise a des spécialistes. Les équipes travaillent en parallèle. Le contrôle de la qualité valide. Les gestionnaires orientent les tâches vers des niveaux de compétence appropriés.
Les entreprises sont-elles intelligentes? Ou sont-elles simplement des systèmes sophistiqués de suivi des règles qui présentent une complexité émergente?
C'est peut-être la même chose.
Ces modèles créent des systèmes qui :
De l'extérieur, ça ressemble à de l'intelligence, un comportement sophistiqué, des systèmes intelligents.
De l'intérieur, c'est juste des règles simples qui interagissent.
La question est la suivante: Y a-t-il une différence fondamentale entre ces deux points de vue? Ou est-ce que "l'intelligence" est exactement ce que nous appelons le suivi de règles suffisamment complexe?
Jusqu'à présent, nous avons plusieurs agents suivant des modèles simples. Le comportement est sophistiqué, mais le mécanisme est déterministe. Nous avons programmé ces modèles explicitement.
Mais que se passe-t-il quand on ajoute un ingrédient de plus ?
Ce qui arrive quand ces agents ne fonctionnent pas simplement en séquence ou en parallèle... mais en fait communiquer?
Quand ils partagent le contexte. Négocier. Former des coalitions temporaires pour résoudre les problèmes.
Lorsque l'information ne circule pas selon des schémas prédéterminés, dynamiquement basé sur le problème à venir?
C'est là que les choses deviennent vraiment intéressantes.
Parce que la communication crée un type différent d'émergence. Pas seulement un comportement sophistiqué à partir de règles simples, mais renseignement collectif qui existe dans le réseau lui-même.
Aucun agent ne comprend la solution, mais la conversation la trouve de toute façon.
Continuer à Partie 2 : Renseignements collectifs - Quand les agents communiquent
Là où nous explorons ce qui se passe lorsque des agents simples commencent à parler entre eux, et pourquoi le collectif peut être plus intelligent que n'importe quel individu.
Navigation des séries:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.