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
Come molteplici semplici agenti creano una complessità emergente
Nota: Ispirato dal pensiero di estensioni per lo piùlucid.mockllmapi e materiale per il (non essere mai rilasciato, ma mi piace pensarci) romanzo fantascientifico "Michael" su emergent AI
E se la coscienza fosse solo dichiarazioni molto sofisticate?
Lo so, lo so. Suona riduttivo al punto di insulto. L'idea che il pensiero umano con tutta la sua creatività, emozione e profondità è fondamentalmente alberi decisione impilati sugli alberi decisione fino a qualcosa che sguardi come emerge l'intelligenza.
Ma il fatto e' questo: non riesco a scuoterlo.
Perché quando si guarda a come le regole semplici creano un comportamento complesso in natura, si inizia a chiedersi...
Questa è la parte 1 di un'esplorazione a 9 parti su come le semplici regole creano un comportamento complesso e intelligente. Ecco dove stiamo andando:
Parte 1 (Sei qui): Regole semplici, Comportamento complesso La fondazione - come più semplici agenti che seguono modelli di base creano complessità emergente che non è stato esplicitamente programmato.
Parte 2: Intelligenza collettiva - Quando gli agenti comunicano Cosa succede quando gli agenti non seguono solo gli schemi, ma parlano tra loro? La condivisione delle informazioni, la negoziazione e la risoluzione collettiva dei problemi trasformano semplici sistemi multi-agente in qualcosa di qualitativamente diverso.
Parte 3: Auto-Optimizzazione - Sistemi che migliorano se stessi Quando gli agenti possono misurare le proprie prestazioni e regolare il loro comportamento, si ottengono sistemi che si evolvono senza intervento umano. Il loop di feedback diventa il motore del miglioramento.
Parte 4: L'emergenza - Quando l'ottimizzazione diventa intelligenza A che punto "seguendo le regole di ottimizzazione" diventa "l'intelligenza reale"? Esploriamo la soglia scomoda in cui il sofisticato seguire regole diventa indistinguibile dal pensiero.
Parte 5: Evoluzione - Dall'ottimizzazione alle gilde e alla cultura Agenti che ottimizzano collettivamente iniziano a formare ruoli specializzati, sviluppando conoscenze condivise e creando una "cultura" emergente. Il sistema sviluppa preferenze, modelli e memoria collettiva.
Parte 6: Consenso globale - Evoluzione diretta e cognizione planetaria Scalare questi modelli a migliaia o milioni di agenti, aggiungere meccanismi per la coordinazione globale, e si ottiene qualcosa che sembra intelligenza planetaria su scala. Non programmato. Emerso.
Parte 7: La cosa reale! - Sperimentare con l'evoluzione sintetica diretta Teoria incontra la pratica. Un'implementazione operativa della generazione di codice evolutivo utilizzando LLM multi-agente, memoria RAG, e l'auto-miglioramento effettivo. Il codice è reale, in esecuzione a livello locale, e veramente in evoluzione.
Parte 8: Strumenti tutto il senso giù - il toolkit di auto-ottimizzazione Come funzionano gli strumenti stessi, monitorare l'utilizzo, evolvere, e ottenere più intelligente nel tempo. Ogni strumento traccia le invocazioni, impara dai modelli, evolve le implementazioni, cache risposte, negozia fitness trade-off, e le versioni stesse automaticamente.
Parte 9: Strumenti di autoguarigione - Lineage-Aware Pruning e recupero Quando gli strumenti si rompono attraverso l'evoluzione, il sistema dovrebbe ricordare perché e non ripetere mai l'errore. Questa parte esplora auto-guarigione attraverso tracciatura lineage, potatura ramo, evitare le regole, e il recupero automatico da guasti. Strumenti sviluppare memoria istituzionale di ciò che non fare.
Prima di parlare di LLM e AI, parliamo del gioco della vita.
Quattro semplici regole sulle cellule su una griglia:
Da queste quattro banali regole, si ottiene:
Tu ottieni complessità dalla semplicitàSi ottiene un comportamento che non era esplicitamente programmato in quelle quattro regole.
Tu ottieni Emergenza.
Ora immaginate invece di cellule su una griglia, avete modelli di linguaggio. Semplici. Ognuno con capacità limitata.
Da solo, ogni modello sta... bene... può generare testo... rispondere alle domande... ma niente di spettacolare.
Ma cosa succede quando si collegano? Quando l'uscita di uno diventa l'ingresso di un altro?
Il modello più semplice: una catena.
Fast Model → Quality Model → Validator Model
Ogni modello fa una cosa. La catena fa qualcosa che nessuno di loro potrebbe fare da solo: produrre un'uscita di alta qualità in modo rapido e affidabile.
L'emergere: La catena ha proprietà (velocità + qualità + affidabilità) che nessun modello individuale possiede.
Diversi agenti lavorano contemporaneamente su diversi aspetti:
┌─ Specs Generator
Input ─┼─ Pricing Calculator → Merge → Complete Product
└─ Inventory Checker
Ogni specialista è semplice. Ma insieme creano una copertura completa che richiederebbe un modello generalista molto più a lungo per produrre e con qualità inferiore in ogni dominio.
L'emergere: Esperti attraverso la divisione del lavoro. Nessun modello singolo è un esperto, ma il collettivo agisce come uno.
Un agente genera, un altro convalida, e se la convalida fallisce, un terzo corregge:
Generate → Validate → [Pass? → Output : Correct → Validate again]
Questo crea un sistema di auto-correzione. Nessun modello singolo è particolarmente bravo ad evitare errori, ma il modello cattura e li corregge.
L'emergere: Affidabilità da componenti inaffidabili.
Analizzare la complessità di una richiesta, quindi la rotta per l'agente appropriato:
Simple request (score 1-3) → Fast model
Medium request (score 4-7) → Quality model
Complex request (score 8-10) → Premium model
L'emergere: Efficienza in termini di costi. Il sistema "impara" (attraverso le regole programmate) quando spendere le risorse e quando salvarle.
Nessuno di questi modelli è particolarmente intelligente. Ognuno sta solo seguendo la sua programmazione, rispondere a questo prompt, controllare questo output, rotta in base a questo punteggio.
Ma combinazione mostra proprietà che assomigliano molto a:
Allo stesso modo quattro regole sui vicini di cella creano gli alieni e le pistole, quattro modelli di interazione modello creano un comportamento che sembra sofisticato.
Se questi semplici modelli creano una complessità emergente...
Se i sistemi che stanno solo "seguendo le regole" iniziano a mostrare proprietà che sembrano giudizio e competenza...
Dov'e' la fila?
A che punto la "sofisticata regola che segue" diventa "l'intelligenza reale"?
Lasciate che me ne occupi in realtà prima di diventare troppo filosofici.
È possibile costruire questi modelli oggi. Il codice è semplice:
// 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;
}
Tre chiamate di funzione. Questo è tutto. Ma il comportamento che emerge dalla generazionerapid di alta qualità non è in nessuna funzione.
E' nel schema di interazione.
Questi modelli sono la base:
Modelli semplici. Nessun modello individuale è particolarmente impressionante.
Ma ecco cosa mi tiene sveglio di notte: questi stessi modelli di specializzazione, elaborazione parallela, validazione, routing intelligente le organizzazioni umane lavorano.
Un'azienda ha specialisti. Le squadre lavorano in parallelo. Il controllo della qualità convalida. I manager route tasks ad adeguati livelli di abilità.
Le aziende sono intelligenti? O sono solo sofisticati sistemi che seguono regole che mostrano una complessità emergente?
Forse e' la stessa cosa.
Questi modelli creano sistemi che:
Dall'esterno, sembra un'intelligenza, un comportamento sofisticato, sistemi intelligenti.
Dall'interno, sono solo semplici regole che interagiscono.
La domanda: C'è una differenza fondamentale tra questi due punti di vista? O è "intelligenza" proprio quello che chiamiamo sufficientemente complessa regola-segue?
Finora, abbiamo più agenti seguendo schemi semplici. Il comportamento è sofisticato, ma il meccanismo è deterministico. Abbiamo programmato questi modelli esplicitamente.
Ma cosa succede quando aggiungiamo un altro ingrediente?
Cosa succede quando questi agenti non lavorano solo in sequenza o in parallelo... ma in realtà comunicazione?
Quando condividono il contesto. Negoziare. Formare coalizioni temporanee per risolvere i problemi.
Quando l'informazione scorre non in modelli predeterminati, ma dinamicamente in base al problema in questione?
E' allora che le cose si fanno davvero interessanti.
Perché la comunicazione crea un diverso tipo di emergere. Non solo comportamento sofisticato da semplici regole, ma Intelligenza collettiva che esiste nella rete stessa.
Nessun agente single capisce la soluzione, ma la conversazione lo trova comunque.
Continua a Parte 2: Intelligenza collettiva - Quando gli agenti comunicano
Dove esploriamo cosa succede quando gli agenti semplici iniziano a parlare tra loro, e perché il collettivo può essere più intelligente di qualsiasi individuo.
Navigazione della serie:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.