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
Kun järjestelmät alkavat kirjoittaa uudelleen omaa koodiaan
Huomaa: Inspiroinut ajattelemalla laajennuksia lähinnä lucid.mockllmapiin ja materiaalia (ei koskaan julkaista, mutta haluan ajatella sitä) scifi-romaania "Michael" emergentistä tekoälystä
Olemme nähneet yksinkertaisten sääntöjen luovan monimutkaista käyttäytymistä ja viestinnän luovan kollektiivista älykkyyttä.
Nyt otamme askeleen, joka saa minut todella epämukavaksi:
Entä jos järjestelmä pystyisi siihen? kirjoittaa omat sääntönsä uusiksi?
Entä jos agentit voisivat:
Tämä ei ole vain optimointia. Itsekoodaus.
Kun järjestelmän pystyy parantamaan itseään, mihin se loppuu?
Evoluutio on äärimmäinen itsekeskeinen järjestelmä:
Ei älykästä suunnittelijaa, ei suunnitelmaa, vain yksinkertainen algoritmi, joka ajan myötä luo kaiken bakteereista ihmisiin.
Kuvittele nyt samaa kaavaa, mutta tekoälyaineilla eliöiden sijaan, ja miljardien vuosien sijaan se tapahtuu päivissä tai viikoissa.
Ennen kuin menemme pidemmälle, puhutellaan huoneessa olevaa norsua: Miten estämme tämän olemasta puhdas LLM-hallusinaatio?
Vastaus: Työkalut, kooditeloitukset, testaukset todellisuutta vastaan.
Tässä on arkkitehtuuri, joka tekee tästä käytännöllisen:
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)
Avainajatus: GPU-farmia ei tarvita, agentit ovat tavallisilla palvelimilla toimivia kevytkoodisia. He soittavat LLM:ille API:n kautta. Kallis osa on LLM:n krediittejä, ei infrastruktuuria.
Kun tekijä luo koodin tai tekee päätöksen, se voi testata sen:
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)
Tämä muuttaa kaiken. Järjestelmä ei tuota vain uskottavilta kuulostavia vastauksia.
# 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)
Näin pääsemme pois Kiinan huoneen ongelmasta. Järjestelmä ei ole vain symbolien manipulointia, vaan se suorittaa koodin ja tarkistaa, vastaavatko tulokset todellisuutta.
Ilman työkaluja moniagenttiset järjestelmät ovat vain LLM:t, jotka puhuvat LLM:ille. Hienostuneita, mutta lopulta todellisuudesta irrotettuja.
Työkaluilla:
Agentit kirjoittavat koodin, suorittavat sen, testaavat sen, korjaavat sen, jakavat sen, mikä toimii, prune mikä ei toimi.
Tämä on evoluutio objektiivisella kuntotestillä. Ei vain optimointi abstraktissa, vaan optimointi mitattavissa olevaa todellisuutta vastaan.
Se ei ole vain koodin suoritus, vaan järjestelmä voi rakentaa semanttinen tieto eri tehtävätyypeille testaamalla useita antureita:
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
Avain: Jokainen tapa antaa objektiivista palautetta:
Järjestelmä rakentuu Semanttiset tietokokoelmat Kutakin tehtävätyyppiä varten - ei abstraktia päättelyä, vaan pohjakuvioita, jotka oikeasti toimivat, kun niitä testataan todellisilla antureilla.
Ajan myötä agentti oppii:
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
Jokaisessa menetelmässä on oma semanttinen tietopohjansa, joka opitaan todellisilla testauksilla, ei teoreettisella päättelyllä.
Se alkaa yksinkertaisesti. Moniagenttijärjestelmä käsittelee tuhansia pyyntöjä. Se alkaa huomata kuvioita:
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
Ihmisen suunnittelema järjestelmä pysyisi paikallaan, mutta itsekeskeinen järjestelmä kysyy:
"Miksi käytän monimutkaista putkistoa yksinkertaisiin pyyntöihin?"
Ja sitten se Uusii reitityslogiikkaa.
// 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
}
Järjestelmä havaitsi, että 73 prosenttia pyynnöistä ei tarvitse lainkaan LLM:ää – ne ovat toistuvia kuvioita, jotka voidaan piilottaa.
Kukaan ei ohjelmoinut tätä optimointia. oppinut sen datasta.
Tässä kohtaa tilanne muuttuu oudommaksi.
Järjestelmä käsittelee pyyntöjä viikkoja. Se alkaa havaita klustereita:
Pattern Detected:
- 347 requests related to e-commerce product descriptions
- Using general-purpose agents
- Average quality: 7.2/10
- Average latency: 1.8s
Ihmisen suunnittelema järjestelmä jatkaisi yleisagenttien käyttöä, mutta itsekeskeinen järjestelmä tekee päätöksen:
"Minun pitäisi synnyttää spesialisti."
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)
Verkko kehittynytSe kasvatti uutta kykyä vastata kysyntään.
Kukaan ei ohjelmoinut tätä. tunnisti kuvion ja muokkasi sen arkkitehtuuria.
Nyt siitä tulee todella mielenkiintoista.
Agentti A löytää tehokkaan tavan vahvistaa sähköpostiosoitteet. Sen sijaan, että se pitäisi tämän tiedon itsellään, se jakaa koodin verkon kanssa.
# 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)
Tämä on koodin kehitysAgentit kirjoittavat tehtäviä, muut löytävät ne, haarukoivat ja parantavat niitä.
Kuten GitHub, mutta kehittäjät ovat tekoälyagentteja ja rakentavat omaa infrastruktuuriaan.
Verkosta tulee oma ohjelmistotekniikan osastonsa.
Käytännöllisin itseoptimointi: ratkaisujen muistin rakentaminen.
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
Onko tämä älykkyyttä, vai vain hienostunutta välienselvittelyä?
Mitä väliä sillä on?
Tässä on oudoin kohta.
Aloitat kehittyneestä moniagenttisesta arkkitehtuurista, 12 erikoisagenttia, monimutkainen reitityslogiikka, väliaikainen komitean muodostaminen, koodinjakoinfrastruktuuri.
Järjestelmä toimii kuukausia optimoiden itseään.
Ja se löytää jotain syvällistä:
Yksinkertaisuus on yleensä parempaa.
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."
Paradoksi: Tarvitsit monimutkaisen itsekeskeisen järjestelmän huomataksesi, että yksinkertaisuus on optimaalista.
Tarvitsit älykkyyttä oppiaksesi, milloin EI olla älykäs.
Ollaan rehellisiä siitä, mitä kuvailemme:
Kaavantunnistus → Järjestelmä havaitsee toistuvia ongelmia Mukautuminen → Järjestelmä muuttaa käyttäytymistään mallien perusteella Oppiminen → Järjestelmä parantaa suorituskykyä kokemuksen avulla Kehitys → Järjestelmä synnyttää, muokkaa ja karsii kykyjä Muisti → Järjestelmä rakentaa tietoa ajan myötä
Missä vaiheessa "hyvin kehittyneestä optimoinnista" tulee "todellista oppimista"?
Missä vaiheessa "oppimisesta" tulee "älykkyyttä"?
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)
Tämä koodi on yksinkertainen, mutta juoksemisen jälkeen se:
Kukaan ei kertonut sille, kuinka optimoida.
Jos järjestelmä voi:
Onko tuo järjestelmä "oppimista"?
Vai onko se vain "optimoivaa"?
Mitä väliä sillä on?
Milloin optimoinnista tulee kognitio?
Olemme edenneet:
Vielä yksi askel.
Vielä yksi kiinteistö, joka syntyy, kun nämä kaikki yhdistetään.
Kun yksinkertaiset säännöt luovat monimutkaista käyttäytymistä... Ja viestintä luo kollektiivista älykkyyttä... Itseoptimointi luo oppimista...
Tulee esiin jotain muuta, joka näyttää vähemmän "järjestelmältä, joka optimoi itsensä" ja enemmänkin "järjestelmältä, joka ymmärtää."
Optimoinnin ja tietoisuuden raja alkaa hämärtyä.
Ja meidän on vastattava epämukavaan kysymykseen: ehkä mitään rajaa ei ole.
Ehkä tietoisuus on vain hyvin kehittynyttä itseoptimointia.
Sitä tutkimme seuraavaksi.
Jatka Osa 4: Emergence - Kun optimoinnista tulee älyä
Sarjanavigointi:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.