MiroFish: เมื่อ AI สร้าง 'โลกจำลอง' หลายพันชีวิตเพื่อทำนายอนาคต

เมื่อวันที่ 13 มีนาคม 2025 โปรเจกต์ชื่อแปลกๆ ชื่อ MiroFish ขึ้นอันดับ 1 บน GitHub Trending — แซงหน้า repositories จากบริษัทเทคโนโลยีระดับโลกที่มีทีมนับร้อยคน สิ่งที่ทำให้ทุกคนหันมามองคือเบื้องหลังโปรเจกต์นี้มีคนเพียงคนเดียว นักศึกษาอายุ 20 ปีจากมหาวิทยาลัยในปักกิ่ง ที่สร้างทุกอย่างภายในเวลาแค่ 10 วัน

Guo Zhenni (郭镇溢) ตอนนั้นเป็นนักศึกษาปี 3 จาก Beijing University of Posts and Telecommunications เขาไม่ได้เขียนโค้ดทุกบรรทัดเอง แต่ใช้แนวทางที่เรียกว่า "Vibe Coding" — เขียนโค้ดไปตาม feel โดยมี AI ช่วยเขียน ช่วย debug ช่วยออกแบบ architecture ทั้งหมด ผลลัพธ์คือ platform ที่สร้าง "สังคมจำลอง" ของ AI agents ที่มีบุคลิก มีความทรงจำ มีความคิดเห็นเป็นของตัวเอง แล้วปล่อยให้พวกมันโต้ตอบกันจนเกิด prediction ที่สามารถทำนายพฤติกรรมของคนจริงได้ Vibe Coding เป็นแนวคิดที่ Andrej Karpathy อดีต head ของ AI ที่ Tesla เป็นคนตั้งชื่อ — หลักการคือไม่ต้องเข้าใจทุก line of code แค่บอก AI ว่าต้องการอะไร ตรวจผลลัพธ์ แล้ว iterate ไปเรื่อยๆ Guo ใช้วิธีนี้สร้าง MiroFish จากศูนย์โดยไม่มี formal software engineering training ที่ลึก

ภายใน 24 ชั่วโมงหลัง demo ครั้งแรก Chen Tianqiao (陈天桥) ผู้ก่อตั้ง Shanda Group และอดีตมหาเศรษฐีอันดับ 1 ของจีน ตัดสินใจลงทุน 30 ล้านหยวน — ราว 135 ล้านบาท หรือ ~$4.1M USD — เพื่อ incubate โปรเจกต์นี้ทันที Guo เปลี่ยนจากนักศึกษาฝึกงานเป็น CEO ข้ามคืน Repository กวาด stars ไปกว่า 32,000+ stars บน GitHub ในเวลาไม่กี่สัปดาห์ กลายเป็น open-source project จากจีนที่ viral ที่สุดของต้นปี 2025

แต่เรื่องที่น่าสนใจกว่าตัวเลขดาว หรือเงินทุน คือ วิธีคิด เบื้องหลัง MiroFish ที่เขาเรียกว่า "Super-Individual" — แนวคิดที่ว่าคน 1 คนทำงานร่วมกับ AI ได้เท่ากับทีม 10 คนในอดีต Guo พิสูจน์มันด้วยตัวเอง เขาไม่ได้มีทีม engineer ไม่ได้มี PM ไม่ได้มี designer ทุกอย่างคือ 1 คน + AI ผลลัพธ์คือ prediction engine ที่ใช้ Swarm Intelligence ซึ่งต่างจาก AI ทำนายทั่วไปอย่างสิ้นเชิง

ปฏิกิริยาจากวงการ AI ก็น่าสนใจ — มีทั้งคนที่ตื่นเต้นว่านี่คือ paradigm ใหม่ของ AI prediction และคนที่ตั้งคำถามว่า "simulation ที่ขับเคลื่อนด้วย LLM มันจะ reliable ได้จริงหรือ? LLM เอง hallucinate ยังเลย จะเอามาทำนายอนาคตได้ไง?" ซึ่งเป็นคำถามที่สมเหตุสมผลมาก และเราจะพูดถึงเรื่องนี้อย่างตรงไปตรงมาในบทความนี้ด้วย

บทความนี้จะเล่าว่า MiroFish ทำงานยังไง ใช้ทำอะไรได้บ้าง จุดแข็ง-จุดอ่อนอยู่ตรงไหน และทำไมนักพัฒนาในไทยควรสนใจ — แม้จะไม่ได้ใช้ MiroFish โดยตรงก็ตาม เราจะพยายามแยกแยะให้ชัดว่าอะไรคือ innovation จริง อะไรคือ hype และอะไรคือข้อจำกัดที่ต้องรู้ก่อนเอาไปใช้

MiroFish คืออะไร — แล้วทำไมมันถึงต่างจาก AI Prediction ทั่วไป?

AI prediction ส่วนใหญ่ทำงานแบบ top-down — ป้อนข้อมูลเข้าไป โมเดลวิเคราะห์ pattern แล้วพ่น probability ออกมา เช่น "ความน่าจะเป็น 73% ที่หุ้น XYZ จะขึ้น" หรือ "sentiment เชิงลบ 68%" วิธีนี้ใช้ได้ดีกับข้อมูลที่มี pattern ชัดเจน แต่มันมีจุดบอดใหญ่: มันไม่ได้ model ว่า คนจะตอบสนองต่อปฏิกิริยาของคนอื่นยังไง ซึ่งเป็นสิ่งที่กำหนดผลลัพธ์จริงของวิกฤตสาธารณะ กระแส social media หรือพฤติกรรมตลาดการเงิน

MiroFish เลือกวิธีตรงข้าม — แบบ bottom-up มันไม่ได้ถาม "อะไรจะเกิดขึ้น?" แต่มันสร้าง "โลกจำลอง" ที่มี AI agents หลายพันตัว แต่ละตัวมีบุคลิก มีความทรงจำ มีจุดยืนทางความคิดเป็นของตัวเอง แล้วปล่อยให้พวกมันโต้ตอบกันบนแพลตฟอร์มคล้าย social media — โพสต์ แชร์ เถียง เปลี่ยนใจ สร้างกลุ่มพันธมิตร หรือแม้แต่ต่อต้านกัน ผลลัพธ์ที่ "เกิดขึ้นเอง" (emergent outcomes) คือสิ่งที่ MiroFish ใช้ทำนายว่าจะเกิดอะไรขึ้นในโลกจริง

วิธีคิดนี้มีชื่อเรียกทางวิชาการว่า Swarm Intelligence (ปัญญาฝูง) — แนวคิดที่ว่าพฤติกรรมซับซ้อนเกิดจากการรวมตัวของ agents จำนวนมากที่ต่างคนต่างตัดสินใจ ไม่มีใครสั่ง ไม่มี central authority แต่ patterns ที่เกิดขึ้นจาก interaction ของพวกมันมี predictive power ที่น่าสนใจมาก เหมือนฝูงปลาที่ไม่มีตัวไหนเป็นหัวหน้า แต่ทั้งฝูงเคลื่อนที่เป็นรูปทรงซับซ้อนได้ — นี่คือที่มาของชื่อ "MiroFish" ด้วย แนวคิด Swarm Intelligence ไม่ใช่เรื่องใหม่ — นักวิจัยศึกษามันมาตั้งแต่ทศวรรษ 1990 ในบริบทของ ant colony optimization และ particle swarm optimization แต่สิ่งที่ใหม่คือการใช้ LLM เป็น "สมอง" ของแต่ละ agent แทนที่จะเป็นแค่ rule-based decision ทำให้ agents สามารถ "เข้าใจ" context และ "คิด" ได้ในระดับที่ agent-based simulation ยุคก่อนทำไม่ได้

ลองนึกภาพเกม SimCity — แต่แทนที่ NPC จะเดินไปมาตาม script ที่เขียนไว้ ทุกตัวมีบุคลิกเฉพาะ มีความทรงจำ มีความคิดเห็น และเถียงกันได้ พวกมันโพสต์ข้อความ แชร์ความเห็น เปลี่ยนใจ สร้างกลุ่มพันธมิตร หรือแม้แต่ต่อต้านกัน — ทั้งหมดนี้เกิดขึ้นเองโดยไม่มีใครเขียน script กำหนดไว้ล่วงหน้า

ในทางปฏิบัติ Swarm Intelligence ของ MiroFish ทำงานผ่าน LLM-powered agents ที่แต่ละตัวมี "สมอง" เป็น large language model เช่น GPT-4 หรือ Qwen 2.5 agents เหล่านี้ไม่ได้ถูก hardcode ให้ตอบแบบใดแบบหนึ่ง แต่มันตัดสินใจจาก persona ที่ถูกกำหนดไว้ (เช่น "แม่บ้านวัย 45 ปี อนุรักษ์นิยม มีลูก 2 คน กังวลเรื่องค่าครองชีพ") ร่วมกับ context ที่เปลี่ยนไปเรื่อยๆ จากสิ่งที่ agents ตัวอื่นพูดและทำ สิ่งที่ทำให้ agents เหล่านี้ "มีชีวิต" กว่า rule-based agents คือความสามารถในการตีความ context แบบ nuanced — agent ไม่ได้แค่ตอบ "เห็นด้วย" หรือ "ไม่เห็นด้วย" แต่มันสามารถเขียน "ผมเข้าใจว่าทำไมคุณคิดแบบนั้น แต่ในฐานะคนที่ต้องเลี้ยงลูก ผมกังวลเรื่อง..." ซึ่งเป็นระดับ nuance ที่ agent-based simulation ยุคก่อนทำไม่ได้ ความสามารถในการ "จำ" ว่าเกิดอะไรขึ้นก่อนหน้า ผ่าน persistent memory ด้วย Zep Cloud ยิ่งทำให้การจำลองมีความต่อเนื่องและสมจริงมากขึ้นเรื่อยๆ ตามแต่ละรอบ

จุดที่ทำให้ MiroFish ต่างจาก agent simulation อื่นๆ คือมันจำลอง social dynamics ไม่ใช่แค่ task completion ใน multi-agent framework ทั่วไปอย่าง AutoGen หรือ MetaGPT agents จะแบ่งงานกันทำ — ตัวหนึ่งเขียน code ตัวหนึ่ง review ตัวหนึ่ง test ทุกอย่างเป็น task pipeline ที่ออกแบบมาเพื่อให้ได้ output ที่ต้องการ แต่ใน MiroFish agents "ใช้ชีวิต" — พวกมันโพสต์ความเห็นทางการเมือง แชร์ข่าวลือ ถกเถียงกันเรื่องจริยธรรม สร้างเพจ satirical ล้อเลียนสถานการณ์ เปลี่ยนจุดยืนเมื่อเห็นข้อมูลใหม่ หรือถูกกดดันจากกลุ่มส่วนใหญ่จน conform ทั้งหมดนี้ไม่มีใคร script ไว้ล่วงหน้า — มัน emerge ออกมาเองจาก interaction ของ agents สิ่งที่เกิดขึ้นมันเป็น สังคม ไม่ใช่แค่ pipeline

ระบบทำงานยังไง?

จากภายนอก MiroFish ดูเรียบง่าย — ใส่ข้อมูลเข้าไป กดรัน ได้ report ออกมา แต่เบื้องหลังมันมี pipeline 5 ขั้นตอนที่ค่อนข้างซับซ้อน แต่ละขั้นตอนมีเทคโนโลยีที่น่าสนใจอยู่ในตัว ลองมาดูทีละขั้น:

สิ่งที่น่าสนใจคือ pipeline ทั้ง 5 ขั้นตอนนี้ถูกรวมเป็นแพ็คเกจเดียวใน MiroFish โดยผู้ใช้ไม่ต้องไปต่อระบบเอง ในขณะที่ถ้าคุณจะทำ agent simulation ด้วยตัวเอง คุณต้องประกอบ GraphRAG (ใช้ LlamaIndex หรือ LangChain), agent orchestration (ใช้ AutoGen หรือ CrewAI), memory layer (ใช้ Zep หรือ Mem0), platform simulation (สร้างเอง), และ report generation (สร้างเอง) — รวม 5 components จาก 5 sources ที่ต้อง integrate กัน MiroFish ทำ integration นี้ให้แล้ว ซึ่งลดเวลา setup จากหลายสัปดาห์เหลือไม่กี่ชั่วโมง

อีกจุดหนึ่งที่ควรเน้นคือ Dual-Platform Simulation — การจำลองบน Twitter-like และ Reddit-like พร้อมกันทำให้ได้ perspective ที่แตกต่าง Twitter-like จับ real-time reactions, viral moments, และ short-form opinions ในขณะที่ Reddit-like จับ long-form discussions, community moderation dynamics, และ deep-dive analysis ผลลัพธ์จากทั้งสองแพลตฟอร์มถูกนำมาเปรียบเทียบกัน ซึ่งให้ภาพที่ครบถ้วนกว่าการจำลองบนแพลตฟอร์มเดียว

ใช้ทำอะไรได้บ้าง — Use Cases จริงที่ Demo มาแล้ว

จำลองวิกฤตสาธารณะ (Public Opinion Simulation): นี่คือ use case ที่ทีม MiroFish โชว์บ่อยที่สุด โดยเฉพาะการจำลองปฏิกิริยาสาธารณะต่อวิกฤตของมหาวิทยาลัยอู่ฮั่น ขั้นตอนคือป้อนรายงานข่าวและข้อมูลที่เกี่ยวข้องเข้าไปเป็น seed material สร้าง agents ที่เป็นตัวแทนของกลุ่ม demographics ต่างๆ — นักศึกษา ผู้ปกครอง สื่อมวลชน เจ้าหน้าที่มหาวิทยาลัย ผู้ใช้ Weibo ทั่วไป KOLs ที่มี follower สูง แล้วปล่อยให้พวกเขาโต้ตอบกันบนแพลตฟอร์มจำลอง ผลลัพธ์ที่ได้คือ prediction ว่ากระแสจะเปลี่ยนทิศทางไหน กลุ่มไหนจะนำ narrative กลุ่มไหนจะ backlash ที่สำคัญคือมันแสดง timeline ว่า sentiment เปลี่ยนแปลงอย่างไรตามเวลา — ไม่ใช่แค่ snapshot เดียวเหมือน sentiment analysis ทั่วไป คุณจะเห็นว่า "ในรอบที่ 5 กลุ่มนักศึกษาเริ่ม rally ในรอบที่ 12 สื่อ mainstream เริ่ม pick up เรื่องนี้ ในรอบที่ 18 เจ้าหน้าที่ออก statement ซึ่งทำให้ sentiment พลิกกลับชั่วคราว" ระดับ granularity แบบนี้คือสิ่งที่ static sentiment analysis ทำไม่ได้

ทำนายเนื้อเรื่อง红楼梦 (Dream of the Red Chamber): นี่เป็น use case ที่สร้างสรรค์และน่าสนใจมาก — ทีม MiroFish ใช้ข้อมูลจาก 80 บทแรกของ红楼梦 ซึ่งเป็นหนึ่งในนิยายจีนคลาสสิก "สี่สุดยอด" ที่ผู้เขียนต้นฉบับ Cao Xueqin เสียชีวิตก่อนเขียนจบ 40 บทสุดท้ายถูกเขียนเพิ่มโดยผู้อื่นและเป็นที่ถกเถียงในวงวิชาการมานานกว่า 200 ปี ทีม MiroFish สร้าง agents ที่มี persona ตามตัวละครหลักแต่ละตัว ป้อนความสัมพันธ์ ความขัดแย้ง และเหตุการณ์จาก 80 บทแรกเข้าไปเป็น seed material แล้วปล่อยให้ตัวละคร "ใช้ชีวิต" ต่อ ผลลัพธ์ที่ได้ไม่ได้ถูก claim ว่าเป็น "คำตอบ" ที่ถูกต้อง แต่เป็นการสำรวจ possibility space — "ถ้าตัวละครเหล่านี้ตัดสินใจจริงๆ จะเกิดอะไรขึ้น?" นี่เป็น use case ที่แสดงให้เห็นว่า agent simulation ไม่จำกัดแค่ social media crisis — มันสามารถจำลองสถานการณ์ใดก็ได้ที่มี "ตัวละคร" หลายตัวมีปฏิสัมพันธ์กัน

จำลองปฏิกิริยาตลาดการเงิน (Financial Forecasting): จำลอง retail investors กับ institutional funds ต่อ market events เดียวกัน — จับ trader psychology และ herding behavior ที่โมเดลทางสถิติแบบดั้งเดิมไม่สามารถจับได้ input คือข่าวเศรษฐกิจ ผลประกอบการบริษัท หรือประกาศนโยบายธนาคารกลาง ระบบจำลอง agents ที่เป็น day traders, long-term investors, analysts, และ algorithmic trading bots แล้วดูว่าแต่ละกลุ่มตอบสนองยังไง — ใครตื่นตระหนกก่อน ใครเก็บของถูก ใครตามฝูง ผลลัพธ์ไม่ใช่ "หุ้นจะขึ้นหรือลง" แต่เป็น scenario analysis ว่า "ถ้า sentiment เปลี่ยน จะเกิด cascade effect อย่างไร" สิ่งที่ traditional quant models ทำไม่ได้คือ model ว่า "ถ้า retail investors เริ่มแห่ขาย แล้ว influencer บน TikTok ออกมาพูดว่าหุ้นจะตก institutional investors จะ front-run ยังไง" — second-order social effects แบบนี้คือสิ่งที่ agent simulation ทำได้

Polymarket Trading Bot: มี developer คนหนึ่งเชื่อม MiroFish กับ Polymarket trading bot โดย simulate 2,847 digital humans ก่อนทุก trade — รายงานว่าทำกำไรได้ $4,266 จาก 338 trades ตรงนี้ต้องบอกตรงๆ ว่า ยังไม่มีการ verify อิสระ และ sample size ยังน้อยเกินไปที่จะสรุปว่า MiroFish "ทำเงินได้จริง" แต่มันเป็น proof of concept ที่น่าสนใจว่า swarm simulation สามารถเชื่อมกับ real-world trading ได้

จำลอง 500K+ Agents: ทีม MiroFish ได้ demo การ scale simulation ถึง 500,000+ agents พร้อมกัน โดยใช้ OASIS framework เป็น backend ซึ่งทำได้เพราะ OASIS ออกแบบมาให้รองรับ scale ระดับล้าน agents ตั้งแต่แรก การ simulation ขนาดนี้ใช้เวลาหลายชั่วโมงและ token cost สูงมาก แต่มันพิสูจน์ว่า architecture ของ MiroFish ไม่ได้ hit ceiling ที่ agents ไม่กี่พัน — มันสามารถจำลองสังคมขนาดเทียบเท่า sub-district ได้จริง

นอกจาก use cases ข้างต้นแล้ว ยังมี MiroFish-Offline ซึ่งเป็น fork ที่ใช้ Ollama + Qwen 2.5:32B ร่วมกับ Neo4j สำหรับ knowledge graph ทำงานได้ local ทั้งหมดโดยไม่ต้องพึ่ง cloud APIs — เหมาะกับองค์กรที่กังวลเรื่อง data privacy หรือต้องการรัน simulation กับข้อมูลลับที่ไม่อยากส่งขึ้น cloud version นี้ trade-off เรื่อง agent quality แต่ได้ความเป็นส่วนตัวและ cost ที่ต่ำกว่ามาก เพราะไม่ต้องจ่ายค่า API token

เปรียบเทียบกับเครื่องมืออื่น

จำที่บอกไว้ตอนต้นว่า MiroFish ใช้ bottom-up approach? ตรงนี้จะเห็นชัดเจนที่สุดเมื่อเทียบกับโปรเจกต์อื่นในสาย agent simulation สนาม agent-based social simulation เริ่มร้อนแรงตั้งแต่ Stanford ปล่อย Generative Agents paper ในปี 2023 ที่ใช้แค่ 25 agents อาศัยอยู่ใน sandbox เล็กๆ แต่สร้างแรงบันดาลใจให้นักวิจัยทั่วโลก ตามมาด้วย Stanford 1,000 People Sim ในปี 2024 ที่ scale ขึ้นมาเป็น 1,000 agents จาก survey data จริง ไปจนถึง OASIS ที่ push ขีดจำกัดไปถึงล้าน agents แต่ละโปรเจกต์มี focus ที่ต่างกัน — Stanford เน้น realism ของ agent แต่ละตัว, OASIS เน้น scale, ส่วน MetaGPT/AutoGen เน้น task automation ไม่ใช่ social simulation

สิ่งที่ทำให้ MiroFish โดดเด่นไม่ใช่เพราะมันดีที่สุดในทุกมิติ — Stanford มี agent quality ดีกว่า OASIS มี scale สูงกว่า AutoGen มีความยืดหยุ่นมากกว่า — แต่เพราะมันเป็น end-to-end package ที่รวมทุกอย่างไว้ในที่เดียวพร้อมใช้งาน ไม่ต้องประกอบจาก research paper 5 ฉบับ ไม่ต้องเขียน glue code เชื่อม 5 libraries เข้าด้วยกัน ดูตารางเปรียบเทียบ:

จุดที่ทำให้ MiroFish แตกต่างจริงๆ คือมันรวม GraphRAG + Persistent Agent Memory + Scalable Social Simulation + Prediction Pipeline + Interactive World ไว้ในแพ็คเกจเดียวพร้อมใช้งาน — ไม่ใช่แค่ research paper ที่ต้องอ่าน 3 ชั่วโมงแล้วประกอบเอง ไม่ใช่แค่ engine ที่ต้องเขียน application layer ทับ และไม่ใช่แค่ multi-agent framework ที่ต้องดัดแปลงมาเป็น social simulation

สิ่งที่น่าประทับใจเป็นพิเศษคือทั้งหมดนี้ถูกสร้างโดยคนคนเดียวใน 10 วัน — ซึ่งเป็น statement ที่ทรงพลังมากเกี่ยวกับ productivity ของ AI-assisted development ในปี 2025 ถ้า 1 คนสร้าง platform ขนาดนี้ได้ คำถามที่ตามมาคือ ทีมเล็กๆ 3-5 คนที่ใช้ AI อย่างเข้มข้นจะสร้างอะไรได้บ้าง?

อย่างไรก็ตาม ต้องเข้าใจว่า "สร้างใน 10 วัน" ไม่ได้หมายความว่าโค้ดทุกบรรทัดถูก test อย่างละเอียด — MiroFish ยังเป็นโปรเจกต์ในระยะ early stage ที่ต้องการ community contributions เพื่อทำให้ stable ขึ้น แต่ core concept และ architecture ที่ถูกวางไว้เป็นรากฐานที่ดีสำหรับการพัฒนาต่อ Chen Tianqiao ไม่ได้ลงทุนเพราะ code quality — เขาลงทุนเพราะ vision ที่ว่า swarm simulation จะเป็น killer app ของ AI prediction ในอนาคต

ต้องบอกตรงๆ ว่า... MiroFish ยังมีปัญหาหลายอย่าง

ต้องบอกตรงๆ ว่าถึง MiroFish จะ impressive ในแง่ concept และ execution speed แต่มันยังห่างไกลจากเครื่องมือที่พร้อมใช้งานจริงในเชิงพาณิชย์ ปัญหาใหญ่ที่สุดคือ ยังไม่มี benchmark เปรียบเทียบ prediction กับผลลัพธ์จริงอย่างเป็นระบบ ไม่มีใครบอกได้ว่า "MiroFish ทำนายถูก X% ของเวลา" เพราะยังไม่มีการทดสอบแบบนั้น ทุกอย่างที่โชว์มาเป็น qualitative demo — "ดูสิ simulation สร้าง pattern ที่ดูสมเหตุสมผล" — ไม่ใช่ quantitative validation

ปัญหาที่สองคือ ผลลัพธ์ sensitive ต่อ initial conditions มาก — เปลี่ยน persona parameters นิดเดียว เปลี่ยนสัดส่วน demographics เล็กน้อย หรือแม้แต่เปลี่ยนลำดับที่ agents เริ่มโต้ตอบ อาจได้ผลลัพธ์ที่ต่างกันอย่างสิ้นเชิง นี่เป็นปัญหาพื้นฐานของ agent-based simulation ทุกระบบ ไม่ใช่เฉพาะ MiroFish แต่มันหมายความว่าผลลัพธ์จากการรันเดียวไม่ควรตีความว่าเป็น "คำตอบ" — ต้องรันหลายครั้งด้วย parameters ต่างกันแล้วดู distribution ของผลลัพธ์ ซึ่งแน่นอนว่ายิ่งเพิ่มจำนวนรอบ ยิ่งเพิ่มค่าใช้จ่าย token เข้าไปอีกหลายเท่า

พูดถึง token cost — นี่คือความจริงที่หลายคนข้ามไป Agents หลายร้อยตัวคุยกันหลายสิบรอบ = ค่าใช้จ่ายมหาศาล คำแนะนำจากทีม MiroFish เองคือเริ่มที่ต่ำกว่า 40 รอบ เพราะ cost จะเพิ่มแบบ non-linear ถ้าใช้ GPT-4 เป็น backbone สำหรับ agents simulation แต่ละครั้งอาจใช้ tokens เป็นล้าน ซึ่งแปลเป็นเงินหลักพันบาทต่อการรันหนึ่งครั้ง ลองคิดดู — ถ้ามี agents 500 ตัว แต่ละตัวสร้าง output เฉลี่ย 200 tokens ต่อรอบ รัน 30 รอบ แค่ output อย่างเดียวก็ 3 ล้าน tokens แล้ว ยังไม่นับ context window ที่ต้อง feed ให้ agent แต่ละตัวด้วย ตรงนี้ MiroFish-Offline ที่ใช้ Ollama + Qwen 2.5:32B ช่วยได้ในแง่ cost แต่ก็แลกกับ agent quality ที่ลดลง

สุดท้าย — มีเรื่องที่น่ากังวลจาก OASIS paper เอง คือ LLM agent herd behavior bias ในงานวิจัยของ CAMEL-AI พบว่า LLM-based agents มีแนวโน้มจะ "ตามฝูง" มากกว่าคนจริง — คือเมื่อเห็นว่าเสียงส่วนใหญ่เป็นทิศทางเดียว agents จะ conform เร็วกว่าและแรงกว่าที่คนจริงทำ ซึ่งหมายความว่า simulation อาจ overestimate ความเป็นเอกฉันท์ของสาธารณะ และ underestimate เสียงต้าน นี่ไม่ใช่ bug ที่แก้ได้ง่ายๆ — มันเป็น ลักษณะพื้นฐาน ของ LLM ที่ถูก train มาจากข้อมูล internet ที่ consensus มักถูกเน้นมากกว่า dissent ดังนั้น MiroFish ไม่ใช่ oracle — ผลลัพธ์ควรตีความว่าเป็นเครื่องมือสำรวจ scenarios ไม่ใช่ precise probability

ทำไมนักพัฒนาไทยควรสนใจ?

สมมติคุณทำงานให้แบรนด์ที่มี social media following ใหญ่ในไทย — ไทยเป็นตลาดที่ social media activity สูงมากในระดับโลก เรามี Facebook users มากเป็นอันดับต้นๆ ของโลก Twitter (X) ก็ active มากโดยเฉพาะเรื่อง politics และ entertainment กระแส cancel culture แรง ข่าวลือแพร่เร็ว ปฏิกิริยาสาธารณะพลิกได้ข้ามคืน ลองนึกภาพว่าก่อนออก campaign ที่อาจเป็น controversial คุณรัน MiroFish simulation ด้วย agents ที่เป็นตัวแทนของกลุ่มลูกค้าต่างๆ — กลุ่มวัยรุ่น Gen Z ที่ active บน Twitter กลุ่มแม่บ้านที่ใช้ Facebook เป็นหลัก กลุ่ม KOLs ที่มี influence สูง กลุ่มผู้ใช้ Pantip ที่ชอบวิเคราะห์เชิงลึก แล้วดูว่า scenario ไหนเสี่ยง backlash มากที่สุด ตรงนี้ไม่ใช่ crystal ball แต่เป็น stress test สำหรับ crisis preparedness ที่ดีกว่าการ brainstorm ในห้องประชุมมาก เพราะ simulation จับ "second-order effects" ได้ — ไม่ใช่แค่ "คนจะโกรธ" แต่ "ถ้าคนโกรธ แล้วคนกลุ่มนี้จะตอบสนองยังไง ซึ่งจะทำให้คนกลุ่มนั้นตอบสนองอีกทีหนึ่ง" — chain reaction ที่ PR team ทำนายได้ยากด้วยสัญชาตญาณอย่างเดียว

ถ้าคุณเป็นนักวิจัยหรืออาจารย์มหาวิทยาลัย — MiroFish เป็นเครื่องมือ open-source ที่ barrier to entry ต่ำสำหรับการศึกษา agent-based social simulation นักวิจัยด้าน AI, สังคมศาสตร์, รัฐศาสตร์, หรือแม้แต่ communication studies สามารถนำไปใช้โดยไม่ต้องสร้างระบบจากศูนย์ ลองนึกภาพงานวิจัยเรื่อง "How would Thai netizens react to a proposed policy change?" ที่สามารถจำลองได้จริงผ่าน simulation แทนที่จะต้องทำ survey หรือ focus group — ผลลัพธ์อาจไม่แม่นยำเท่า traditional methods แต่ทำได้เร็วกว่ามากและ iterate ได้ง่าย สำหรับมหาวิทยาลัยในไทยที่สนใจ publish งานด้าน agent-based modeling หรือ computational social science MiroFish ลดอุปสรรคทางเทคนิคลงอย่างมาก

แม้จะไม่ได้ใช้ MiroFish โดยตรง — architectural patterns ที่มันใช้ล้วนเป็นสิ่งที่กำลังขยายตัวใน production AI systems ทั่วโลก GraphRAG สำหรับ knowledge grounding กำลังเข้ามาแทนที่ naive RAG ในหลายระบบ Persistent agent memory ด้วย Zep Cloud เป็น pattern ที่ใช้ได้กับ chatbot, customer support, หรือ AI assistant ที่ต้อง "จำ" context ระยะยาว Multi-agent orchestration at scale เป็นทิศทางที่ทุกบริษัทใหญ่กำลังมุ่งไป ถ้าคุณทำงานด้าน multi-agent อยู่ ควรอ่าน codebase ของ MiroFish เพราะมัน integrate patterns เหล่านี้ทั้งหมดในโปรเจกต์เดียวที่อ่านได้ภายในวันเดียว

MiroFish กิน tokens เยอะมาก — ถ้าคุณกำลังทดลองสร้าง multi-agent simulation ของตัวเอง สิ่งหนึ่งที่ช่วยได้คือเลือก LLM ที่ให้ token efficiency ดีที่สุดสำหรับ workload ของคุณ Jigsaw AI Team รวมไว้กว่า 300+ โมเดลในที่เดียว ลองเปรียบเทียบ cost, latency, และ quality ได้เลย ไม่ต้อง setup อะไรเพิ่ม