MiroFish

2026年3月初め、中国の一人の大学生が作ったオープンソースプロジェクトが、GitHubの世界トレンド1位に躍り出ました。名前はMiroFish。「シンプルで普遍的な群知能エンジン、あらゆるものを予測する」という文句を掲げていました。¹ 韓国でも「ミロピシ」という名前で紹介され、話題になりました。¹¹

しかし、話題性と実体は別の問題です。ある記事は「社会全体をシミュレーションして未来を当てる」と書き、ある記事は「科学的根拠のない誇張」と批判します。⁷ この文書は、その間で確認できる事実だけを整理することを目的としています。

構成は次のとおりです。

• 1〜3章は概念、登場の背景、学術的な系譜です。初めての方は、ここまで読めば会話に加われます。
• 4〜5章は内部構造です。MiroFishの5段階のパイプラインと、その下で実際にエージェントを動かすOASISエンジンを扱います。
• 6章は、公式サイトとリポジトリが示した活用シナリオとデモです。
• 7章は限界と論争です。この文書で最も重要な章です。
• 8〜10章は、自分で運用する際のコストとライセンス、コンテンツ制作の視点からの解釈、これから見るべき指標です。付録には用語集、段階別の必読リスト、参考文献があります。

一文の定義

公式リポジトリは、MiroFishを「ニュース速報、政策草案、金融シグナルのような現実の種(seed)の情報を抽出し、独立した性格・長期記憶・行動ロジックを持つ数千のインテリジェントなエージェントが自由に相互作用して社会的に進化する、高忠実度の並行デジタル世界を自動的に構築する次世代のAI予測エンジン」と紹介しています。¹ 紹介サイトはこれを、「ニュース、政策草案、分析レポート、小説のような現実の種を、記憶と動機と社会的行動を持つエージェントたちが暮らす並行世界に変える」と言い換えています。²

この定義から三つの要素を抜き出せます。① 種(seed):現実の文書から出発します。② 世界(world):エージェントが互いに反応しながら時間とともに変わる社会を作ります。③ レポート(report):その社会で起きたことを、人が読める形にまとめます。

三つのたとえ

① 政策を施行する前の「模擬社会」

新しい政策を発表する前に、似た傾向の人が数千人集まった仮想の都市で、先に反応を見守れるとしたらどうでしょう。どの集団が先に反発し、どんな噂が広がり、どの時点で世論が割れるのかを、あらかじめ見るのです。MiroFishが狙う位置が、まさにこの「模擬社会」です。韓国メディアもこの点を指摘し、「政策導入の前に、さまざまな社会的反応をあらかじめ実験できる」と紹介しました。¹¹

② 小説家の人物ノート

小説家は人物ごとに性格・欲望・関係を書き留めておき、事件が起きたときに「この人物ならどうするか」をたどりながら物語を書きます。MiroFishは、この作業をエージェントで自動化したツールに近いものです。開発チームがデモとして『紅楼夢』の前80回を入れ、失われた結末をシミュレーションさせたのも、同じ文脈です。¹⁴

③ ソーシャルメディアの中の「小さな地球」

MiroFishのエージェントたちは、Twitter型とReddit型の二つのソーシャルメディアの上で、投稿し、コメントし、いいねを押し、互いにフォローします。² ソーシャルメディアを丸ごと縮小した実験室だと考えると、理解しやすいでしょう。

混同しやすい隣接概念

作った人と背景

中国メディアの36Krによれば、MiroFishを作った郭航江は北京郵電大学の4年生の学部生で、GitHub名はBaiFuです。盛大グループにインターンとして加わった後、約10日でプロジェクトを完成させ、その前にも、別の人気オープンソースBettaFishを休日の10日間で作った経歴があるそうです。¹² 公式リポジトリは、盛大グループが「戦略的支援とインキュベーション」を提供したと記しています。¹

投資規模は、報道によって表現が異なります。36Krは、盛大グループの陳天橋(チェン・ティエンチャオ)がデモ動画を受け取ってから24時間以内に3,000万元(約410万ドル規模とも紹介されます)を投資したと伝え、韓国メディアは「数十億ウォン規模の投資を誘致した」と報じました。¹²¹¹ いずれも報道ベースで、この文書が独自に確認した数字ではありません。

人気の指標

公式リポジトリのページで確認した指標は、GitHubのスター約7.7万個、フォーク約1.2万個で、ライセンスはAGPL-3.0です(2026年10月の閲覧時点)。¹ 韓国メディアは、公開直後にGitHubの人気ランキング1位を記録したと伝えました。¹¹ その後、韓国語のコミュニティフォーク(MiroFish-Ko)も登場しました。¹⁵

話題になった理由

三つの理由が重なりました。第一に、「文書を入れると社会がシミュレーションされる」という、直感的で視覚的な約束です。第二に、エージェントが数千〜数十万人という規模感です。紹介サイトは、1回の実行で「100万以上の並列エージェント」を掲げています。² 第三に、学生の開発者と大企業の投資という物語性です。ただし、このどれも予測が当たったという証拠ではありません。

MiroFishは、突然現れたアイデアではありません。社会をコンピューターの中で「育てて」みようという試みは、半世紀を超える歴史があり、MiroFishはその最新の流れの上に立っています。下の年表は、この文書が整理した文脈です。

段階1 — グラフ構築:種を構造に

入力文書からGraphRAGで実体と関係を抜き出し、知識グラフを作ります。紹介サイトはこの段階をオントロジー生成とグラフ構築に分け、「構造化された実体・動機・事実の錨」と、「行為者、緊張関係、記憶構造を浮かび上がらせる生きた関係グラフ」を作ると説明しています。² 開発者向けの解説は、これを「誰が主要人物で、どうつながっていて、どんな圧力があるか」を構造化する過程と説明しています。¹⁴

段階2 — 環境設定とエージェント生成:人物に性格を与える

グラフの実体ごとに、背景・視点・傾向を持つエージェントのペルソナを作り、長期記憶はZep Cloudに保存します。続いて「環境設定エージェント」が、シミュレーションのルールのパラメータを決めます。¹⁴ この段階でエージェントの数が自動的に決まることがあり、ある独立した実験では、100人を要求したのに25人が作られたと報告されました。⁶

段階3 — 並列シミュレーション:社会が回る区間

Twitter型とReddit型の二つのプラットフォームで、エージェントたちが複数のラウンドにわたって相互作用します。エージェントの記憶は、事件が展開するたびに更新されます。¹ 実際の駆動はOASISエンジンが担います(5章)。ユーザーは「神の視点」から展開を観察し、途中で変数を投入できます。¹³

段階4 — レポート生成:ログを物語に

専用のReportAgentが、シミュレーション結果をツールを使って分析し、世論の変化・連合の形成・創発的なパターンを、読めるレポートにまとめます。紹介サイトは、このレポートに「重要な転換点、リスク、信頼シグナル」が盛り込まれると説明しています。²

段階5 — 深い相互作用:エージェントに直接尋ねる

ユーザーは、ReportAgentに追加の質問をしたり、個々のエージェントと直接対話(インタビュー)して、なぜそう行動したのかを尋ねたりできます。新しい変数を入れてシナリオを回し直すのも、この段階です。²¹⁴ ただし、この「答え」は実際の人の本音ではなく、LLMが作った応答であることを忘れてはいけません。

技術スタックを一目で

五つのモジュール

OASISは、実際のソーシャルメディアの構造を模して、五つのモジュールで構成されています。³

エージェントの行動

論文は、サインアップ、更新、トレンド・投稿・ユーザーの検索、投稿の作成、リポスト、フォロー・フォロー解除、ミュート、いいね・低評価、コメントの作成とコメントへの反応など、21種の行動を定義しています。³ 紹介サイトや一部の解説は「23種の社会的行動」と記しており、文書によって数値が異なります。¹⁴ この文書は論文の数値を基準としつつ、その後のバージョンで行動が追加された可能性を残しておきます。

論文が再現したと報告した社会現象

• 情報の拡散:実際のTwitterデータとの正規化RMSEが約30%の水準で一致(198事例)。³ これは「完全な一致」ではなく「傾向が似ている」水準と読むのが安全です。(この文書の解釈)
• 集団の極化:議論が進むほど意見が極端に偏る現象。検閲のないモデルでより顕著でした。
• 同調効果:エージェントは人よりも強く多数に従い、特に否定的なシグナルでそうでした。同調効果は、エージェントが1万人以上のときに現れました。

規模とコスト

論文は、196人から10万人以上までさまざまな規模を試し、最大100万エージェントを実演しました。このときA100 GPU 27枚で、1タイムステップに約18時間かかりました。³ 集団が大きいほど、エージェントの意見がより多様で役に立つ方向に現れたという観察もあります。

論文が明らかにした限界

著者らは、推薦システムの精度が伝播の深さに影響する点、ユーザープロフィールの表現が単純な点、社会規範や複雑な行動の創発はまだ十分に探究できていない点を、自ら限界として挙げました。³

紹介サイトは、六つの活用シナリオを示しています。² 表の「成熟度」は、公開された根拠に基づくこの文書の判断です。

実演1 — 武漢大学の世論シミュレーション

チームが公開した最初の実演は、武漢大学に関する世論です。姉妹プロジェクトBettaFishが作った世論分析レポートをMiroFishに入れ、感情がどう進展するかをシミュレーションさせました。¹⁴

実演2 — 『紅楼夢』の失われた結末

二つ目の実演は、より異色です。18世紀の中国の小説『紅楼夢』の前80回を入れ、原作で失われた結末がどう続いたのかをシミュレーションさせました。¹⁴ これは「予測」というより、「人物の論理に基づく物語の展開」に近いものです。(この文書の解釈)

金融予測は公式にはサポートされていない

リポジトリのあるディスカッションで、メンテナーは、MiroFishは「補正またはバックテストされた株式・暗号資産の価格予測器ではない」とはっきり述べました。リアルタイムの市場データ連携、定量的な要因モデリング、安定した信頼度指標がなく、補正された価格予測製品はコアのリポジトリでは計画していないそうです。金融予測は「coming soon」と表示された予定機能であり、結果を投資助言や証明された予測精度として示してはならないと釘を刺しました。⁸

論点1 — 検証の不在

最大の問題は単純です。シミュレーションがそれらしい社会的な流れを作り出すからといって、その流れが実際の人々の行動を当てるという意味にはなりません。チームは、予測を過去の結果と比較したベンチマークを公開しておらず、実演は精度の証拠ではなく方法論の紹介です。¹⁴ 紹介サイト自身も、結果は「探索的な産出物」であり、運用・金融・政策の決定の前に検討すべきだと記しています。²

論点2 — 学界の批判:LLMはエージェントベースモデリングの問題を解けていない

アムステルダム大学のラルーイとトルンベリは、LLMベースの生成型社会シミュレーション研究を検討したうえで、それがエージェントベースモデリングの古くからの検証・補正の問題を解決するどころか、悪化させると主張します。⁵ 核心的な指摘は次のとおりです。

• 検証の不備:多くの研究が、厳密な実証比較なしに、「それらしく見えるか(believability)」という主観的な判断に頼っています。
• 人とは違う話し方:定量比較をすると、LLMの応答は実際の人より「長く、丁寧で、論理的で、礼儀正しい」のです。
• ブラックボックス:「LLMはブラックボックスのモデルであり、なぜ特定の出力が出たのかを理解することは事実上不可能だ。」
• 計算の負担と再現性:はるかに多くの演算が必要なのに、ほとんどの研究が感度分析や繰り返し実行をしていません。

論点3 — 「MiroFishの蜃気楼」論争

ダニエレ・プロベルビオは、「あらゆるものを予測する」という文句を、科学的な土台のない誇張だと批判します。彼の論旨は三つです。第一に、AIのマルチエージェントシステムはまだ研究段階にあり、失敗・偏り・認識論的な問題が次々と観察されています。第二に、AIの行動はどのLLMを使うかによって変わり、単純な状況ですら人の選択と完全には一致しません。第三に、個々のLLMが人の意思決定を忠実に代表するという仮定と、エージェント社会が人間社会を鏡のように映すという仮定は、どちらも証明されていません。彼は、かつて有望だったものの結局うまく機能しなかったGoogleインフルエンザトレンドを、警戒すべき先例として挙げています。⁷

論点4 — 自分で使ってみた報告

WPPリサーチは、2026年5月14日にMiroFishを自分で設置し、S&P 500の方向と上位5銘柄の予測を試しました。使用コストは、すべての実行を合わせて約1ドルでした(gemini-2.5-flash-liteを使用)。⁶

この試験は、金融というMiroFishの主力ではない領域を一度試した単一の事例です。この文書は、これをMiroFish全体に対する判決とは読まず、「期待を下げ、検証を先にせよ」というシグナルとして読みます。報告は、フレームワークがまだ「脆い」と評価しました。⁶

論点5 — 同調の偏り

OASIS論文が自ら明らかにしたように、LLMエージェントは人よりも同調に弱いのです。³ したがって、シミュレーションされた群衆は、実際よりも速く極化する可能性があり、これは基盤モデルと構造に由来する体系的な偏りであるため、結果を一貫してより極端な方向へ傾けうるのです。(この文書の解釈)

AGPL-3.0が意味すること

AGPL-3.0は、ソースコードを修正してネットワークサービスとして提供する場合にも、修正したソースをユーザーに公開することを求める、強いコピーレフトのライセンスです。社内ツールとしてのみ使うなら負担は小さいものの、これをもとに外部へサービスを提供する計画なら、法務の検討が必要です。(一般的なライセンスの解説であり、法律上の助言ではありません。)

データと個人情報

入力文書が外部のLLM APIとZep Cloudに送信されるため、機密文書や個人情報を含む資料は、そのままアップロードしないほうが安全です。一部のフォークはローカルモードを掲げていますが、公式プロジェクトの機能ではないため、別途検討が必要です。(この文書の提案)

この章は、公開された資料に基づくこの文書の解釈と提案です。MiroFishが小説を入力として受け取る点、公開時の反応をシナリオとして掲げる点は、コンテンツの企画段階で興味深いポイントです。

うまく合いうる用途

• 世界観・人物関係の点検:シノプシス・設定資料を種として入れ、人物が事件にどう反応するかを見て、物語の穴を探す用途。『紅楼夢』の実演と同じ方式です。
• 公開前の反応の仮説づくり:予告編・どんでん返し・公開周期のような選択肢について、「どのコミュニティでどんな反応が出うるか」という仮説を、素早く複数作ってみる用途。
• 危機シナリオのリハーサル:炎上が起きたときに噂がどう広がるかを、議論の材料にする用途。

期待してはいけないこと

• 興行数値の直接予測:観客数・視聴率・売上のような数字を当てるように補正されてはいません。金融予測が公式にサポートされていないのと同じ理由です。⁸
• 実際の観客の反応の代替:LLMエージェントは、人よりも丁寧で一貫しており、同調しやすいのです。⁵³ ファンダムの感情のような非定型の反応を、そのまま再現すると信じるのは難しいでしょう。
• 韓国語環境での即時の利用:公式プロジェクトは中国語・英語が中心で、韓国のコミュニティの話し方や文化をどれだけ反映するかは検証されていません。

この章は、これまでの資料に基づくこの文書の総合的な判断です。予測ではなく、関連ニュースを読むときに何を見るべきかのチェックリストとして活用してください。

むすびに

MiroFishは、「社会を文書一つから育て上げる」という強力な想像を、誰でもダウンロードして回せるツールにした点で意味があります。同時に、いまの根拠は「このようなシミュレーションが可能だ」という実演にとどまっており、「このシミュレーションは正しい」という証明はまだありません。

ですから、このツールに向き合う最良の姿勢は、熱狂でも冷笑でもありません。結果を予言として読まず、議論のための仮説として読むこと、そして同じ問いを実際のデータでもう一度確認することです。群知能シミュレーションが信頼されるツールになるには、その検証が先に積み重ならなければなりません。

第1段階 — 入門(何かをつかむ)

• MiroFish公式リポジトリのREADME¹
• アジア経済〈「ミロピシ」AIエージェントが人気沸騰〉 — 韓国語の報道¹¹
• MiroFish紹介サイト — 5段階と活用シナリオ²

第2段階 — 根っこ(基盤技術)

• Parkほか〈Generative Agents: Interactive Simulacra of Human Behavior〉(2023)⁹
• OASIS論文(2024)³
• Parkほか〈Generative Agent Simulations of 1,000 People〉(2024)¹⁰

第3段階 — 批判と検証

• Larooij & Törnberg〈Do Large Language Models Solve the Problems of Agent-Based Modeling?〉⁵
• House of Ethics〈The MiroFish Mirage?〉⁷ · WPP〈MiroFish: Is swarm intelligence worth the cloud bill?〉⁶
• リポジトリのディスカッション#280〈Stock & Crypto Market Prediction Capability〉⁸

第4段階 — 実習

• 開発者向けの解説記事2本¹³¹⁴ · 韓国語フォーク¹⁵