MiroFish: Lăng kính vạn hoa soi rọi mọi kịch bản của thảm họa

[Heoanchayyy]

Một sinh viên Trung Quốc gọi được 4 triệu USD chỉ trong 24 giờ cho một dự án mã nguồn mở. Nếu chỉ nhìn bề ngoài, đây giống một cú gọi vốn gây chú ý như rất nhiều dự án AI khác. Nhưng MiroFish không đi theo lối quen thuộc là hứa hẹn dự đoán chính xác tương lai.

Thay vào đó, nó đặt lại toàn bộ vấn đề. Tương lai không phải là một điểm để đoán trúng hay trượt. Tương lai là một không gian gồm nhiều khả năng, và thứ con người thực sự cần là nhìn thấy trước các khả năng đó để chuẩn bị.

MiroFish không đưa ra đáp án. Nó dựng một môi trường và để các kịch bản tự vận hành.
​

Không trả lời câu hỏi, mà dựng cả một thế giới để quan sát​

MiroFish không hoạt động như chatbot. Nó không trả lời trực tiếp những câu hỏi kiểu “thị trường sẽ tăng hay giảm”, mà dựng nên một “xã hội ảo” với hàng nghìn tác nhân AI vận hành song song. Mỗi tác nhân đại diện cho một cá thể với hành vi và góc nhìn riêng, từ nhà đầu tư, người tiêu dùng cho đến các nhóm chịu tác động bởi chính sách.

Khi một biến số mới xuất hiện như thay đổi kinh tế vĩ mô hay một tin tức bất ngờ, hệ thống không đưa ra kết luận ngay lập tức. Thay vào đó, các tác nhân bắt đầu phản ứng và ảnh hưởng lẫn nhau, tạo thành những chuỗi diễn biến liên tiếp. Kết quả cuối cùng không được lập trình sẵn, mà dần hình thành từ chính quá trình tương tác này, giống cách các xu hướng ngoài đời thực xuất hiện.​

Bên dưới là một kiến trúc agent có trí nhớ, có ngữ cảnh và có “nhận thức”​

Để mô phỏng có ý nghĩa, mỗi tác nhân không thể chỉ là một script cứng. MiroFish sử dụng LLM làm lõi suy luận cho từng agent, nhưng quan trọng hơn là cách nó tổ chức toàn bộ kiến trúc.

Mỗi tác nhân được xây theo ba lớp rõ ràng. Lớp nhận thức chịu trách nhiệm tiếp nhận thông tin từ môi trường. Lớp ký ức lưu lại các sự kiện đã xảy ra. Lớp hành động là nơi quyết định được đưa ra.

Phần ký ức là điểm đáng chú ý nhất. Thay vì lưu toàn bộ lịch sử và nạp lại mỗi lần xử lý, hệ thống sử dụng vector database để lưu trữ. Khi cần, agent chỉ truy xuất những phần ký ức liên quan nhất dựa trên độ mới, mức độ quan trọng và mức độ liên quan đến tình huống hiện tại.

Cách làm này giúp agent không bị quá tải dữ liệu, nhưng vẫn giữ được tính liên tục trong hành vi. Nó “nhớ” đủ để hành xử nhất quán, nhưng không “nhớ” thừa để làm chậm hệ thống.

Nếu chỉ dừng ở việc có trí nhớ, agent vẫn sẽ phản ứng theo từng tình huống riêng lẻ. MiroFish đi thêm một bước với cơ chế reflection.

Sau một số bước mô phỏng, mỗi agent sẽ tự tổng hợp lại những gì đã xảy ra. Những mảnh ký ức rời rạc được gom lại thành các nhận định ở mức cao hơn, giống như cách con người rút kinh nghiệm. Chính quá trình này giúp hành vi của agent dần ổn định. Nó không còn phản ứng kiểu “thấy gì làm nấy”, mà bắt đầu có xu hướng hành động theo một logic nhất định.

Khi hàng nghìn agent cùng hình thành và điều chỉnh logic của riêng mình, hệ thống bắt đầu xuất hiện những xu hướng mà không cần lập trình trước. Đây chính là phần khiến MiroFish khác biệt so với các mô hình mô phỏng truyền thống.​

Dữ liệu không đứng yên và MiroFish cũng vậy​

Một mô phỏng nếu chỉ dựa trên dữ liệu tĩnh sẽ nhanh chóng trở nên vô nghĩa. Vì vậy, MiroFish tách dữ liệu khỏi mô hình và cập nhật liên tục theo thời gian thực, biến mô phỏng thành một hệ thống luôn “sống” cùng thực tại thay vì chỉ là một ảnh chụp tại một thời điểm.

Trung tâm của cơ chế này là một “bảng tin chung” nơi toàn bộ biến số môi trường được tập hợp. Khi một tác nhân đến lượt hành động, hệ thống không đưa toàn bộ dữ liệu vào xử lý, mà chỉ chọn ra những thông tin liên quan nhất và đưa trực tiếp vào ngữ cảnh của tác nhân đó.

Việc phân phối dữ liệu cũng không diễn ra một cách đồng đều. Các thông tin được chuyển thành vector và so sánh mức độ liên quan, nên một tin tức về dầu mỏ sẽ chủ yếu tác động đến các tác nhân thuộc nhóm năng lượng, thay vì làm nhiễu toàn bộ hệ thống. Nhờ đó, mô phỏng vừa giữ được độ sát thực tế, vừa tránh bị quá tải bởi lượng dữ liệu không cần thiết.
​

Tuy nhiên, dữ liệu chỉ là một nửa bài toán. Khi số lượng tác nhân tăng lên, cách hệ thống phân bổ tài nguyên mới là yếu tố quyết định liệu mô phỏng có thể vận hành được hay không. Nếu tất cả agent đều sử dụng LLM liên tục, chi phí tính toán sẽ nhanh chóng vượt khỏi giới hạn thực tế.

Thay vì cho toàn bộ agent “suy nghĩ” cùng lúc, MiroFish chuyển sang cơ chế lập trình theo sự kiện. Chỉ những tác nhân thực sự bị ảnh hưởng bởi biến động mới được cấp quyền xử lý sâu bằng LLM, trong khi phần còn lại được xử lý bằng các mô hình nhẹ hơn hoặc được gom nhóm thành các đại diện mang tính thống kê.

Khi xuất hiện xung đột lớn hoặc hành vi bắt đầu hội tụ, hệ thống mới chuyển sang mức xử lý chi tiết hơn để đảm bảo độ chính xác. Cách làm này giúp mô phỏng giữ được độ sâu khi cần thiết, nhưng không phải trả chi phí cao cho toàn bộ hệ thống ở mọi thời điểm.

Song song với đó, toàn bộ kiến trúc được thiết kế để chạy phân tán, cho phép hàng nghìn tác nhân hoạt động độc lập trên nhiều lõi xử lý mà không gây nghẽn. Nhờ vậy, hệ thống có thể mở rộng quy mô mà không cần tăng tài nguyên theo cách tuyến tính.​

Không phải dự đoán, mà là một bản đồ xác suất của tương lai​

Thay vì chạy một lần rồi đưa ra kết luận, MiroFish thực hiện cùng một kịch bản hàng nghìn lần với những biến thiên nhỏ trong hành vi của các tác nhân. Cách làm này tương đương với một dạng Monte Carlo simulation, nhưng thay vì biến số toán học thuần túy, nó mô phỏng trực tiếp hành vi con người thông qua LLM.

Kết quả không phải là một đáp án duy nhất, mà là một phân phối xác suất. Người dùng có thể nhìn thấy kịch bản nào chiếm ưu thế, kịch bản nào ít xảy ra hơn, và quan trọng nhất là những trường hợp hiếm nhưng có khả năng gây tác động lớn vẫn không bị “lọc bỏ” như trong các mô hình dự đoán truyền thống.

Điểm khác biệt nằm ở chỗ hệ thống không cố trả lời “điều gì sẽ xảy ra”, mà buộc người dùng phải nhìn vào toàn bộ phổ khả năng. Khi đó, bài toán không còn là đúng hay sai, mà chuyển thành đánh đổi giữa xác suất và rủi ro. Một quyết định có thể có tỷ lệ thành công cao, nhưng nếu đi kèm một kịch bản xấu với hậu quả lớn, nó vẫn cần được cân nhắc theo cách khác.

Chính ở điểm này, MiroFish không còn là công cụ dự đoán, mà trở thành một lớp hỗ trợ ra quyết định. Nó không thay người dùng chọn phương án, nhưng cung cấp đủ bối cảnh để hiểu mình đang đối mặt với điều gì trước khi đưa ra lựa chọn.​

Điểm yếu khó tránh của MiroFish​

Dù kiến trúc có tối ưu đến đâu, MiroFish vẫn phụ thuộc vào LLM, và đây là rủi ro nền tảng. Nếu mô hình lõi có bias hoặc hiểu sai một vấn đề, sai lệch đó không dừng lại ở một tác nhân mà lan ra toàn bộ hệ thống. Khi hàng nghìn agent cùng lệch theo một hướng, kết quả mô phỏng có thể sai một cách rất “hợp lý”, bởi toàn bộ hành vi bên trong vẫn nhất quán với nhau. Điểm nguy hiểm là sai số này không lộ ra như một lỗi rõ ràng, mà tồn tại dưới dạng một chuỗi lập luận trông có vẻ đúng, khiến người dùng dễ tin vào kết quả mà không nhận ra nền tảng bên dưới đã lệch từ đầu.

Không chỉ dừng lại ở mô hình, chất lượng dữ liệu đầu vào cũng là một biến số khó kiểm soát. MiroFish phụ thuộc vào việc “tiêm” dữ liệu theo thời gian thực, nhưng dữ liệu ngoài đời không bao giờ sạch hoặc đầy đủ. Tin tức có thể bị thao túng, mạng xã hội chứa nhiều nhiễu và cảm xúc cực đoan, còn các chỉ số thị trường đôi khi phản ánh chậm hoặc không đúng bản chất. Khi đầu vào đã méo, hệ thống không có cách nào tự sửa sai, mà chỉ tái tạo lại một thực tại bị lệch với độ chi tiết cao hơn, khiến kết quả trông có vẻ sâu sắc nhưng thực chất vẫn dựa trên nền tảng không đáng tin.

Ngay cả khi dữ liệu là chính xác, việc mô hình hóa con người vẫn là một bài toán chưa có lời giải trọn vẹn. Các agent trong hệ thống, dù có trí nhớ và cơ chế reflection, vẫn chỉ là một phiên bản đơn giản hóa của hành vi thực. Những yếu tố như cảm xúc cực đoan, định kiến cá nhân hay các quyết định phi lý trong áp lực cao rất khó được tái hiện chính xác. Điều này khiến mô phỏng có xu hướng “mượt” và logic hơn thực tế, trong khi ngoài đời, chính những hành vi thiếu hợp lý lại thường tạo ra bước ngoặt quan trọng.

Vấn đề trở nên phức tạp hơn khi các tác nhân không hoạt động độc lập mà liên tục ảnh hưởng lẫn nhau. Trong một hệ thống lớn, hành vi của agent này có thể kéo theo thay đổi ở agent khác, tạo thành các vòng phản hồi. Nếu một giả định ban đầu sai, sai lệch đó có thể bị khuếch đại qua nhiều lớp tương tác và lan rộng ra toàn hệ thống. Kết quả cuối cùng vì thế có thể lệch xa thực tế nhưng vẫn giữ được tính logic nội bộ, khiến việc phát hiện sai lệch trở nên khó khăn hơn nhiều so với lỗi cục bộ.

Ngoài ra, vẫn tồn tại một giới hạn mang tính thực dụng là độ trễ. Dù dữ liệu được cập nhật liên tục, luôn có một khoảng cách giữa thế giới thật và mô phỏng. Trong các tình huống biến động nhanh, chỉ cần chậm một khoảng thời gian ngắn, toàn bộ diễn biến có thể đã thay đổi. Khi đó, mô phỏng không còn đóng vai trò “chạy trước tương lai”, mà chỉ đang bám theo những gì vừa xảy ra.

Cuối cùng là bài toán chi phí. Ngay cả khi đã tối ưu bằng cơ chế event driven và trừu tượng hóa tác nhân, việc vận hành hàng nghìn agent với LLM vẫn tiêu tốn tài nguyên rất lớn. Điều này không chỉ giới hạn quy mô và tần suất mô phỏng, mà còn ảnh hưởng trực tiếp đến khả năng triển khai trong thực tế. Không phải lúc nào cũng có đủ tài nguyên để chạy hàng chục nghìn kịch bản cho mỗi quyết định, và đó là rào cản khiến mô hình này khó phổ biến rộng rãi trong ngắn hạn.​

Từ Big Data sang Big Simulation​

Nhìn tổng thể, MiroFish không phải một mô hình AI đột phá theo nghĩa truyền thống mà là một lớp điều phối thông minh nằm trên nhiều thành phần có sẵn. Nó biến dữ liệu thành các tác nhân, biến giả định thành tương tác và để chúng va chạm trong một môi trường kiểm soát.

Điều mà nó mở ra không phải là khả năng dự đoán chính xác, mà là một cách tiếp cận mới trong việc ra quyết định. Khi việc “chạy thử” các kịch bản trở nên khả thi, con người không còn bị động trước tương lai mà có thể chủ động chuẩn bị cho nhiều khả năng khác nhau. Và đó có thể chính là bước chuyển lớn tiếp theo của kỷ nguyên AI.​