Un giovane sviluppatore cinese, Guo Hangjiang, sostiene di aver realizzato in pochi giorni un sistema denominato “MiroFish”, presentato come una piattaforma in grado di “prevedere il futuro”. Al di là della formulazione mediatica, il progetto rappresenta un esempio tecnicamente significativo di applicazione avanzata di modelli multi-agente e simulazione sociale su larga scala.
Il sistema si basa su un’architettura di intelligenza collettiva che utilizza fino a un milione di agenti artificiali autonomi. Questi agenti non sono semplici copie di uno stesso modello, ma entità differenziate dotate di caratteristiche individuali, memoria, comportamento e logiche decisionali proprie. L’obiettivo non è calcolare direttamente un evento futuro, ma ricostruire un ambiente simulato in cui emergono dinamiche collettive simili a quelle reali.
Il processo inizia con l’acquisizione di un corpus di dati eterogenei, che può includere notizie, report finanziari, elenchi di attori sociali o testi normativi. Questi dati vengono trasformati in una struttura formale nota come knowledge graph, una rete di entità e relazioni che rappresenta il contesto di riferimento. Su questa base vengono generati gli agenti, ciascuno dei quali eredita una posizione all’interno della rete e una serie di attributi comportamentali.
Una volta inizializzati, gli agenti vengono inseriti in un ambiente simulato che replica dinamiche sociali complesse, incluse interazioni tipiche delle piattaforme digitali come pubblicazione di contenuti, discussione, formazione di opinioni e loro evoluzione nel tempo. Questo ambiente non è statico, ma dinamico: gli agenti reagiscono alle azioni degli altri, modificano le proprie strategie e contribuiscono alla formazione di pattern emergenti. Il sistema, a valle di queste simulazioni, aggrega i risultati e produce scenari previsionali sotto forma di report.
Il principio teorico alla base è quello della “swarm intelligence”, o intelligenza collettiva, secondo cui il comportamento globale di un sistema complesso emerge dall’interazione di molte unità semplici. In questo senso, la piattaforma non pretende di determinare un singolo futuro, ma di esplorare molteplici traiettorie possibili, identificando quelle statisticamente più probabili in base alle dinamiche simulate.
Questo approccio segna una differenza sostanziale rispetto ai modelli predittivi tradizionali. I sistemi classici di previsione si basano su modelli matematici che cercano di estrarre correlazioni dirette tra variabili storiche e risultati futuri. Al contrario, il modello multi-agente introduce una dimensione comportamentale e interattiva, cercando di riprodurre la complessità dei sistemi sociali. In pratica, invece di risolvere un’equazione, il sistema costruisce una simulazione del mondo.
Tuttavia, la narrazione della “previsione del futuro” richiede una precisazione tecnica fondamentale. Come evidenziato anche dalle analisi parallele, questi sistemi non producono previsioni deterministiche, ma scenari probabilistici derivati da ipotesi iniziali e regole di comportamento. Il risultato finale dipende fortemente dalla qualità dei dati in ingresso, dalle assunzioni modellistiche e dai parametri assegnati agli agenti. In altre parole, il sistema non scopre il futuro, ma genera simulazioni plausibili.
Questo introduce una serie di limiti strutturali. In primo luogo, la rappresentazione della realtà attraverso un knowledge graph è necessariamente incompleta e semplificata. Le relazioni tra entità sono ridotte a schemi formalizzati, che non sempre catturano la complessità del mondo reale. In secondo luogo, la modellazione del comportamento umano, per quanto sofisticata, resta una approssimazione: fattori come emozioni, contesto culturale o eventi imprevisti possono alterare significativamente gli esiti reali rispetto a quelli simulati.
Un ulteriore elemento critico riguarda la scalabilità e la validazione. La presenza di un numero elevato di agenti aumenta la complessità computazionale e rende difficile verificare l’accuratezza dei risultati. Inoltre, la validazione empirica di una previsione è possibile solo ex post, quando l’evento si è già verificato, rendendo complesso distinguere tra capacità predittiva reale e coincidenza statistica.
Nonostante questi limiti, il progetto si inserisce in una tendenza più ampia legata allo sviluppo di modelli predittivi avanzati e alla crescente importanza strategica dell’intelligenza artificiale, in particolare in contesti come quello cinese, dove l’investimento in tecnologie emergenti è parte di una strategia sistemica di leadership globale. In questo quadro, sistemi come MiroFish possono essere interpretati come strumenti di analisi scenariale, utili per supportare decisioni in ambiti come finanza, politica o pianificazione strategica.