MiroFish : Le Moteur IA de Prédiction par Essaim qui a Reçu 4M€ en 24h (Guide Complet)

Imaginez un logiciel dans lequel vous injectez un article de presse, un signal financier ou un projet de loi, et qui construit instantanément un monde numérique peuplé de milliers de personnages autonomes. Ces personnages débattent, forment des coalitions, changent d'avis, et leurs comportements collectifs produisent un rapport de prédiction sur ce qui pourrait se passer dans le monde réel.

Ce logiciel existe. Il s'appelle MiroFish, il est open source, et il a été construit en dix jours par un étudiant chinois de 20 ans.

Depuis son lancement début mars 2026, MiroFish a accumulé plus de 33 000 étoiles sur GitHub, s'est hissé en tête du classement mondial GitHub Trending, et a décroché un financement de 30 millions de yuans (environ 4 millions d'euros) en moins de 24 heures. Le projet fascine autant par son ambition technique que par l'histoire improbable de sa création.

MiroFish est un moteur de prédiction par intelligence en essaim (swarm intelligence). Contrairement aux modèles de prévision classiques qui s'appuient sur des séries temporelles ou des régressions statistiques, MiroFish adopte une approche radicalement différente : il simule le comportement humain collectif.

Le principe est simple à comprendre, même si l'exécution est complexe. Vous fournissez au système un document source : un article de presse, un rapport financier, un projet de politique publique, voire un roman. MiroFish extrait les entités et les relations de ce document pour construire un graphe de connaissances. À partir de ce graphe, il génère des milliers d'agents IA autonomes, chacun doté d'une personnalité propre, d'une mémoire à long terme, d'un historique social et d'une logique comportementale unique.

Ces agents sont ensuite lâchés dans un environnement numérique qui simule des plateformes sociales (de type X ou Reddit). Ils interagissent librement : ils publient, commentent, se suivent, débattent, changent de position. Les dynamiques collectives qui émergent de ces interactions (formation d'opinions dominantes, polarisation, effets de groupe, basculements narratifs) sont analysées pour produire un rapport de prédiction structuré.

En résumé : MiroFish ne prédit pas l'avenir en extrapolant des chiffres. Il construit une version miniature du système social concerné et la fait tourner en accéléré.

L'histoire de MiroFish commence avec Guo Hangjiang, étudiant en dernière année à l'Université des Postes et Télécommunications de Pékin. Connu sous le pseudo "Baifu" sur les plateformes de développement, Guo est passionné par l'architecture d'agents intelligents et le calcul de graphes.

Fin 2024, son premier projet open source, BettaFish (un outil d'analyse de sentiment multi-agents), avait déjà atteint la première place du GitHub Trending mondial et récolté 20 000 étoiles en une semaine. Ce succès a attiré l'attention de Chen Tianqiao, fondateur du groupe Shanda et ancien homme le plus riche de Chine. Chen, devenu investisseur technologique basé aux États-Unis, promeut une théorie du "super-individu" : l'idée qu'à l'ère de l'IA, une seule personne peut créer l'équivalent d'une entreprise entière.

Chen a invité Guo en stage chez Shanda avec une liberté totale. En dix jours, en utilisant ce que Guo appelle le "vibe coding" (une méthode de développement rapide et intuitive assistée par des outils IA), MiroFish était fonctionnel. Le soir même, Guo a enregistré une démo vidéo et l'a envoyée directement à Chen Tianqiao.

En moins de 24 heures, Chen a engagé 30 millions de yuans (environ 4,1 millions de dollars) pour incuber le projet. Guo est passé du statut de stagiaire à celui de PDG du jour au lendemain. Le 7 mars 2026, MiroFish a atteint la première place du classement GitHub Trending mondial, avec 18 000 étoiles et près de 1 900 forks en quelques jours seulement.

Le fonctionnement de MiroFish repose sur un pipeline en cinq étapes clairement définies. Voici comment le système transforme un simple document en une simulation prédictive complète.

Le document source (article de presse, rapport financier, projet de loi, œuvre littéraire) est analysé par GraphRAG, une technologie de génération augmentée par récupération optimisée pour les données structurées. Le système extrait les entités (personnes, organisations, événements, concepts) et leurs relations pour construire un graphe de connaissances qui servira de fondation à la simulation.

À partir du graphe, MiroFish génère des milliers de personas d'agents. Chaque agent reçoit un profil unique comprenant une personnalité distincte, un historique, une position initiale sur le sujet, et des relations sociales avec d'autres agents. Un agent de configuration d'environnement définit les règles de la simulation. La mémoire à long terme de chaque agent est gérée par Zep Cloud, ce qui leur permet de retenir et de faire évoluer leurs expériences au fil du temps.

La simulation se lance sur deux plateformes parallèles (une de type X et une de type Reddit) via le moteur OASIS, développé par la communauté de recherche CAMEL-AI. Ce moteur est conçu pour gérer jusqu'à un million d'agents simultanément avec 23 types d'actions sociales (publier, commenter, aimer, suivre, etc.). Pendant la simulation, les mémoires des agents sont mises à jour dynamiquement en fonction de leurs interactions.

Un agent spécialisé appelé ReportAgent analyse les résultats de la simulation. Il examine les évolutions d'opinion, les coalitions formées, les modèles comportementaux émergents, et compile un rapport de prédiction structuré et lisible. Ce rapport identifie les scénarios les plus probables et les dynamiques clés observées.

Après la simulation, vous pouvez interagir directement avec n'importe quel agent ou avec le ReportAgent. Vous pouvez poser des questions complémentaires, injecter de nouvelles variables ("que se passerait-il si la Fed baissait les taux ?", "que se passerait-il si le PDG démissionnait ?"), et relancer des scénarios modifiés. C'est ce que MiroFish appelle la "vue divine" (God's-eye view) : la capacité d'altérer les conditions en cours de simulation et d'observer en temps réel comment le monde numérique se réorganise.

Pour bien comprendre ce que MiroFish apporte, il est utile de le comparer aux méthodes de prévision classiques.

Ces deux approches ne sont pas mutuellement exclusives. La valeur de MiroFish réside dans sa capacité à faire émerger des scénarios et des dynamiques que les modèles statistiques ne captent pas : les retournements d'opinion, les effets de cascade, les coalitions inattendues. La prévision traditionnelle reste supérieure pour les estimations quantitatives précises.

MiroFish peut simuler la réaction collective de différents profils d'investisseurs (particuliers, institutionnels, analystes) face à un signal de marché. Une démonstration a simulé les conséquences d'une hausse des taux de la Fed en observant comment les sentiments de groupe convergent et comment les trajectoires d'opinion publique se forment. Pour des équipes de stratégie financière, c'est un outil de stress-test narratif : non pas "quel sera le prix ?" mais "comment les acteurs du marché vont-ils réagir et s'influencer mutuellement ?".

Avant de lancer une politique publique, il est possible de simuler les réactions des parties prenantes : citoyens, lobbies, médias, opposition. MiroFish peut faire émerger des alliances inattendues ou des points de blocage que les analyses classiques ne détecteraient pas. L'extension vers la modélisation géopolitique et le wargaming est une possibilité naturelle de cette architecture.

Face à une crise potentielle, MiroFish permet de simuler comment l'opinion publique évoluerait sur les réseaux sociaux. Quels narratifs domineraient ? Quels groupes se formeraient ? Où se situeraient les points d'inflexion ? C'est un simulateur de crise avant que la crise n'arrive.

Pour évaluer une campagne marketing ou le lancement d'un produit, MiroFish peut simuler les réactions de milliers de profils de consommateurs avec des personnalités et des préférences différentes. Au lieu de sondages ou de focus groups, vous obtenez une simulation dynamique de la propagation du message et de ses effets sur différents segments.

Le projet repose sur une combinaison de technologies qui, prises individuellement, existent depuis un certain temps, mais dont l'assemblage est ce qui rend MiroFish innovant.

Le moteur OASIS, développé par la communauté de recherche CAMEL-AI, est un élément central. Publié dans des travaux de recherche évalués par des pairs, OASIS est capable de simuler jusqu'à un million d'agents avec 23 types d'interactions sociales. Il reproduit des phénomènes sociaux documentés : propagation d'information, polarisation de groupe, effet de troupeau. C'est cette fondation scientifique solide qui donne à MiroFish sa crédibilité technique.

Le fait que Guo Hangjiang ait pu assembler tout cela en dix jours en dit autant sur la maturité de ces composants (LLMs, GraphRAG, mémoire cloud pour agents) que sur ses compétences de développeur. Le "vibe coding", souvent moqué, trouve ici une illustration concrète de sa puissance : la capacité d'un individu seul à construire un système complexe en s'appuyant sur des briques IA existantes.

Soyons transparents : chez Emelia, nous n'avons pas installé MiroFish sur nos machines, et nous ne le ferons pas pour le moment.

La raison est simple et pragmatique. Pour des questions de sécurité informatique, notre politique interne ne nous permet pas d'installer directement des dépôts open source chinois sur nos infrastructures. Ce n'est pas un jugement sur la qualité du code ou les intentions du projet. C'est une mesure de précaution standard que de nombreuses entreprises européennes appliquent, en particulier lorsque le dépôt est récent, que la documentation est partiellement en mandarin, et que le projet nécessite des clés API et un accès réseau.

Cela dit, le concept reste absolument fascinant, et c'est précisément pour cette raison que nous en parlons.

L'approche de MiroFish représente un changement de paradigme potentiel dans la façon dont nous pensons la prévision. Au lieu de demander "que disent les données historiques ?", elle demande "que feraient des milliers de personnes simulées face à cette situation ?". Pour la finance, le marketing, la politique publique ou la gestion de crise, c'est une perspective puissante.

D'ailleurs, la communauté open source a déjà commencé à créer des forks et des versions alternatives. Un développeur a notamment publié une version entièrement locale et en anglais, qui fonctionne sans API cloud, ce qui élimine une partie des préoccupations liées à la sécurité et à la dépendance à des services tiers.

MiroFish est un projet prometteur, mais il est important de garder un regard critique.

Premièrement, il n'existe aucun benchmark publié comparant les prédictions de MiroFish à des résultats réels. Le système produit des scénarios plausibles, mais aucune étude ne démontre encore que ces scénarios sont plus fiables que d'autres méthodes de prévision. "Scarily accurate" est une impression partagée sur les réseaux sociaux, pas une évaluation scientifique rigoureuse.

Deuxièmement, le coût en appels API est significatif. Chaque agent consomme des tokens LLM à chaque interaction, et une simulation avec des centaines d'agents sur plusieurs dizaines de tours peut devenir très coûteuse. Le projet recommande d'ailleurs de limiter les simulations à moins de 40 tours.

Troisièmement, les agents héritent des biais de leurs modèles de langage sous-jacents. Les LLMs ont tendance à produire des comportements de groupe plus polarisés et plus grégaires que les humains réels. Les simulations de MiroFish pourraient donc amplifier certaines dynamiques au-delà de ce qui se produirait dans la réalité.

Enfin, le projet en est à la version 0.1.2. C'est un prototype fonctionnel, pas un produit mature. L'équipe recrute activement (les postes sont publiés sur le dépôt GitHub avec des adresses en @shanda.com), ce qui confirme que le développement ne fait que commencer.

MiroFish s'inscrit dans une tendance plus large : l'utilisation de systèmes multi-agents non plus pour exécuter des tâches, mais pour simuler des systèmes complexes. Cette approche pourrait transformer plusieurs domaines dans les années à venir.

En épidémiologie, des essaims d'agents pourraient simuler la propagation de maladies et l'efficacité de différentes stratégies de confinement. En urbanisme, ils pourraient tester l'impact d'une nouvelle infrastructure sur les flux de population. En assurance, ils pourraient modéliser les comportements d'évacuation en cas de catastrophe naturelle.

Le fait qu'un étudiant de 20 ans ait pu construire un tel système en dix jours illustre à quel point les composants nécessaires (LLMs, graphes de connaissances, mémoire persistante pour agents, moteurs de simulation à grande échelle) sont devenus accessibles. La prochaine étape sera la validation : prouver que ces simulations produisent des résultats réellement prédictifs, pas seulement plausibles.

En attendant, MiroFish reste ce que l'on pourrait appeler un "SimCity de la prédiction" : un outil fascinant pour explorer des futurs possibles, poser des questions "et si ?", et visualiser des dynamiques sociales complexes. Pour les équipes de stratégie, de finance ou de communication, c'est un concept à suivre de très près, même si l'installation directe n'est pas encore à l'ordre du jour.