Swarm Intelligence
🇹🇭 ภาษาไทย
แนวคิดที่ว่า intelligence ระดับสูงเกิดขึ้นจาก interaction ของ individual agents จำนวนมากที่แต่ละตัว “ฉลาด” แค่จำกัด — collective emergence ที่ไม่สามารถ predict ได้จากการดู agent เดี่ยวๆ
“Capturing the collective emergence triggered by individual interactions”
แนวคิดหลัก
ธรรมชาติเต็มไปด้วย swarm intelligence: ฝูงนก, รังมด, ตลาดหุ้น, สังคมมนุษย์ pattern ระดับ macro เกิดขึ้นจาก rule ระดับ micro ที่เรียบง่าย ใน AI context — แทนที่จะ model พฤติกรรม macro โดยตรง สร้าง agents จำนวนมากพร้อม rules ของตัวเอง แล้วปล่อยให้ macro behavior emerge
เปรียบเทียบกับ Traditional Prediction
| Traditional Models | Swarm Intelligence | |
|---|---|---|
| แนวทาง | Top-down: model macro patterns | Bottom-up: agents interact → emergence |
| Assumption | Rational actors, static parameters | Heterogeneous agents, dynamic adaptation |
| ความโปร่งใส | สูง (interpretable formula) | ต่ำ (emergent, ตามรอยยาก) |
| ความยืดหยุ่น | ต่ำ (เปลี่ยน assumption ยาก) | สูง (inject variables ได้ระหว่าง sim) |
| ตัวอย่าง | regression, econometric model | MiroFish |
ในบริบทของ MiroFish
MiroFish ใช้ swarm intelligence เพื่อ prediction โดยสร้าง agents พร้อม personality + memory + behavioral logic ให้ interact กัน แล้วสังเกต collective emergence เป็น output “God’s eye injection” ทำให้ inject variables ระหว่าง simulation ได้ — ทดสอบ counterfactuals ได้
Open Questions
- Validation ทำอย่างไร? รู้ได้อย่างไรว่า simulation accurate?
- มี overfitting risk ไหม? (simulation ดูดีแต่ไม่ generalizable)
Related
- Multi-Agent Simulation — implementation framework สำหรับ swarm systems
- MiroFish — ตัวอย่างหลักใน wiki นี้
🇬🇧 English
The principle that high-level intelligence emerges from interactions among many individual agents, each with only limited “intelligence” on its own. The collective behavior cannot be predicted by studying individual agents in isolation.
“Capturing the collective emergence triggered by individual interactions”
Core Idea
Nature is full of swarm intelligence: flocks of birds, ant colonies, stock markets, human societies. Macro-level patterns arise from simple micro-level rules. In AI, instead of modeling macro behavior directly, you create many agents with their own rules and let macro behavior emerge from their interactions.
Swarm Intelligence vs. Traditional Prediction
| Traditional Models | Swarm Intelligence | |
|---|---|---|
| Approach | Top-down: model macro patterns | Bottom-up: agents interact → emergence |
| Assumptions | Rational actors, static parameters | Heterogeneous agents, dynamic adaptation |
| Transparency | High (interpretable formula) | Low (emergent, hard to trace) |
| Flexibility | Low (hard to change assumptions) | High (inject variables mid-simulation) |
| Examples | Regression, econometric models | MiroFish, OASIS |
In the Context of MiroFish
MiroFish uses swarm intelligence for prediction by:
- Creating many agents with individual personality, memory, and behavioral logic
- Letting agents interact in a simulated environment
- Observing the collective emergence as the prediction output
“God’s eye injection” — the ability to inject variables mid-simulation — enables counterfactual testing: “If variable X occurs, how does the collective behavior change?”
Open Questions
- How do you validate? How do you know whether the simulation is accurate?
- Is there an overfitting risk? (A simulation that looks good but doesn’t generalize)