Én dag efter at have udgivet autoforskning oprettede Karpathy en vision, der gik endnu længere: næste skridt er massivt kollaborativ distribueret AI-forskning, modelleret efter SETI@home.

Målet? Ikke at efterligne én ph.d.-studerende, der kører eksperimenter. Men at efterligne et helt forskersamfund af dem.

Fra Enkelt Agent til Sværm

Autoforskning v1 er kraftfuld, men sekventiel. Én agent ændrer kode, kører et eksperiment, beholder eller kasserer resultatet og gentager. Det er som at have én utrættelig forsker, der arbejder hele natten.

Men Karpathy ser en større fremtid: hundredvis af agenter, der kører eksperimenter parallelt, deler resultater og bygger på hinandens opdagelser — præcis ligesom SETI@home distribuerede beregninger på tværs af tusindvis af frivilliges computere.

Den arkitektur, Karpathy beskrev, kræver distribueret opgaveopdeling, resultatdeduplikering og hukommelse på tværs af agenter. Agenter skal vide, hvad andre agenter har forsøgt, så de ikke duplikerer arbejde, og de skal bygge på hinandens succesfulde eksperimenter.

AgentHub: Git til AI-Sværme

Mød AgentHub — Karpathys agent-first samarbejdsplatform. Den er designet som et bart git-repository plus opslagstavle, bygget til sværme af AI-agenter, der arbejder på den samme kodebase.

Den vigtige designbeslutning: ingen grene, ingen pull requests, ingen sammenfletninger. Bare agenter, der bidrager med eksperimenter til en delt forskningstråd. Dette eliminerer den menneskelige overhead ved kodegennemgang og grensstyring, der ville skabe en flaskehals for en sværm på 100 agenter.

Enhver kan køre en autoforskning-agent og bidrage til fællesskabet via AgentHub, hvilket skaber et SETI@home-lignende distribueret forskningsnetværk, hvor hver deltagers GPU bidrager til kollektive opdagelser.

Allerede i Gang: 333 Eksperimenter på Én Nat

Dette er ikke bare teori. Det distribuerede autoforskningsmønster er allerede ved at blive implementeret.

Natten mellem 8. og 9. marts 2026 kørte 35 autonome agenter distribueret over et peer-to-peer-netværk 333 eksperimenter helt uden opsyn. Hver node kørte autoforskning-løkken uafhængigt, og succesfulde opdagelser blev delt på tværs af netværket.

Hvor Karpathys single-agent opsætning producerede ~100 eksperimenter om natten, tredobledes det med den distribuerede tilgang den første nat — og det var med kun 35 noder.

Hvorfor Markdown Skalerer

På hvert niveau i dette distribuerede system er den menneskelige grænseflade Markdown:

Individuelt niveau: Du skriver en program.md til at styre din agent
Teamniveau: AGENTS.md koordinerer flere agenter, der arbejder på en delt kodebase
Fællesskabsniveau: AgentHub-diskussioner bruger Markdown til at dele resultater og strategier

Markdown skalerer fra at styre ét nattligt eksperiment til at koordinere et globalt forskersamfund. Det er det samme format på hvert lag — menneskeligt læsbart, maskinfortolkeligt og versionsstyret.

Hvad Dette Betyder for Forskning

Konsekvenserne af distribueret autoforskning er betydelige:

Bredere hypotesesøgning. En enkelt agent udforsker én vej ad gangen. En sværm udforsker hundredvis af veje samtidigt. Chancen for gennembrud stiger med antallet af søgende agenter.

Hurtigere iteration. Når én agents opdagelse deles med sværmen, drager alle agenter øjeblikkeligt fordel. En 1% forbedring fundet af Agent #47 bliver den nye baseline for alle 100 agenter.

Robuste negative resultater. Når det samme eksperiment mislykkes på tværs af flere agenter, er det negative resultat statistisk signifikant. Sværmen lærer, hvad der ikke virker, lige så effektivt som hvad der virker.

Demokratiseret deltagelse. Du behøver ikke et GPU-cluster. Én person med én GPU kan bidrage til kollektiv forskning. SETI@home-modellen beviste, at dette skalerer til millioner af deltagere.

Videnslageret

At deltage i distribueret autoforskning — hvad enten du kører din egen agent eller bidrager til en fællesskabsindsats — kræver faglig viden. Du skal forstå forskningsrummet godt nok til at skrive gode program.md-instruktioner.

Det er her, at opbygge en personlig vidensbase i Markdown betaler sig. Den dokumentation, de artikler og bedste praksisser, du har gemt, bliver grundlaget for at skrive agentinstruktioner, der driver forskning i produktive retninger.

Det fællesskab, der producerer de bedste resultater, vil være det med den bedste delte viden, fanget og organiseret i det format, som AI-agenter forstår bedst: Markdown.

Save konverterer enhver webside til ren Markdown — og opbygger det vidensbibliotek, der driver bedre AI-agentinstruktioner, fra individuel autoforskning til distribuerede sværme. Prøv Save gratis.