Von SETI@home zu AgentHub: Karpathys Vision für verteilte KI-Forschung

Einen Tag nach der Veröffentlichung von autoresearch postete Karpathy eine Vision, die noch weiter ging: Der nächste Schritt ist massiv kollaborative verteilte KI-Forschung, modelliert nach SETI@home.

Das Ziel? Nicht einen einzelnen PhD-Studenten zu emulieren, der Experimente durchführt. Eine ganze Forschungsgemeinschaft zu emulieren.

Von einem einzelnen Agenten zum Schwarm

Autoresearch v1 ist mächtig, aber sequenziell. Ein Agent modifiziert Code, führt ein Experiment durch, behält oder verwirft das Ergebnis, und wiederholt. Es ist wie einen unermüdlichen Forscher zu haben, der die ganze Nacht arbeitet.

Aber Karpathy sieht eine größere Zukunft: Hunderte von Agenten, die parallel Experimente durchführen, Ergebnisse teilen und auf den Entdeckungen der anderen aufbauen — genau wie SETI@home verteiltes Computing auf Tausenden von Freiwilligenmaschinen durchführte.

Die von Karpathy beschriebene Architektur erfordert verteiltes Task-Sharding, Ergebnis-Deduplizierung und Cross-Agent-Memory. Agenten müssen wissen, was andere Agenten versucht haben, damit sie keine Arbeit duplizieren, und sie müssen auf den erfolgreichen Experimenten der anderen aufbauen.

AgentHub: Git für KI-Schwärme

Hier kommt AgentHub — Karpathys Agent-first-Kollaborationsplattform. Es ist als Bare-Git-Repo plus Message Board konzipiert, gebaut für Schwärme von KI-Agenten, die an derselben Codebasis arbeiten.

Die wichtige Designentscheidung: keine Branches, keine Pull Requests, keine Merges. Nur Agenten, die Experimente zu einem gemeinsamen Forschungsthread beitragen. Das eliminiert den menschlichen Overhead von Code-Reviews und Branch-Management, der einen Schwarm von 100 Agenten bottlenecken würde.

Jeder kann einen autoresearch-Agenten starten und über AgentHub zur Community beitragen, was ein SETI@home-artiges verteiltes Forschungsnetzwerk schafft, in dem die GPU jedes Teilnehmers zur kollektiven Entdeckung beiträgt.

Bereits passiert: 333 Experimente in einer Nacht

Das ist nicht nur Theorie. Das verteilte autoresearch-Muster wird bereits implementiert.

In der Nacht des 8.-9. März 2026 führten 35 autonome Agenten, verteilt über ein Peer-to-Peer-Netzwerk, 333 Experimente völlig unbeaufsichtigt durch. Jeder Knoten führte die autoresearch-Schleife unabhängig aus, und erfolgreiche Entdeckungen wurden im Netzwerk geteilt.

Während Karpathys Single-Agent-Setup ~100 Experimente über Nacht produzierte, verdreifachte der verteilte Ansatz das in seiner ersten Nacht — und das war nur mit 35 Knoten.

Warum Markdown skaliert

Auf jeder Ebene dieses verteilten Systems ist die menschliche Schnittstelle Markdown:

• Individuelle Ebene: Du schreibst ein program.md, um deinen Agenten zu steuern
• Team-Ebene: AGENTS.md koordiniert mehrere Agenten, die an einer gemeinsamen Codebasis arbeiten
• Community-Ebene: AgentHub-Diskussionen verwenden Markdown, um Ergebnisse und Strategien zu teilen

Markdown skaliert von der Steuerung eines einzigen Übernacht-Experiments bis zur Koordination einer globalen Forschungsgemeinschaft. Es ist dasselbe Format auf jeder Ebene — menschenlesbar, maschinenparsierbar und versionierbar.

Was das für die Forschung bedeutet

Die Implikationen von verteiltem autoresearch sind bedeutsam:

Breitere Hypothesensuche. Ein einzelner Agent erkundet jeweils einen Pfad. Ein Schwarm erkundet Hunderte von Pfaden gleichzeitig. Die Chance, Durchbrüche zu finden, steigt mit der Anzahl der suchenden Agenten.

Schnellere Iteration. Wenn die Entdeckung eines Agenten mit dem Schwarm geteilt wird, profitieren alle Agenten sofort davon. Eine 1%ige Verbesserung von Agent #47 wird zur neuen Baseline für alle 100 Agenten.

Robuste Negativergebnisse. Wenn dasselbe Experiment bei mehreren Agenten scheitert, ist dieses Negativergebnis statistisch signifikant. Der Schwarm lernt, was nicht funktioniert, genauso effizient wie das, was funktioniert.

Demokratisierte Teilnahme. Du brauchst keinen GPU-Cluster. Eine Person mit einer GPU kann zur kollektiven Forschung beitragen. Das SETI@home-Modell bewies, dass das auf Millionen von Teilnehmern skaliert.

Die Wissensschicht

An verteiltem autoresearch teilzunehmen — ob du deinen eigenen Agenten startest oder zu einem Community-Effort beiträgst — erfordert Domänenwissen. Du musst den Forschungsbereich gut genug verstehen, um gute program.md-Anweisungen zu schreiben.

Hier zahlt sich der Aufbau einer persönlichen Wissensdatenbank in Markdown aus. Die Dokumentation, Artikel und Best Practices, die du gespeichert hast, werden zur Grundlage für das Schreiben von Agenten-Anweisungen, die die Forschung in produktive Richtungen lenken.

Die Community, die die besten Ergebnisse produziert, wird diejenige mit dem besten geteilten Wissen sein, erfasst und organisiert in dem Format, das KI-Agenten am besten verstehen: Markdown.

---

Save konvertiert jede Webseite in sauberes Markdown — und baut die Wissensbibliothek auf, die bessere KI-Agenten-Anweisungen antreibt, von individuellem autoresearch bis hin zu verteilten Schwärmen. Save kostenlos testen.