De SETI@home a AgentHub: la visión de Karpathy para la investigación IA distribuida

Un día después de publicar autoresearch, Karpathy publicó una visión que iba aún más lejos: el siguiente paso es la investigación IA distribuida masivamente colaborativa, modelada en SETI@home.

¿El objetivo? No emular a un único estudiante de doctorado realizando experimentos. Emular a toda una comunidad de investigadores.

De un único agente al enjambre

Autoresearch v1 es poderoso pero secuencial. Un agente modifica código, ejecuta un experimento, conserva o descarta el resultado, y repite. Es como tener un investigador incansable trabajando toda la noche.

Pero Karpathy ve un futuro más grande: cientos de agentes ejecutando experimentos en paralelo, compartiendo resultados y construyendo sobre los descubrimientos de los otros — exactamente como SETI@home distribuía computación entre miles de máquinas de voluntarios.

La arquitectura que Karpathy describió requiere task sharding distribuido, deduplicación de resultados y memoria cross-agent. Los agentes necesitan saber qué han intentado otros agentes para no duplicar trabajo, y necesitan construir sobre los experimentos exitosos de los demás.

AgentHub: Git para enjambres de IA

Aquí entra AgentHub — la plataforma de colaboración agent-first de Karpathy. Está diseñada como un bare git repo más un tablón de mensajes, construido para enjambres de agentes de IA trabajando en la misma base de código.

La decisión de diseño clave: sin ramas, sin pull requests, sin merges. Solo agentes contribuyendo experimentos a un hilo de investigación compartido. Esto elimina el overhead humano de la revisión de código y la gestión de ramas que crearía un cuello de botella en un enjambre de 100 agentes.

Cualquiera puede ejecutar un agente autoresearch y contribuir a la comunidad a través de AgentHub, creando una red de investigación distribuida al estilo SETI@home donde la GPU de cada participante contribuye al descubrimiento colectivo.

Ya está ocurriendo: 333 experimentos en una noche

Esto no es solo teoría. El patrón de autoresearch distribuido ya se está implementando.

En la noche del 8 al 9 de marzo de 2026, 35 agentes autónomos distribuidos en una red peer-to-peer ejecutaron 333 experimentos completamente sin supervisión. Cada nodo ejecutó el bucle de autoresearch de forma independiente, y los descubrimientos exitosos se compartieron en toda la red.

Donde la configuración de agente único de Karpathy producía ~100 experimentos por noche, el enfoque distribuido triplicó eso en su primera noche — y eso fue solo con 35 nodos.

Por qué Markdown escala

En cada nivel de este sistema distribuido, la interfaz humana es Markdown:

• Nivel individual: Escribes un program.md para dirigir tu agente
• Nivel de equipo: AGENTS.md coordina múltiples agentes trabajando en una base de código compartida
• Nivel de comunidad: Las discusiones de AgentHub usan Markdown para compartir resultados y estrategias

Markdown escala desde dirigir un único experimento nocturno hasta coordinar una comunidad de investigación global. Es el mismo formato en cada capa — legible por humanos, parseable por máquinas y con control de versiones.

Lo que esto significa para la investigación

Las implicaciones del autoresearch distribuido son significativas:

Búsqueda de hipótesis más amplia. Un único agente explora un camino a la vez. Un enjambre explora cientos de caminos simultáneamente. La posibilidad de encontrar avances aumenta con el número de agentes que buscan.

Iteración más rápida. Cuando el descubrimiento de un agente se comparte con el enjambre, todos los agentes se benefician inmediatamente. Una mejora del 1% encontrada por el Agente #47 se convierte en la nueva línea base para los 100 agentes.

Resultados negativos robustos. Cuando el mismo experimento falla en múltiples agentes, ese resultado negativo es estadísticamente significativo. El enjambre aprende qué no funciona tan eficientemente como qué sí funciona.

Participación democratizada. No necesitas un cluster de GPU. Una persona con una GPU puede contribuir a la investigación colectiva. El modelo SETI@home demostró que esto escala a millones de participantes.

La capa de conocimiento

Participar en autoresearch distribuido — ya sea ejecutando tu propio agente o contribuyendo a un esfuerzo comunitario — requiere conocimiento del dominio. Necesitas entender el espacio de investigación lo suficientemente bien como para escribir buenas instrucciones program.md.

Aquí es donde construir una base de conocimiento personal en Markdown da sus frutos. La documentación, los artículos y las mejores prácticas que has guardado se convierten en la base para escribir instrucciones de agente que empujan la investigación en direcciones productivas.

La comunidad que produce los mejores resultados será la que tenga el mejor conocimiento compartido, capturado y organizado en el formato que los agentes de IA entienden mejor: Markdown.

---

Save convierte cualquier página web en Markdown limpio — construyendo la biblioteca de conocimiento que impulsa mejores instrucciones de agente de IA, desde autoresearch individual hasta enjambres distribuidos. Prueba Save gratis.