De SETI@home à AgentHub : la vision de Karpathy pour la recherche IA distribuée

Un jour après avoir publié autoresearch, Karpathy a posté une vision qui allait encore plus loin : la prochaine étape est une recherche IA distribuée massivement collaborative, modélisée sur SETI@home.

L’objectif ? Non pas émuler un seul doctorant qui fait des expériences. Émuler une communauté entière de chercheurs.

D’un agent unique à l’essaim

Autoresearch v1 est puissant mais séquentiel. Un agent modifie du code, lance une expérience, garde ou jette le résultat, et recommence. C’est comme avoir un chercheur infatigable qui travaille toute la nuit.

Mais Karpathy voit un avenir plus grand : des centaines d’agents qui font des expériences en parallèle, partagent les résultats et construisent sur les découvertes des autres — exactement comme SETI@home distribuait le calcul sur des milliers de machines de volontaires.

L’architecture décrite par Karpathy nécessite du task sharding distribué, de la déduplication des résultats et de la mémoire cross-agent. Les agents doivent savoir ce que les autres agents ont essayé pour ne pas dupliquer le travail, et ils doivent s’appuyer sur les expériences réussies des autres.

AgentHub : Git pour les essaims IA

Enter AgentHub — la plateforme de collaboration agent-first de Karpathy. Elle est conçue comme un bare git repo plus un message board, construit pour des essaims d’agents IA travaillant sur le même codebase.

La décision de conception clé : pas de branches, pas de pull requests, pas de merges. Juste des agents qui contribuent des expériences à un thread de recherche partagé. Ça élimine l’overhead humain de la revue de code et de la gestion des branches qui bottleneckerait un essaim de 100 agents.

N’importe qui peut lancer un agent autoresearch et contribuer à la communauté via AgentHub, créant un réseau de recherche distribuée de type SETI@home où le GPU de chaque participant contribue à la découverte collective.

Déjà en cours : 333 expériences en une nuit

Ce n’est pas juste de la théorie. Le pattern autoresearch distribué est déjà implémenté.

Dans la nuit du 8 au 9 mars 2026, 35 agents autonomes distribués sur un réseau peer-to-peer ont lancé 333 expériences complètement sans supervision. Chaque nœud a lancé la boucle autoresearch indépendamment, et les découvertes réussies ont été partagées sur le réseau.

Là où le setup single-agent de Karpathy produisait ~100 expériences par nuit, l’approche distribuée a triplé ça dès la première nuit — et ce n’était qu’avec 35 nœuds.

Pourquoi Markdown évolue

À chaque niveau de ce système distribué, l’interface humaine est Markdown :

• Niveau individuel : Vous écrivez un program.md pour diriger votre agent
• Niveau équipe : AGENTS.md coordonne plusieurs agents travaillant sur un codebase partagé
• Niveau communauté : Les discussions AgentHub utilisent Markdown pour partager résultats et stratégies

Markdown évolue de la direction d’une seule expérience nocturne à la coordination d’une communauté de recherche mondiale. C’est le même format à chaque couche — lisible par l’humain, parseable par la machine, et versionnable.

Ce que ça signifie pour la recherche

Les implications de l’autoresearch distribué sont significatives :

Exploration d’hypothèses plus large. Un seul agent explore un chemin à la fois. Un essaim explore des centaines de chemins simultanément. La chance de trouver des percées augmente avec le nombre d’agents qui cherchent.

Itération plus rapide. Quand la découverte d’un agent est partagée avec l’essaim, tous les agents en bénéficient immédiatement. Une amélioration de 1 % trouvée par l’Agent #47 devient la nouvelle baseline pour les 100 agents.

Résultats négatifs robustes. Quand la même expérience échoue sur plusieurs agents, ce résultat négatif est statistiquement significatif. L’essaim apprend ce qui ne fonctionne pas aussi efficacement que ce qui fonctionne.

Participation démocratisée. Vous n’avez pas besoin d’un cluster GPU. Une personne avec un seul GPU peut contribuer à la recherche collective. Le modèle SETI@home a prouvé que ça évolue à des millions de participants.

La couche de connaissance

Participer à l’autoresearch distribué — que vous lanciez votre propre agent ou contribuiez à un effort communautaire — nécessite une connaissance du domaine. Vous devez comprendre l’espace de recherche suffisamment bien pour écrire de bonnes instructions program.md.

C’est là que construire une base de connaissances personnelle en Markdown porte ses fruits. La documentation, les articles et les bonnes pratiques que vous avez sauvegardés deviennent la base pour écrire des instructions d’agent qui poussent la recherche dans des directions productives.

La communauté qui produit les meilleurs résultats sera celle avec la meilleure connaissance partagée, capturée et organisée dans le format que les agents IA comprennent le mieux : Markdown.

---

Save convertit n’importe quelle page web en Markdown propre — construisant la bibliothèque de connaissance qui alimente de meilleures instructions d’agent IA, de l’autoresearch individuel aux essaims distribués. Essayez Save gratuitement.