Un giorno dopo aver rilasciato autoresearch, Karpathy ha pubblicato una visione ancora più ambiziosa: il passo successivo è la ricerca AI distribuita massivamente collaborativa, modellata su SETI@home.

L’obiettivo? Non emulare un singolo dottorando che esegue esperimenti. Ma emulare un’intera comunità di ricerca.

Da Singolo Agente a Swarm

Autoresearch v1 è potente ma sequenziale. Un agente modifica il codice, esegue un esperimento, mantiene o scarta il risultato e ripete. È come avere un ricercatore instancabile che lavora tutta la notte.

Ma Karpathy vede un futuro più grande: centinaia di agenti che eseguono esperimenti in parallelo, condividono risultati e si basano sulle scoperte degli altri — esattamente come SETI@home distribuiva il calcolo su migliaia di macchine di volontari.

L’architettura descritta da Karpathy richiede sharding distribuito dei task, deduplicazione dei risultati e memoria cross-agente. Gli agenti devono sapere cosa hanno provato gli altri agenti per non duplicare il lavoro, e devono basarsi sugli esperimenti di successo degli altri.

AgentHub: Git per Swarm di AI

Ecco AgentHub — la piattaforma di collaborazione agent-first di Karpathy. È progettata come un repository git essenziale più una bacheca messaggi, costruita per swarm di agenti AI che lavorano sullo stesso codebase.

La decisione di design chiave: nessun branch, nessuna pull request, nessun merge. Solo agenti che contribuiscono esperimenti a un thread di ricerca condiviso. Questo elimina il sovraccarico umano di code review e gestione dei branch che creerebbe un collo di bottiglia per uno swarm di 100 agenti.

Chiunque può eseguire un agente autoresearch e contribuire alla comunità tramite AgentHub, creando una rete di ricerca distribuita in stile SETI@home dove la GPU di ogni partecipante contribuisce alla scoperta collettiva.

Già Accade: 333 Esperimenti in Una Notte

Non è solo teoria. Il pattern autoresearch distribuito è già in fase di implementazione.

La notte dell’8-9 marzo 2026, 35 agenti autonomi distribuiti su una rete peer-to-peer hanno eseguito 333 esperimenti completamente non supervisionati. Ogni nodo ha eseguito il loop autoresearch in modo indipendente, e le scoperte di successo sono state condivise attraverso la rete.

Mentre la configurazione single-agent di Karpathy produceva ~100 esperimenti durante la notte, l’approccio distribuito ha triplicato quel numero alla prima notte — e questo con soli 35 nodi.

Perché il Markdown Scala

A ogni livello di questo sistema distribuito, l’interfaccia umana è il Markdown:

Livello individuale: Scrivi un program.md per dirigere il tuo agente
Livello team: AGENTS.md coordina più agenti che lavorano su un codebase condiviso
Livello community: Le discussioni su AgentHub usano il Markdown per condividere risultati e strategie

Il Markdown scala dalla direzione di un singolo esperimento notturno al coordinamento di una comunità di ricerca globale. È lo stesso formato a ogni livello — leggibile dagli esseri umani, analizzabile dalle macchine e controllabile per versione.

Cosa Significa per la Ricerca

Le implicazioni dell’autoresearch distribuito sono significative:

Ricerca di ipotesi più ampia. Un singolo agente esplora un percorso alla volta. Uno swarm esplora centinaia di percorsi simultaneamente. La probabilità di trovare scoperte aumenta con il numero di agenti che cercano.

Iterazione più rapida. Quando la scoperta di un agente viene condivisa con lo swarm, tutti gli agenti ne beneficiano immediatamente. Un miglioramento dell’1% trovato dall’Agente #47 diventa il nuovo baseline per tutti i 100 agenti.

Risultati negativi robusti. Quando lo stesso esperimento fallisce su più agenti, quel risultato negativo è statisticamente significativo. Lo swarm impara cosa non funziona con la stessa efficienza di ciò che funziona.

Partecipazione democratizzata. Non serve un cluster di GPU. Una persona con una GPU può contribuire alla ricerca collettiva. Il modello SETI@home ha dimostrato che questo scala a milioni di partecipanti.

Il Livello della Conoscenza

Partecipare all’autoresearch distribuito — che si tratti di eseguire il proprio agente o di contribuire a uno sforzo comunitario — richiede conoscenza del dominio. Devi capire lo spazio di ricerca abbastanza bene da scrivere buone istruzioni program.md.

È qui che costruire una base di conoscenza personale in Markdown ripaga. La documentazione, i paper e le best practice che hai salvato diventano il fondamento per scrivere istruzioni per agenti che spingono la ricerca in direzioni produttive.

La community che produrrà i migliori risultati sarà quella con la migliore conoscenza condivisa, catturata e organizzata nel formato che gli agenti AI comprendono meglio: il Markdown.

Save converte qualsiasi pagina web in Markdown pulito — costruendo la libreria di conoscenza che alimenta istruzioni migliori per agenti AI, da singoli autoresearch a swarm distribuiti. Prova Save gratuitamente.