SETI@homeからAgentHubへ:分散型AIリサーチに関するKarpathyのビジョン
autoresearchをリリースした翌日、Karpathyはさらに踏み込んだビジョンを投稿しました:次のステップはSETI@homeをモデルにした大規模な共同分散型AIリサーチだというものです。
目標は?単独のPhD学生が実験を実行することをエミュレートするのではなく。研究者コミュニティ全体をエミュレートすることです。
シングルエージェントからスウォームへ
Autoresearch v1は強力ですが逐次的です。1つのエージェントがコードを修正し、実験を実行し、結果を保持または破棄して、繰り返します。それは一晩中疲れを知らず働く1人の研究者のようなものです。
しかしKarpathyはより大きな未来を見ています:何百ものエージェントが並列で実験を実行し、結果を共有し、互いの発見の上に構築する ― ちょうどSETI@homeが数千人のボランティアのマシンに分散コンピューティングを行ったように。
Karpathyが説明したアーキテクチャには、分散タスクシャーディング、結果の重複排除、エージェント間メモリが必要です。エージェントは他のエージェントが試したことを知って作業を重複させないようにし、互いの成功した実験の上に構築する必要があります。
AgentHub:AIスウォームのためのGit
AgentHubの登場です ― Karpathyのエージェントファーストのコラボレーションプラットフォーム。同じコードベースで作業するAIエージェントのスウォーム向けに構築された、ベアgitリポジトリとメッセージボードとして設計されています。
重要な設計決定:ブランチなし、プルリクエストなし、マージなし。エージェントが共有のリサーチスレッドに実験を投稿するだけ。これにより、100エージェントのスウォームをボトルネックにするコードレビューとブランチ管理の人間的オーバーヘッドがなくなります。
誰でもautoresearchエージェントを実行してAgentHubを通じてコミュニティに貢献でき、すべての参加者のGPUが集合的な発見に貢献するSETI@home式の分散リサーチネットワークを作ります。
既に起きていること:一晩で333回の実験
これは単なる理論ではありません。分散型autoresearchパターンはすでに実装されています。
2026年3月8〜9日の夜、ピアツーピアネットワークに分散した35の自律エージェントが完全に監視なしで333回の実験を実行しました。各ノードが独立してautoresearchループを実行し、成功した発見がネットワーク全体で共有されました。
Karpathyのシングルエージェントセットアップが一晩に約100回の実験を生み出したのに対し、分散型アプローチは最初の夜にその3倍を達成しました ― それもわずか35ノードで。
なぜMarkdownがスケールするのか
この分散システムのすべてのレベルで、人間インターフェースはMarkdownです:
- 個人レベル:
program.mdを書いてエージェントを指示 - チームレベル:
AGENTS.mdが共有コードベースで作業する複数エージェントを調整 - コミュニティレベル: AgentHubのディスカッションがMarkdownを使って結果と戦略を共有
Markdownは単独の一晩実験を指示することから、グローバルなリサーチコミュニティを調整することまでスケールします。すべてのレイヤーで同じフォーマット ― 人間が読め、マシンが解析でき、バージョン管理できる。
リサーチへの意味
分散型autoresearchの意味は重大です:
より広い仮説探索。 シングルエージェントは一度に1つのパスを探索します。スウォームは数百のパスを同時に探索します。発見の可能性が探索するエージェントの数とともに増加します。
より速いイテレーション。 1つのエージェントの発見がスウォームと共有されると、すべてのエージェントがすぐにそのメリットを得られます。エージェント#47が見つけた1%の改善がすべての100エージェントの新しいベースラインになります。
堅牢なネガティブ結果。 同じ実験が複数のエージェントで失敗すると、そのネガティブ結果は統計的に有意です。スウォームは何が機能するかと同じくらい効率的に何が機能しないかを学びます。
民主化された参加。 GPUクラスターは必要ありません。1つのGPUを持つ1人が集合的なリサーチに貢献できます。SETI@homeモデルはこれが何百万人もの参加者にスケールすることを証明しました。
知識レイヤー
分散型autoresearchに参加する ― 自分のエージェントを実行するか、コミュニティの取り組みに貢献するか ― にはドメイン知識が必要です。リサーチスペースを十分に理解して、良いprogram.mdの指示を書く必要があります。
ここでMarkdown形式のパーソナルナレッジベースの構築が報われます。ドキュメント、論文、保存したベストプラクティスが、リサーチを生産的な方向に導くエージェント指示を書くための基盤になります。
最良の結果を生み出すコミュニティは、最良の共有知識を持つコミュニティです。それはAIエージェントが最もよく理解するフォーマット(Markdown)でキャプチャして整理されたものです。
SaveはどんなウェブページもクリーンなMarkdownに変換します ― 個人のautoresearchから分散スウォームまで、より良いAIエージェント指示を支える知識ライブラリを構築します。Saveを無料で試す。
## Continue reading
KarpathyのAutoresearch & PROGRAM.md:あなたが眠っている間に実験を実行するAI
Andrej KarpathyのAutoresearchはAIエージェントが一晩で100以上のML実験を実行できます。program.mdと呼ばれる単一のMarkdownファイルに導かれて。仕組みとその重要性を解説します。
誰でも使えるAutoresearch:眠っている間に100回のAI実験を実行する方法
KarpathyのAutoresearchはシングルGPUで一晩に100以上のML実験を実行します。仕組み、必要なもの、そして630行のPythonスクリプトがAIリサーチを変えている理由を解説します。
科学的発見としてのGitコミット:Autoresearchがどのようにバージョンコントロールをリサーチラボに変えるか
Karpathyのautoresearchでは、成功した実験はすべてgitコミットです。失敗はすべてgit resetです。バージョンコントロールが自律型AIリサーチのメモリになりました。
良いprogram.mdの書き方:AIエージェント指示の実践ガイド
program.mdはKarpathyのautoresearchでAIエージェントをプログラムするファイルです。結果を出す書き方を構造、例、ベストプラクティスとともに解説します。
Written by
Jean-Sébastien Wallez
I've been making internet products for 10+ years. Built Save on weekends because I wanted my own reading library in clean markdown for Claude and Obsidian. Write here about web clipping, AI workflows, and the small things that make a personal knowledge base actually useful.