자동 연구를 발표한 다음 날, 카르파티는 한 걸음 더 나아간 비전을 제시했습니다. 다음 단계는 SETI@home을 모델로 한 대규모 협업 분산형 AI 연구라는 것입니다.

목표는 무엇일까요? 한 명의 박사 과정 학생이 실험을 수행하는 것을 모방하는 것이 아닙니다. 그들로 이루어진 전체 연구 커뮤니티를 모방하는 것입니다.

단일 에이전트에서 스웜으로

자동 연구 v1은 강력하지만 순차적입니다. 하나의 에이전트가 코드를 수정하고, 실험을 실행하고, 결과를 유지하거나 버리고, 반복합니다. 마치 밤새도록 지칠 줄 모르는 한 명의 연구원이 일하는 것과 같습니다.

하지만 카르파티는 더 큰 미래를 봅니다. 수백 개의 에이전트가 병렬로 실험을 실행하고, 결과를 공유하며, 서로의 발견을 기반으로 구축하는 것입니다. 이는 수천 명의 자원봉사자 컴퓨터에 걸쳐 분산 컴퓨팅을 수행하는 SETI@home과 정확히 같습니다.

카르파티가 설명한 아키텍처는 분산형 작업 분할, 결과 중복 제거, 그리고 에이전트 간 메모리를 필요로 합니다. 에이전트들은 다른 에이전트들이 무엇을 시도했는지 알아야 중복 작업을 피할 수 있으며, 서로의 성공적인 실험을 기반으로 구축해야 합니다.

AgentHub: AI 스웜을 위한 Git

AgentHub가 등장합니다. 카르파티의 에이전트 우선 협업 플랫폼입니다. 이는 베어 Git 저장소와 메시지 보드로 설계되었으며, 동일한 코드베이스에서 작업하는 AI 에이전트 스웜을 위해 구축되었습니다.

핵심 설계 결정은 브랜치, 풀 리퀘스트, 병합이 없다는 것입니다. 에이전트들이 공유된 연구 스레드에 실험을 기여할 뿐입니다. 이는 100개의 에이전트 스웜에 병목 현상을 일으킬 수 있는 코드 검토 및 브랜치 관리의 인적 오버헤드를 제거합니다.

누구나 자동 연구 에이전트를 실행하고 AgentHub를 통해 커뮤니티에 기여할 수 있으며, 모든 참가자의 GPU가 집단적 발견에 기여하는 SETI@home 방식의 분산형 연구 네트워크를 만들 수 있습니다.

이것은 단지 이론이 아닙니다. 분산형 자동 연구 패턴은 이미 구현되고 있습니다.

2026년 3월 8~9일 밤, 피어 투 피어 네트워크에 분산된 35개의 자율 에이전트가 완전히 비감독 방식으로 333개의 실험을 실행했습니다. 각 노드는 자동 연구 루프를 독립적으로 실행했으며, 성공적인 발견은 네트워크 전체에 공유되었습니다.

카르파티의 단일 에이전트 설정이 하룻밤에 약 100개의 실험을 생성한 반면, 분산형 접근 방식은 첫날 밤에 그 세 배를 달성했습니다. 그리고 이는 단 35개의 노드로 이루어진 결과였습니다.

이 분산 시스템의 모든 수준에서 인간 인터페이스는 마크다운입니다.

마크다운은 하룻밤의 단일 실험을 지시하는 것부터 글로벌 연구 커뮤니티를 조정하는 것까지 확장됩니다. 모든 계층에서 동일한 형식이며, 사람이 읽을 수 있고, 기계가 파싱할 수 있으며, 버전 관리가 가능합니다.

분산형 자동 연구의 함의는 중요합니다.

더 넓은 가설 탐색. 단일 에이전트는 한 번에 하나의 경로를 탐색합니다. 스웜은 수백 개의 경로를 동시에 탐색합니다. 돌파구를 찾을 가능성은 탐색하는 에이전트의 수에 비례하여 증가합니다.
더 빠른 반복. 한 에이전트의 발견이 스웜과 공유되면 모든 에이전트가 즉시 이점을 얻습니다. 에이전트 #47이 발견한 1% 개선은 100개 에이전트 모두의 새로운 기준이 됩니다.
강력한 부정적 결과. 동일한 실험이 여러 에이전트에서 실패할 경우, 그 부정적인 결과는 통계적으로 유의미합니다. 스웜은 작동하는 것만큼이나 작동하지 않는 것을 효율적으로 학습합니다.
민주화된 참여. GPU 클러스터가 필요하지 않습니다. 한 명의 GPU를 가진 한 사람이 집단 연구에 기여할 수 있습니다. SETI@home 모델은 이것이 수백만 명의 참가자로 확장될 수 있음을 입증했습니다.

분산형 자동 연구에 참여하는 것(자신만의 에이전트를 실행하든 커뮤니티 노력에 기여하든)은 도메인 지식을 필요로 합니다. 좋은 program.md 지침을 작성할 만큼 연구 분야를 잘 이해해야 합니다.

여기서 마크다운으로 개인 지식 기반을 구축하는 것이 효과를 발휘합니다. 저장해 둔 문서, 논문, 모범 사례는 연구를 생산적인 방향으로 이끄는 에이전트 지침을 작성하는 토대가 됩니다.

최고의 결과를 내는 커뮤니티는 AI 에이전트가 가장 잘 이해하는 형식인 마크다운으로 캡처되고 정리된 최고의 공유 지식을 가진 커뮤니티가 될 것입니다.

Save는 모든 웹페이지를 깔끔한 마크다운으로 변환합니다. 이는 개별 자동 연구부터 분산형 스웜에 이르기까지 더 나은 AI 에이전트 지침을 구동하는 지식 라이브러리를 구축합니다. Save 무료 체험하기.