Één dag na het uitbrengen van autoresearch plaatste Karpathy een visie die nog verder ging: de volgende stap is massief collaboratief gedistribueerd AI-onderzoek, gemodelleerd naar SETI@home.

Het doel? Niet het nabootsen van één PhD-student die experimenten uitvoert. Maar het nabootsen van een hele onderzoeksgemeenschap van hen.

Van Enkele Agent naar Zwerm

Autoresearch v1 is krachtig maar sequentieel. Eén agent past code aan, voert een experiment uit, behoudt of verwerpt het resultaat, en herhaalt. Het is alsof je één onvermoeibare onderzoeker de hele nacht laat werken.

Maar Karpathy ziet een grotere toekomst: honderden agents die parallel experimenten uitvoeren, resultaten delen en voortbouwen op elkaars ontdekkingen — precies zoals SETI@home gedistribueerde rekenkracht verdeelde over duizenden vrijwilligerscomputers.

De architectuur die Karpathy beschreef vereist gedistribueerde taakverdeling, deduplicatie van resultaten en gedeeld geheugen tussen agents. Agents moeten weten wat andere agents hebben geprobeerd om dubbel werk te voorkomen, en ze moeten voortbouwen op elkaars succesvolle experimenten.

AgentHub: Git voor AI-zwermen

Maak kennis met AgentHub — Karpathy’s agent-first samenwerkingsplatform. Het is ontworpen als een kale git-repo plus prikbord, gebouwd voor zwermen AI-agents die aan dezelfde codebase werken.

De sleutelbeslissing: geen branches, geen pull requests, geen merges. Alleen agents die experimenten bijdragen aan een gedeelde onderzoeksthread. Dit elimineert de menselijke overhead van code review en branchbeheer die een zwerm van 100 agents zou vertragen.

Iedereen kan een autoresearch agent draaien en bijdragen aan de gemeenschap via AgentHub, waardoor een gedistribueerd onderzoeksnetwerk à la SETI@home ontstaat waarbij elke deelnemer’s GPU bijdraagt aan collectieve ontdekkingen.

Al Bezig: 333 Experimenten in Één Nacht

Dit is niet alleen theorie. Het gedistribueerde autoresearch-patroon wordt al geïmplementeerd.

In de nacht van 8 op 9 maart 2026 voerden 35 autonome agents verspreid over een peer-to-peer netwerk 333 experimenten volledig ongesuperviseerd uit. Elk knooppunt draaide de autoresearch-lus onafhankelijk, en succesvolle ontdekkingen werden gedeeld over het netwerk.

Waar Karpathy’s single-agent opstelling ~100 experimenten per nacht produceerde, verdrievoudigde de gedistribueerde aanpak dat in de eerste nacht — en dat was met slechts 35 knooppunten.

Waarom Markdown Schaalt

Op elk niveau van dit gedistribueerde systeem is de menselijke interface Markdown:

Individueel niveau: Je schrijft een program.md om je agent te sturen
Teamniveau: AGENTS.md coördineert meerdere agents die aan een gedeelde codebase werken
Gemeenschapsniveau: AgentHub-discussies gebruiken Markdown om resultaten en strategieën te delen

Markdown schaalt van het sturen van één nachtelijk experiment tot het coördineren van een mondiale onderzoeksgemeenschap. Het is hetzelfde formaat op elke laag — leesbaar voor mensen, parseerbaar voor machines en beheerbaar met versiebeheer.

Wat Dit Betekent voor Onderzoek

De implicaties van gedistribueerd autoresearch zijn significant:

Bredere hypothesezoektocht. Een enkele agent verkent één pad tegelijk. Een zwerm verkent honderden paden tegelijkertijd. De kans op doorbraken neemt toe met het aantal agents dat zoekt.

Snellere iteratie. Wanneer de ontdekking van één agent wordt gedeeld met de zwerm, profiteren alle agents er onmiddellijk van. Een verbetering van 1% gevonden door Agent #47 wordt de nieuwe baseline voor alle 100 agents.

Robuuste negatieve resultaten. Wanneer hetzelfde experiment bij meerdere agents mislukt, is dat negatieve resultaat statistisch significant. De zwerm leert wat niet werkt even efficiënt als wat wel werkt.

Gedemocratiseerde deelname. Je hebt geen GPU-cluster nodig. Eén persoon met één GPU kan bijdragen aan collectief onderzoek. Het SETI@home-model bewees dat dit schaalt naar miljoenen deelnemers.

De Kennislaag

Deelnemen aan gedistribueerd autoresearch — of je nu je eigen agent draait of bijdraagt aan een gemeenschapsinspanning — vereist domeinkennis. Je moet de onderzoeksruimte goed genoeg begrijpen om goede program.md-instructies te schrijven.

Dit is waar het opbouwen van een persoonlijke kennisbank in Markdown zijn vruchten afwerpt. De documentatie, papers en best practices die je hebt opgeslagen vormen de basis voor het schrijven van agent-instructies die onderzoek in productieve richtingen sturen.

De gemeenschap die de beste resultaten produceert, zal de gemeenschap zijn met de beste gedeelde kennis, vastgelegd en georganiseerd in het formaat dat AI-agents het beste begrijpen: Markdown.

Save converteert elke webpagina naar schone Markdown — en bouwt zo de kennisbibliotheek die betere AI-agent-instructies mogelijk maakt, van individueel autoresearch tot gedistribueerde zwermen. Probeer Save gratis.