Od SETI@home do AgentHub: Wizja Karpathy'ego dla Rozproszonego Badania AI

Jeden dzień po wydaniu autobadania Karpathy opublikował wizję, która sięgała jeszcze dalej: kolejnym krokiem jest masowo współpracujące rozproszone badanie AI, wzorowane na SETI@home.

Cel? Nie emulowanie jednego doktoranta przeprowadzającego eksperymenty. Lecz emulowanie całej społeczności badaczy.

Od Pojedynczego Agenta do Roju

Autobadanie v1 jest potężne, ale sekwencyjne. Jeden agent modyfikuje kod, przeprowadza eksperyment, zachowuje lub odrzuca wynik i powtarza. To jak posiadanie jednego niezmordowanego badacza pracującego całą noc.

Ale Karpathy widzi większą przyszłość: setki agentów przeprowadzających eksperymenty równolegle, dzielących się wynikami i budujących na wzajemnych odkryciach — dokładnie tak jak SETI@home rozdzielało obliczenia między tysiące komputerów wolontariuszy.

Architektura opisana przez Karpathy’ego wymaga rozproszonego podziału zadań, deduplikacji wyników i pamięci między agentami. Agenty muszą wiedzieć, co inne agenty próbowały, aby nie powielać pracy, i muszą budować na wzajemnych udanych eksperymentach.

AgentHub: Git dla Rojów AI

Oto AgentHub — platforma współpracy agentów firstu Karpathy’ego. Zaprojektowana jako zwykłe repozytorium git plus tablica ogłoszeń, zbudowana dla rojów agentów AI pracujących nad tą samą bazą kodu.

Kluczowa decyzja projektowa: bez gałęzi, bez pull requestów, bez scalania. Tylko agenty wnoszące eksperymenty do wspólnego wątku badawczego. Eliminuje to ludzki narzut związany z przeglądem kodu i zarządzaniem gałęziami, który wąskim gardłem byłby dla roju 100 agentów.

Każdy może uruchomić agenta autobadania i przyczynić się do społeczności za pośrednictwem AgentHub, tworząc rozproszoną sieć badawczą w stylu SETI@home, gdzie GPU każdego uczestnika przyczynia się do zbiorowych odkryć.

Już Się Dzieje: 333 Eksperymenty w Jedną Noc

To nie tylko teoria. Rozproszony wzorzec autobadania jest już wdrażany.

W nocy z 8 na 9 marca 2026 roku 35 autonomicznych agentów rozproszonych po sieci peer-to-peer przeprowadziło 333 eksperymenty całkowicie bez nadzoru. Każdy węzeł uruchamiał pętlę autobadania niezależnie, a udane odkrycia były udostępniane w całej sieci.

Podczas gdy pojedynczy agent Karpathy’ego produkował ~100 eksperymentów w ciągu nocy, podejście rozproszone potroiło to w pierwszą noc — i to przy zaledwie 35 węzłach.

Dlaczego Markdown Skaluje

Na każdym poziomie tego rozproszonego systemu interfejs człowieka to Markdown:

• Poziom indywidualny: Piszesz program.md, aby kierować swoim agentem
• Poziom zespołowy: AGENTS.md koordynuje wielu agentów pracujących nad wspólną bazą kodu
• Poziom społeczności: Dyskusje AgentHub używają Markdown do dzielenia się wynikami i strategiami

Markdown skaluje od kierowania jednym nocnym eksperymentem do koordynowania globalnej społeczności badawczej. To ten sam format na każdej warstwie — czytelny dla ludzi, interpretowalny przez maszyny i zarządzalny z kontrolą wersji.

Co To Oznacza dla Badań

Implikacje rozproszonego autobadania są znaczące:

Szersze przeszukiwanie hipotez. Pojedynczy agent eksploruje jedną ścieżkę na raz. Rój eksploruje setki ścieżek jednocześnie. Szansa na odkrycia rośnie wraz z liczbą agentów poszukujących.

Szybsza iteracja. Gdy odkrycie jednego agenta jest udostępniane rojowi, wszystkie agenty natychmiast na tym korzystają. Poprawa o 1% znaleziona przez Agenta #47 staje się nową bazą dla wszystkich 100 agentów.

Solidne wyniki negatywne. Gdy ten sam eksperyment kończy się niepowodzeniem u wielu agentów, ten negatywny wynik jest statystycznie istotny. Rój uczy się, co nie działa równie skutecznie jak to, co działa.

Zdemokratyzowane uczestnictwo. Nie potrzebujesz klastra GPU. Jedna osoba z jednym GPU może przyczynić się do zbiorowych badań. Model SETI@home udowodnił, że skaluje się to do milionów uczestników.

Warstwa Wiedzy

Uczestnictwo w rozproszonym autobadaniu — czy to uruchamiając własnego agenta, czy przyczyniając się do wysiłku społeczności — wymaga wiedzy dziedzinowej. Musisz wystarczająco dobrze rozumieć przestrzeń badawczą, aby pisać dobre instrukcje program.md.

To tutaj opłaca się budowanie osobistej bazy wiedzy w Markdown. Dokumentacja, artykuły i najlepsze praktyki, które zapisałeś, stają się podstawą do pisania instrukcji dla agentów, które kierują badaniami w produktywne kierunki.

Społeczność produkująca najlepsze wyniki będzie tą z najlepszą wspólną wiedzą, zebraną i zorganizowaną w formacie, który agenty AI rozumieją najlepiej: Markdown.

---

Save konwertuje każdą stronę internetową na czysty Markdown — budując bibliotekę wiedzy, która napędza lepsze instrukcje dla agentów AI, od indywidualnego autobadania do rozproszonych rojów. Wypróbuj Save za darmo.