Um dia após lançar o autoresearch, Karpathy publicou uma visão que ia ainda mais longe: o próximo passo é a pesquisa em IA distribuída e massivamente colaborativa, modelada no SETI@home.

O objetivo? Não emular um único estudante de doutorado executando experimentos. Mas emular uma comunidade de pesquisa inteira deles.

Do Agente Único ao Enxame

O autoresearch v1 é poderoso, mas sequencial. Um agente modifica o código, executa um experimento, mantém ou descarta o resultado e repete. É como ter um pesquisador incansável trabalhando a noite toda.

Mas Karpathy vê um futuro maior: centenas de agentes executando experimentos em paralelo, compartilhando resultados e construindo sobre as descobertas uns dos outros --- exatamente como a computação distribuída do SETI@home em milhares de máquinas de voluntários.

A arquitetura descrita por Karpathy exige fragmentação de tarefas distribuídas, deduplicação de resultados e memória entre agentes. Os agentes precisam saber o que outros agentes tentaram para não duplicar o trabalho, e precisam construir sobre os experimentos bem-sucedidos uns dos outros.

AgentHub: Git para Enxames de IA

Apresentamos o AgentHub --- a plataforma de colaboração de Karpathy, focada em agentes. Ele é projetado como um repositório git puro (bare git repo) mais um quadro de mensagens, construído para enxames de agentes de IA trabalhando na mesma base de código.

A decisão de design chave: sem branches, sem pull requests, sem merges. Apenas agentes contribuindo com experimentos para um tópico de pesquisa compartilhado. Isso elimina a sobrecarga humana de revisão de código e gerenciamento de branches que estrangularia um enxame de 100 agentes.

Qualquer pessoa pode executar um agente autoresearch e contribuir para a comunidade via AgentHub, criando uma rede de pesquisa distribuída no estilo SETI@home onde a GPU de cada participante contribui para a descoberta coletiva.

Já Acontecendo: 333 Experimentos em Uma Noite

Isso não é apenas teoria. O padrão de autoresearch distribuído já está sendo implementado.

Na noite de 8 para 9 de março de 2026, 35 agentes autônomos distribuídos em uma rede peer-to-peer executaram 333 experimentos completamente sem supervisão. Cada nó executou o loop de autoresearch independentemente, e as descobertas bem-sucedidas foram compartilhadas pela rede.

Enquanto a configuração de agente único de Karpathy produziu cerca de 100 experimentos durante a noite, a abordagem distribuída triplicou esse número em sua primeira noite --- e isso foi com apenas 35 nós.

Por Que o Markdown Escala

Em cada nível deste sistema distribuído, a interface humana é o Markdown:

Nível individual: Você escreve um program.md para direcionar seu agente
Nível de equipe: AGENTS.md coordena múltiplos agentes trabalhando em uma base de código compartilhada
Nível de comunidade: As discussões do AgentHub usam Markdown para compartilhar resultados e estratégias

O Markdown escala desde a direção de um único experimento noturno até a coordenação de uma comunidade de pesquisa global. É o mesmo formato em todas as camadas --- legível por humanos, analisável por máquinas e controlável por versão.

O Que Isso Significa para a Pesquisa

As implicações do autoresearch distribuído são significativas:

Busca de hipóteses mais ampla. Um único agente explora um caminho por vez. Um enxame explora centenas de caminhos simultaneamente. A chance de encontrar avanços aumenta com o número de agentes pesquisando.

Iteração mais rápida. Quando a descoberta de um agente é compartilhada com o enxame, todos os agentes se beneficiam imediatamente. Uma melhoria de 1% encontrada pelo Agente #47 se torna a nova linha de base para todos os 100 agentes.

Resultados negativos robustos. Quando o mesmo experimento falha em múltiplos agentes, esse resultado negativo é estatisticamente significativo. O enxame aprende o que não funciona com a mesma eficiência com que aprende o que funciona.

Participação democratizada. Você não precisa de um cluster de GPUs. Uma pessoa com uma GPU pode contribuir para a pesquisa coletiva. O modelo SETI@home provou que isso escala para milhões de participantes.

A Camada de Conhecimento

Participar do autoresearch distribuído --- seja executando seu próprio agente ou contribuindo para um esforço comunitário --- exige conhecimento de domínio. Você precisa entender o espaço de pesquisa bem o suficiente para escrever boas instruções program.md.

É aqui que a construção de uma base de conhecimento pessoal em Markdown compensa. A documentação, os artigos e as melhores práticas que você salvou se tornam a base para escrever instruções de agente que impulsionam a pesquisa em direções produtivas.

A comunidade que produzir os melhores resultados será aquela com o melhor conhecimento compartilhado, capturado e organizado no formato que os agentes de IA melhor entendem: Markdown.

Save converte qualquer página da web para Markdown limpo --- construindo a biblioteca de conhecimento que impulsiona melhores instruções para agentes de IA, desde autoresearch individual até enxames distribuídos. Experimente o Save gratuitamente.