Всего через день после выпуска автоисследований Карпати опубликовал видение, которое шло ещё дальше: следующий шаг — массово коллаборативные распределённые исследования ИИ, смоделированные по образцу SETI@home.

Цель? Не имитировать одного аспиранта, проводящего эксперименты. А имитировать целое исследовательское сообщество таких учёных.

От Одного Агента к Рою

Автоисследование v1 мощное, но последовательное. Один агент изменяет код, проводит эксперимент, сохраняет или отбрасывает результат и повторяет. Это как иметь одного неутомимого исследователя, работающего всю ночь.

Но Карпати видит более грандиозное будущее: сотни агентов, параллельно проводящих эксперименты, обменивающихся результатами и опирающихся на открытия друг друга — точно так же, как SETI@home распределял вычисления по тысячам компьютеров добровольцев.

Архитектура, описанная Карпати, требует распределённого разделения задач, дедупликации результатов и общей памяти между агентами. Агенты должны знать, что пробовали другие, чтобы не дублировать работу, и строить на успешных экспериментах друг друга.

AgentHub: Git для Роёв ИИ

Познакомьтесь с AgentHub — платформой для сотрудничества агентов от Карпати. Она создана как голый git-репозиторий плюс доска объявлений, построенная для роёв агентов ИИ, работающих над одной кодовой базой.

Ключевое архитектурное решение: никаких веток, никаких pull request’ов, никаких слияний. Только агенты, вносящие эксперименты в общий исследовательский поток. Это устраняет человеческие накладные расходы на проверку кода и управление ветками, которые создали бы узкое место для роя из 100 агентов.

Любой желающий может запустить агента автоисследования и внести вклад в сообщество через AgentHub, создавая распределённую исследовательскую сеть в стиле SETI@home, где GPU каждого участника вносит вклад в коллективные открытия.

Уже Происходит: 333 Эксперимента За Одну Ночь

Это не просто теория. Распределённая модель автоисследования уже внедряется.

В ночь с 8 на 9 марта 2026 года 35 автономных агентов, распределённых по пиринговой сети, провели 333 эксперимента полностью без надзора. Каждый узел независимо выполнял цикл автоисследования, а успешные открытия распространялись по сети.

Там где одиночный агент Карпати производил ~100 экспериментов за ночь, распределённый подход утроил это в первую же ночь — и это при всего 35 узлах.

Почему Markdown Масштабируется

На каждом уровне этой распределённой системы человеческий интерфейс — это Markdown:

Индивидуальный уровень: вы пишете program.md для управления своим агентом
Командный уровень: AGENTS.md координирует несколько агентов, работающих над общей кодовой базой
Уровень сообщества: Обсуждения на AgentHub используют Markdown для обмена результатами и стратегиями

Markdown масштабируется от управления одним ночным экспериментом до координации глобального исследовательского сообщества. Это одинаковый формат на каждом уровне — читаемый людьми, разбираемый машинами и управляемый с контролем версий.

Что Это Означает для Исследований

Последствия распределённого автоисследования значительны:

Более широкий поиск гипотез. Одиночный агент исследует один путь за раз. Рой исследует сотни путей одновременно. Вероятность прорывов возрастает с числом ищущих агентов.

Более быстрые итерации. Когда открытие одного агента распространяется на рой, все агенты немедленно получают выгоду. Улучшение на 1%, найденное Агентом #47, становится новой базой для всех 100 агентов.

Устойчивые отрицательные результаты. Когда один и тот же эксперимент терпит неудачу у нескольких агентов, этот отрицательный результат статистически значим. Рой учится тому, что не работает, так же эффективно, как и тому, что работает.

Демократизированное участие. Вам не нужен кластер GPU. Один человек с одним GPU может вносить вклад в коллективные исследования. Модель SETI@home доказала, что это масштабируется до миллионов участников.

Уровень Знаний

Участие в распределённом автоисследовании — будь то запуск собственного агента или вклад в общественные усилия — требует профессиональных знаний. Нужно достаточно хорошо понимать исследовательское пространство, чтобы писать хорошие инструкции program.md.

Именно здесь окупается создание личной базы знаний в Markdown. Документация, статьи и лучшие практики, которые вы сохранили, становятся основой для написания инструкций агенту, направляющих исследования в продуктивные направления.

Сообщество, производящее лучшие результаты, будет тем, у кого лучшие общие знания, зафиксированные и организованные в формате, который агенты ИИ понимают лучше всего: Markdown.

Save конвертирует любую веб-страницу в чистый Markdown — создавая библиотеку знаний, которая обеспечивает лучшие инструкции для агентов ИИ: от индивидуального автоисследования до распределённых роёв. Попробуйте Save бесплатно.