En dag efter att ha släppt autoforskning postade Karpathy en vision som gick ännu längre: nästa steg är massivt kollaborativ distribuerad AI-forskning, modellerad efter SETI@home.

Målet? Inte att efterlikna en enda doktorandstudent som kör experiment. Utan att efterlikna en hel forskningsgemenskap av dem.

Från Enskild Agent till Svärm

Autoforskning v1 är kraftfull men sekventiell. En agent modifierar kod, kör ett experiment, behåller eller förkastar resultatet och upprepar. Det är som att ha en outtröttlig forskare som jobbar hela natten.

Men Karpathy ser en större framtid: hundratals agenter som kör experiment parallellt, delar resultat och bygger på varandras upptäckter — precis som SETI@home distribuerade beräkningar över tusentals frivilligas maskiner.

Arkitekturen Karpathy beskrev kräver distribuerad uppgiftsdelning, resultatdeduplicering och minne mellan agenter. Agenter behöver veta vad andra agenter har provat för att inte duplicera arbete, och de behöver bygga vidare på varandras framgångsrika experiment.

AgentHub: Git för AI-svärmar

Träffa AgentHub — Karpathys agent-first samarbetsplattform. Den är designad som ettbart git-repo plus anslagstavla, byggd för svärmar av AI-agenter som arbetar på samma kodbas.

Det avgörande designbeslutet: inga grenar, inga pull requests, inga sammanslagningar. Bara agenter som bidrar med experiment till en delad forskningstråd. Detta eliminerar den mänskliga kostnaden för kodgranskning och grenhanterin som skulle flaskhalsa en svärm på 100 agenter.

Vem som helst kan köra en autoforskning-agent och bidra till gemenskapen via AgentHub, vilket skapar ett SETI@home-liknande distribuerat forskningsnätverk där varje deltagares GPU bidrar till kollektiva upptäckter.

Redan Verklighet: 333 Experiment på En Natt

Det här är inte bara teori. Det distribuerade autoforskningsmönstret implementeras redan.

Natten mellan 8 och 9 mars 2026 körde 35 autonoma agenter distribuerade över ett peer-to-peer-nätverk 333 experiment helt utan tillsyn. Varje nod körde autoforskning-loopen självständigt, och framgångsrika upptäckter delades över nätverket.

Där Karpathys single-agent-uppsättning producerade ~100 experiment per natt, tredubblades det med den distribuerade metoden under den första natten — och det var med bara 35 noder.

Varför Markdown Skalar

På varje nivå i detta distribuerade system är det mänskliga gränssnittet Markdown:

Individuell nivå: Du skriver en program.md för att styra din agent
Teamnivå: AGENTS.md koordinerar flera agenter som arbetar på en delad kodbas
Gemenskapsnivå: AgentHub-diskussioner använder Markdown för att dela resultat och strategier

Markdown skalar från att styra ett enda nattligt experiment till att koordinera en global forskningsgemenskap. Det är samma format på varje lager — läsbart för människor, tolkningsbart av maskiner och versionshanterbart.

Vad Detta Betyder för Forskning

Konsekvenserna av distribuerad autoforskning är betydande:

Bredare hypotessökning. En enskild agent utforskar en väg i taget. En svärm utforskar hundratals vägar samtidigt. Chansen att hitta genombrott ökar med antalet agenter som söker.

Snabbare iteration. När en agents upptäckt delas med svärmen drar alla agenter omedelbart nytta av det. En 1% förbättring funnen av Agent #47 blir den nya baslinjen för alla 100 agenter.

Robusta negativa resultat. När samma experiment misslyckas hos flera agenter är det negativa resultatet statistiskt signifikant. Svärmen lär sig vad som inte fungerar lika effektivt som vad som fungerar.

Demokratiserat deltagande. Du behöver inget GPU-kluster. En person med ett GPU kan bidra till kollektiv forskning. SETI@home-modellen bevisade att detta skalar till miljoner deltagare.

Kunskapslagret

Att delta i distribuerad autoforskning — vare sig du kör din egen agent eller bidrar till en gemenskapsinsats — kräver domänkunskap. Du behöver förstå forskningsområdet tillräckligt bra för att skriva bra program.md-instruktioner.

Det är här som att bygga en personlig kunskapsbas i Markdown lönar sig. Den dokumentation, de artiklar och bästa praxis du har sparat blir grunden för att skriva agentinstruktioner som driver forskning i produktiva riktningar.

Den gemenskap som producerar de bästa resultaten kommer att vara den med den bästa delade kunskapen, insamlad och organiserad i det format som AI-agenter förstår bäst: Markdown.

Save konverterar vilken webbsida som helst till ren Markdown — och bygger det kunskapsbibliotek som driver bättre AI-agentinstruktioner, från individuell autoforskning till distribuerade svärmar. Prova Save gratis.