หนึ่งวันหลังจากเปิดตัวการวิจัยอัตโนมัติ Karpathy ได้โพสต์วิสัยทัศน์ที่ก้าวไกลยิ่งขึ้น: ขั้นตอนต่อไปคือการวิจัย AI แบบกระจายที่ร่วมมือกันอย่างกว้างขวาง โดยอ้างอิงจาก SETI@home

เป้าหมาย? ไม่ใช่การจำลองนักศึกษาปริญญาเอกคนเดียวที่ทำการทดลอง แต่เพื่อจำลองชุมชนนักวิจัยทั้งหมด

จากเอเจนต์เดี่ยวสู่ฝูง

การวิจัยอัตโนมัติ v1 มีประสิทธิภาพแต่เป็นแบบต่อเนื่อง เอเจนต์หนึ่งแก้ไขโค้ด ทำการทดลอง เก็บหรือทิ้งผลลัพธ์ และทำซ้ำ เหมือนกับมีนักวิจัยคนเดียวที่ไม่รู้จักเหนื่อยทำงานทั้งคืน

แต่ Karpathy มองเห็นอนาคตที่ยิ่งใหญ่กว่า: เอเจนต์หลายร้อยตัวทำการทดลองพร้อมกัน แบ่งปันผลลัพธ์ และสร้างบนการค้นพบของกันและกัน — เช่นเดียวกับที่ SETI@home กระจายการคำนวณไปยังคอมพิวเตอร์ของอาสาสมัครหลายพันเครื่อง

สถาปัตยกรรมที่ Karpathy อธิบายต้องการการแบ่งงานแบบกระจาย การลดความซ้ำซ้อนของผลลัพธ์ และหน่วยความจำข้ามเอเจนต์ เอเจนต์ต้องรู้ว่าเอเจนต์อื่นได้ลองอะไรแล้ว เพื่อไม่ให้ทำงานซ้ำ และต้องสร้างบนการทดลองที่ประสบความสำเร็จของกันและกัน

AgentHub: Git สำหรับฝูง AI

พบกับ AgentHub — แพลตฟอร์มความร่วมมือที่เน้นเอเจนต์เป็นหลักของ Karpathy ออกแบบมาเป็น git repository เปล่าบวกกระดานข่าว สร้างขึ้นสำหรับฝูงเอเจนต์ AI ที่ทำงานบน codebase เดียวกัน

การตัดสินใจออกแบบหลัก: ไม่มีสาขา ไม่มี pull request ไม่มีการรวม เพียงเอเจนต์ที่มีส่วนร่วมในการทดลองกับกระทู้การวิจัยที่ใช้ร่วมกัน สิ่งนี้ขจัดภาระด้านมนุษย์จากการตรวจสอบโค้ดและการจัดการสาขาที่จะสร้างคอขวดสำหรับฝูง 100 เอเจนต์

ใครก็ตามสามารถรันเอเจนต์วิจัยอัตโนมัติและมีส่วนร่วมกับชุมชนผ่าน AgentHub สร้างเครือข่ายวิจัยแบบกระจายในสไตล์ SETI@home ที่ GPU ของผู้เข้าร่วมทุกคนมีส่วนช่วยในการค้นพบร่วมกัน

กำลังเกิดขึ้นแล้ว: 333 การทดลองในคืนเดียว

นี่ไม่ใช่แค่ทฤษฎี รูปแบบการวิจัยอัตโนมัติแบบกระจายกำลังถูกนำไปใช้แล้ว

ในคืนวันที่ 8-9 มีนาคม 2026 เอเจนต์อิสระ 35 ตัวที่กระจายอยู่ทั่วเครือข่าย peer-to-peer ได้ทำการทดลอง 333 ครั้งโดยไม่มีการดูแลเลย แต่ละโหนดทำการวนซ้ำการวิจัยอัตโนมัติอย่างอิสระ และการค้นพบที่ประสบความสำเร็จถูกแบ่งปันทั่วเครือข่าย

ในขณะที่การตั้งค่าเอเจนต์เดี่ยวของ Karpathy ผลิตการทดลองประมาณ 100 ครั้งต่อคืน แนวทางแบบกระจายทำให้เพิ่มขึ้นสามเท่าในคืนแรก — และนั่นเป็นเพียง 35 โหนดเท่านั้น

ทำไม Markdown ถึงขยายได้

ในทุกระดับของระบบแบบกระจายนี้ อินเทอร์เฟซของมนุษย์คือ Markdown:

ระดับบุคคล: คุณเขียน program.md เพื่อนำทางเอเจนต์ของคุณ
ระดับทีม: AGENTS.md ประสานงานเอเจนต์หลายตัวที่ทำงานบน codebase ที่ใช้ร่วมกัน
ระดับชุมชน: การอภิปราย AgentHub ใช้ Markdown เพื่อแบ่งปันผลลัพธ์และกลยุทธ์

Markdown ขยายจากการนำทางการทดลองคืนเดียวไปจนถึงการประสานงานชุมชนวิจัยระดับโลก เป็นรูปแบบเดียวกันในทุกชั้น — อ่านได้โดยมนุษย์ แยกวิเคราะห์ได้โดยเครื่อง และจัดการได้ด้วยการควบคุมเวอร์ชัน

ความหมายสำหรับการวิจัย

นัยสำคัญของการวิจัยอัตโนมัติแบบกระจายมีมาก:

การค้นหาสมมติฐานที่กว้างขึ้น เอเจนต์เดี่ยวสำรวจเส้นทางทีละหนึ่ง ฝูงสำรวจเส้นทางหลายร้อยเส้นทางพร้อมกัน โอกาสในการค้นพบความก้าวหน้าเพิ่มขึ้นตามจำนวนเอเจนต์ที่ค้นหา

การทำซ้ำที่เร็วขึ้น เมื่อการค้นพบของเอเจนต์หนึ่งถูกแบ่งปันกับฝูง เอเจนต์ทั้งหมดได้รับประโยชน์ทันที การปรับปรุง 1% ที่พบโดยเอเจนต์ #47 กลายเป็น baseline ใหม่สำหรับเอเจนต์ทั้ง 100 ตัว

ผลลัพธ์ลบที่แข็งแกร่ง เมื่อการทดลองเดียวกันล้มเหลวในเอเจนต์หลายตัว ผลลัพธ์ลบนั้นมีนัยสำคัญทางสถิติ ฝูงเรียนรู้สิ่งที่ไม่ได้ผลอย่างมีประสิทธิภาพเท่ากับสิ่งที่ได้ผล

การมีส่วนร่วมที่เป็นประชาธิปไตย คุณไม่ต้องการคลัสเตอร์ GPU คนหนึ่งที่มี GPU เครื่องเดียวสามารถมีส่วนร่วมในการวิจัยร่วมกันได้ โมเดล SETI@home พิสูจน์ว่าสิ่งนี้ขยายไปถึงผู้เข้าร่วมหลายล้านคน

ชั้นความรู้

การมีส่วนร่วมในการวิจัยอัตโนมัติแบบกระจาย — ไม่ว่าจะเป็นการรันเอเจนต์ของตัวเองหรือมีส่วนร่วมในความพยายามของชุมชน — ต้องการความรู้เฉพาะด้าน คุณต้องเข้าใจพื้นที่การวิจัยดีพอที่จะเขียนคำสั่ง program.md ที่ดี

นี่คือจุดที่การสร้างฐานความรู้ส่วนตัวใน Markdown ให้ผลดี เอกสาร บทความ และแนวปฏิบัติที่ดีที่สุดที่คุณบันทึกไว้จะกลายเป็นรากฐานสำหรับการเขียนคำสั่งเอเจนต์ที่ผลักดันการวิจัยในทิศทางที่เกิดประสิทธิผล

ชุมชนที่ผลิตผลลัพธ์ที่ดีที่สุดจะเป็นชุมชนที่มีความรู้ที่แบ่งปันกันดีที่สุด จับภาพและจัดระเบียบในรูปแบบที่เอเจนต์ AI เข้าใจได้ดีที่สุด: Markdown

Save แปลงหน้าเว็บใดก็ได้ให้เป็น Markdown ที่สะอาด — สร้างห้องสมุดความรู้ที่ขับเคลื่อนคำสั่งเอเจนต์ AI ที่ดีขึ้น ตั้งแต่การวิจัยอัตโนมัติส่วนบุคคลจนถึงฝูงแบบกระจาย ลอง Save ฟรี