在发布自动研究（autoresearch）后的一天，Karpathy 发布了一个更为深远的设想：下一步是大规模协作式分布式 AI 研究，以 SETI@home 为模型。

目标是什么？不是模仿一个彻夜做实验的博士生，而是模仿整个研究社区。

从单个智能体到集群

Autoresearch v1 很强大，但是顺序执行的。一个智能体修改代码、运行实验、保留或丢弃结果，然后重复。这就像有一位不知疲倦的研究员通宵工作。

但 Karpathy 看到了更大的未来：数百个智能体并行运行实验，共享结果，并在彼此的发现基础上继续推进——就像 SETI@home 将计算分散到数千台志愿者机器上一样。

Karpathy 描述的架构需要分布式任务分片、结果去重和跨智能体内存。智能体需要知道其他智能体尝试了什么，以避免重复工作，并且需要在彼此成功的实验基础上继续构建。

AgentHub：AI 集群的 Git

AgentHub 登场了——Karpathy 的智能体优先协作平台。它被设计为一个裸 git 仓库加留言板，专为在同一代码库上工作的 AI 智能体集群而构建。

关键设计决策：没有分支、没有拉取请求、没有合并。智能体只需将实验贡献到共享的研究线程中。这消除了代码审查和分支管理的人工开销，否则这些开销会成为 100 个智能体集群的瓶颈。

任何人都可以运行 autoresearch 智能体，并通过 AgentHub 向社区做贡献，从而创建类似 SETI@home 的分布式研究网络，让每位参与者的 GPU 都为集体发现做出贡献。

这不仅仅是理论。分布式自动研究模式已经在实施中。

2026 年 3 月 8-9 日夜间，35 个自主智能体分布在对等网络上，完全无监督地运行了 333 个实验。每个节点独立运行自动研究循环，成功的发现在网络中共享。

Karpathy 的单智能体设置一夜大约产生约 100 个实验，而分布式方法在第一夜就将这一数字增加了三倍——而这只有 35 个节点。

在这个分布式系统的每个层次上，人机接口都是 Markdown：

Markdown 从指导单个通宵实验扩展到协调全球研究社区。它在每个层次上都是同样的格式——人类可读、机器可解析且可进行版本控制。

分布式自动研究的影响是深远的：

更广泛的假设搜索。 单个智能体一次只能探索一条路径，而集群可以同时探索数百条路径。随着搜索智能体数量的增加，发现突破性成果的可能性也随之增加。

更快的迭代。 当一个智能体的发现与集群共享时，所有智能体立即受益。智能体 #47 发现的 1% 改进成为所有 100 个智能体的新基线。

稳健的负面结果。 当相同的实验在多个智能体中失败时，该负面结果具有统计意义。集群在学习什么不起作用方面同样高效。

民主化参与。 你不需要 GPU 集群。一个拥有一块 GPU 的人可以为集体研究做出贡献。SETI@home 模型证明这可以扩展到数百万参与者。

参与分布式自动研究——无论是运行自己的智能体还是为社区努力做贡献——都需要领域知识。你需要对研究领域有足够的了解，才能编写出能够推动研究朝着有效方向发展的 program.md 指令。

这就是在 Markdown 中构建个人知识库的价值所在。你保存的文档、论文和最佳实践成为编写智能体指令的基础，从而推动研究走向富有成效的方向。

产生最佳结果的社区将是拥有最佳共享知识的社区，这些知识以 AI 智能体最能理解的格式被捕获和组织：Markdown。

Save 将任意网页转换为整洁的 Markdown——构建为更好的 AI 智能体指令提供支持的知识库，从个人自动研究到分布式集群皆如此。免费试用 Save。