在發布 autoresearch 後的一天，Karpathy 發布了一個更進一步的願景：下一步是大規模協作的分散式 AI 研究，以 SETI@home 為模型。

目標？不是模擬一個徹夜跑實驗的博士生。而是模擬整個由博士生組成的研究社群。

從單一代理程式到叢集

Autoresearch v1 強大但是循序的。一個代理程式修改程式碼、執行實驗、保留或丟棄結果，然後重複。就像有一個不知疲倦的研究人員整夜工作。

但 Karpathy 看到了更大的未來：數百個代理程式並行執行實驗，分享結果，並建立在彼此的發現之上——就像 SETI@home 將計算分散在數千名志願者的機器上。

Karpathy 描述的架構需要分散式任務分片、結果去重複，以及跨代理記憶體。代理程式需要知道其他代理程式嘗試了什麼，以免重複工作，它們需要建立在彼此成功的實驗之上。

AgentHub：AI 叢集的 Git

AgentHub 登場——Karpathy 的代理程式優先協作平台。它被設計為裸 Git 倉庫加訊息板，為 AI 代理程式叢集在同一程式碼庫上工作而建。

關鍵設計決策：沒有分支、沒有 pull request、沒有合併。只是代理程式將實驗貢獻到共享的研究串文中。這消除了程式碼審查和分支管理的人工開銷，這些開銷會成為 100 個代理程式叢集的瓶頸。

任何人都可以執行 autoresearch 代理程式並透過 AgentHub 貢獻給社群，創建 SETI@home 風格的分散式研究網路，其中每個參與者的 GPU 都貢獻於集體發現。

這不只是理論。分散式 autoresearch 模式已經在實作中。

在 2026 年 3 月 8-9 日夜晚，分散在點對點網路中的 35 個自主代理程式在完全無人監督的情況下執行了 333 個實驗。每個節點獨立執行 autoresearch 循環，成功的發現在整個網路中共享。

Karpathy 的單代理程式設置一夜產生約 100 個實驗，而分散式方法在第一夜就將其翻倍——而那只有 35 個節點。

在這個分散式系統的每個層級，人機介面都是 Markdown：

Markdown 從指導單一夜間實驗擴展到協調全球研究社群。它在每個層級都是相同的格式——人類可讀、機器可解析且可版本控制。

分散式 autoresearch 的影響是深遠的：

更廣泛的假設搜索。 單一代理程式一次探索一條路徑。叢集同時探索數百條路徑。找到突破性進展的機會隨著搜索的代理程式數量增加而增加。

更快的迭代。 當一個代理程式的發現與叢集共享時，所有代理程式立即受益。代理程式 #47 發現的 1% 改進成為所有 100 個代理程式的新基準。

穩健的負面結果。 當相同的實驗在多個代理程式中失敗時，那個負面結果在統計上是顯著的。叢集學習什麼不起作用，效率不遜於學習什麼起作用。

民主化的參與。 您不需要 GPU 叢集。一個人有一個 GPU 就可以為集體研究做出貢獻。SETI@home 模型證明這可以擴展到數百萬參與者。

參與分散式 autoresearch——無論是執行您自己的代理程式還是為社群努力做出貢獻——需要領域知識。您需要充分了解研究空間，才能撰寫好的 program.md 指令，推動研究朝有成效的方向發展。

這就是在 Markdown 中建立個人知識庫的回報所在。您儲存的文件、論文和最佳實踐成為撰寫代理程式指令的基礎，推動研究朝有成效的方向發展。

產生最佳結果的社群將是擁有最佳共享知識的社群，以 AI 代理程式最理解的格式擷取和組織：Markdown。

Save 將任何網頁轉換為乾淨的 Markdown——建立為更好的 AI 代理程式指令提供動力的知識庫，從個人 autoresearch 到分散式叢集。免費試用 Save。