当大家还在养龙虾时，Andrej Karpathy可能已经构建出了AGI原型

来源：AI寒武纪

昨天我写文章介绍了Karpathy的630行代码的AI自动研究员项目，今天这个项目更完整的构想的来了，毫不夸张的说这玩意很有可能就是AGI的雏形

还不了解的情况的看我昨天的文章：

这里我也简单总结一下：

起初是Andrej Karpathy 把 autoresearch 项目整理成了一个独立的精简仓库。

核心结构是把 nanochat LLM 训练代码压缩到单 GPU、单文件、约 630 行。运行逻辑是：人负责迭代 prompt（.md 文件），AI agent 负责迭代训练代码（.py 文件）。

目标是：让 agent 在没有任何人工介入的情况下，无限期地推进研究。

上图里每个点代表一次完整的 LLM 训练，每次恰好跑 5 分钟。agent 在 git feature branch 上自主循环工作，持续积累 commit，寻找验证损失更低的配置——神经网络架构、优化器、各类超参数，全部自己调。

你可以用这个框架来比较不同 prompt、不同 agent 的研究进展。

仓库地址：https://github.com/karpathy/autoresearch

下一步：异步大规模 Agent 协作

Karpathy 说，autoresearch 的下一阶段要解决的问题是：多 agent 异步大规模协作。

目标不是模拟一个博士生，而是模拟一个由博士生组成的研究社区。

现有代码是同步的，沿单一研究方向串行增长 commit。但原始仓库更像一颗种子——从中可以长出来自各个 agent、面向不同研究方向或不同计算平台的 commit。

Git/GitHub 在这件事上接近但并不完全合适。它有一个隐含假设：存在一个主分支，其他分支只是临时分叉出去再合并回来。但在这个场景里，你根本不想合并——你只想吸纳和积累各条分支上的 commit。

Karpathy 尝试了一种轻量原型：让 agent 把一夜运行的结果整理成摘要发到 Discussion，或者开一个 PR 保留精确 commit 记录。然后，下一个 agent 可以先用 GitHub CLI 读取这些 Discussion 和 PR 获取灵感，跑完自己的研究后，再贡献一篇发现报告回去。

链接：

https://github.com/karpathy/autoresearch/discussions/43

他承认还不确定这套机制最终该长什么样，但认为这是一个比 autoresearch 仓库本身更大的想法：agent 原则上可以轻松管理和协作处理跨任意分支结构的数千个 commit。当智能、注意力和执行力不再是瓶颈，现有的协作抽象会承受越来越大的压力。

一个附带脑洞

在那个神经网络架构下，验证损失的全局最小值就藏在权重空间某处。而在整数空间里，某个随机种子可以直接把它给你。

用暴力搜索种子来训练神经网络——Karpathy 觉得这个思路值得被正式化。

有人开始押注 AGI 时间线

Hyperbolic 联合创始人兼 CTO Yuchen Jin 曾和马斯克打过一个赌：如果 AI 在做 AI 研究和工程方面能超过 Andrej Karpathy，那就算 AGI，他赌这件事 2026 年不会发生。

现在他说，自己开始觉得可能要输了。

因为Andrej Karpathy可能已经构建出了AGI原型，代码不重要，重要的伟大的构想，现在问题成了成千上万的Agent如何协作，或许2026年我们就会有答案。

阅读最新前沿科技趋势报告，请访问21世纪关键技术研究院的“未来知识库”

未来知识库是 “21世纪关键技术研究院”建 立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。 欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828进入。

截止到2月28日 ”未来知识库”精选的百部前沿科技趋势报告

（加入未来知识库，全部资料免费阅读和下载）