2026年3月，安德烈·卡帕西（Andrej Karpathy）喺 GitHub 發佈咗佢嘅新項目autoresearch（https://github.com/karpathy/autoresearch）。呢個項目喺 AI 社群好快引起廣泛關注，現時已攞到69.4k星，被視為一個「AI 代理自主做科學研究」嘅極簡但具啟發性示範。項目核心係令 AI 代理喺單張 GPU，針對一條極簡嘅 nanochat（納米聊天）訓練流水線做自動迭代：代理自主修改訓練代碼、跑固定時長嘅實驗、用驗證集嘅 val_bpb 評估，並決定是否保留改動，最終喺無人值守情況下逐步優化模型。
卡帕西喺 README 入面明確講，autoresearch 嘅定位係「最小可行自主研究循環」（minimal autonomous research loop）。整個倉庫淨係得三個核心檔案，設計極簡，但完整實現由代碼修改到實驗評估嘅閉環。呢個項目延續咗卡帕西一貫嘅「極簡主義」風格：用最少代碼、最少算力，展示由人手調參到 AI 代理自主探索嘅研究範式轉變。
項目核心架構：三個檔案構建完整研究循環
autoresearch 嘅實現非常簡潔，但邏輯嚴謹。倉庫只包含以下三個關鍵檔案，代理只被允許修改其中一個：
- prepare.py：固定不變嘅數據準備腳本。負責下載數據集、訓練 BPE 分詞器、構建 DataLoader 同評估工具。呢個檔案唔會畀改，保障實驗可重複性同公平性。
- train.py：唯一允許 AI 代理修改嘅檔案。入面包括完整嘅 GPT 式 Transformer 模型定義、Muon + AdamW 優化器組合同訓練循環。呢個檔案係整個項目嘅「實驗場」，代理透過編輯入面嘅超參數、架構細節（例如層數、注意力機制、批大小等）嚟探索優化方向。
- program.md：輕量級指令集檔，由人類編寫或迭代，用嚟指導 AI 代理嘅實驗策略。例如指示代理「試下增加模型深度並調整學習率」或者「試下新嘅窗口注意力模式」。呢個檔案係人機協作嘅橋樑，人類用佢設定研究方向，代理負責具體執行。
項目採用固定 5 分鐘壁鐘時間預算設計：每次實驗嚴格限制喺 5 分鐘內完成（不包括啟動同編譯時間），訓練完會自動喺驗證集上評估 bits‑per‑byte（val_bpb）指標。呢個設計確保唔同實驗之間有可比性，無論代理改動模型深度、批大小定係優化器，都可以喺相同時間預算下公平比較結果。
整個流程高度自動化：代理會讀 program.md 入面嘅指令，提出對 train.py 嘅修改，運行 uv run train.py，解析日誌入面嘅 val_bpb 指標，判斷有冇改進，然後決定保留或者放棄本次修改。之後進入下一輪迭代。卡帕西表示，一晚（約 8‑10 小時）通常可以完成約 100 次實驗，第二朝研究者只需睇 results.tsv 日誌檔就可以獲得完整實驗記錄同最佳配置。
技術實現細節與設計哲學
autoresearch 喺技術上追求極致簡潔同可審計性：
- 單檔案編輯原則：代理只得修改 train.py，變更會以 diff 形式呈現，方便人類後續審查同理解。
- 固定時間預算：避免傳統研究中「跑得耐就好」嘅偏差，逼代理喺有限算力下優化效率。
- val_bpb 做為核心指標：呢個指標同詞表大小無關，能夠公平比較唔同架構嘅表現。
- 自包含環境：用 uv 做項目管理工具，依賴少量庫（淨係 PyTorch 等基礎庫），可以喺單張 NVIDIA GPU 上完整運行（已喺 H100 上測試通過）。社群後來亦有人貢獻 macOS（MLX）、Windows 同 AMD 平台嘅適配版本。
- 日誌與分析：所有實驗結果會記錄喺 results.tsv，配套嘅 analysis.ipynb 用於後續視覺化同統計分析。
卡帕西喺 README 入面反覆強調設計理念：「令 AI 代理好似人類研究員咁工作，但將最沉悶、最重複嘅實驗迭代工作交畀機器。」呢個項目本質上係「AI 做研究」嘅最小可行性驗證，為未來更大規模嘅自主科研管道打下基礎。
項目意義：由人工研究向 AI 驅動研究嘅範式轉變
autoresearch 雖然規模細，但示範意義重大。佢展示咗喺極度受限嘅算力環境（單 GPU、固定 5 分鐘），AI 代理仍然可以透過自主修改代碼實現持續迭代。呢種模式有望擴展到更大模型、更多任務，甚至未來做到完整科研流程自動化。
喺而家 AI 研究成本高企、迭代週期長嘅情況下，autoresearch 提供咗一條低成本驗證想法嘅路徑。卡帕西亦表示，呢個項目係佢探索「AI 代理自主科研」嘅一次小規模實驗，將來可能發展成更複雜嘅多代理協作系統或全自動論文生成管道。
項目發佈後好快獲得社群關注，GitHub 星標急速上升，亦出現多個平台適配嘅 fork，證明佢嘅設計具有強可擴展性。好多開發者視佢為學習 AI Agent 工程嘅最佳實踐個案之一。
結語：極簡入面嘅大視野
autoresearch 用極簡代碼同極低算力門檻，展示咗 AI 代理喺科學研究中嘅潛力。佢唔係一個完整科研系統，而係一粒「種子」——證明自主研究循環喺技術上可行。卡帕西再次以佢一貫風格：用最少資源去探索最本質嘅問題。
喺 AI 由「輔助工具」向「獨立研究者」演進嘅今日，autoresearch 提供咗一個清晰嘅起點。佢提醒我哋，未來科研可能唔再係人類獨自完成，而會係人機緊密協作、AI 承擔大量重複性工作嘅新模式。隨住更多開發者基於呢個項目進行擴展同改進，AI 驅動嘅自主科研時代或許已悄悄展開。
▶️ 鍾意呢篇內容？創作真係好辛苦！
歡迎追蹤我哋嘅 YouTube 頻道：
AI Rosetta
你嘅讚好、訂閱同分享，係對我哋最大嘅支持！🙏
更多 AI 新聞請訪問：https://www.airosetta.com