2026年3月，安德烈·卡帕西（Andrej Karpathy）在GitHub上发布了个人新项目autoresearch（https://github.com/karpathy/autoresearch）。该项目迅速在AI社区引发广泛关注，目前已收获69.4k星标，被视为“AI代理自主开展科学研究”的一个极简却极具启发性的示范。项目核心目标是让AI代理在单张GPU上，针对一个极简的nanochat（纳米聊天）训练流水线进行自动迭代：代理自主修改训练代码、运行固定时长的实验、评估验证集性能（val_bpb），并决定是否保留修改，最终在无人值守的情况下逐步优化模型。
卡帕西在README中明确指出，autoresearch的定位是“最小可行自主研究循环”（minimal autonomous research loop）。整个仓库仅包含三个核心文件，设计高度精简，却完整实现了从代码修改到实验评估的闭环。这一项目延续了卡帕西一贯的“极简主义”风格：用最少的代码和最少的算力，展示最核心的AI研究范式转变——从人类手动调参到AI代理自主探索。
项目核心架构：三个文件构建完整研究循环
autoresearch的实现极度简洁，却逻辑严密。仓库仅包含以下三个关键文件，代理仅被允许修改其中一个：
- prepare.py：固定不变的数据准备脚本。负责下载数据集、训练BPE分词器、构建DataLoader以及评估工具。该文件不参与修改，保障实验的可重复性和公平性。
- train.py：唯一允许AI代理修改的文件。包含完整的GPT风格Transformer模型定义、Muon + AdamW优化器组合以及训练循环。该文件是整个项目的“实验场”，代理通过编辑这里的超参数、架构细节（如层数、注意力机制、批大小等）来探索优化方向。
- program.md：轻量级指令集文件，由人类编写或迭代，用于指导AI代理的实验策略。例如指示代理“尝试增加模型深度并调整学习率”或“尝试新的窗口注意力模式”。这个文件是人机协作的桥梁，人类通过它设定研究方向，代理负责具体执行。
项目采用固定5分钟壁钟时间预算的设计：每次实验严格限制在5分钟内完成（不含启动和编译时间），训练结束后自动评估验证集上的bits‑per‑byte（val_bpb）指标。这一设计确保不同实验之间具有可比性，无论代理修改了模型深度、批大小还是优化器，都能在相同时间预算下公平比较结果。
整个流程高度自动化：代理读取program.md中的指令，提出对train.py的修改，运行uv run train.py，解析日志中的val_bpb指标，判断改进效果，并决定保留或丢弃本次修改。随后进入下一轮迭代。卡帕西表示，一夜之间（约8‑10小时）通常能完成约100次实验，第二天早上研究者只需查看results.tsv日志文件即可获得完整的实验记录和最优配置。
技术实现细节与设计哲学
autoresearch在技术上追求极致简洁与可审计性：
- 单文件编辑原则：代理仅允许修改train.py，变更以diff形式呈现，便于人类后续审查和理解。
- 固定时间预算：避免了传统研究中“跑更久实验就更好”的偏差，迫使代理在有限算力下优化效率。
- val_bpb作为核心指标：该指标与词汇表大小无关，能公平比较不同架构的性能。
- 自包含环境：使用uv作为项目管理工具，依赖极少（仅PyTorch等基础库），可在单张NVIDIA GPU上完整运行（已在H100上测试通过）。社区后续也贡献了macOS（MLX）、Windows和AMD平台的适配版本。
- 日志与分析：所有实验结果记录在results.tsv中，配套analysis.ipynb用于后续可视化和统计分析。
卡帕西在README中反复强调设计哲学：“让AI代理像人类研究员一样工作，但把最枯燥、最重复的实验迭代工作交给机器。”这一项目本质上是“AI做研究”的最小可行性验证，为未来更大规模的自主科研管道奠定了基础。
项目意义：从人工研究到AI驱动研究的范式转变
autoresearch虽规模小巧，却具有重要的示范意义。它展示了在极度受限的算力环境下（单GPU、固定5分钟），AI代理仍能通过自主代码修改实现持续迭代。这一模式有望扩展到更大模型、更多任务，甚至未来完整的科研流程自动化。
在当前AI研究成本高企、迭代周期漫长的背景下，autoresearch提供了一种低成本验证想法的路径。卡帕西本人也表示，该项目是他探索“AI代理自主科研”的一次小规模实验，未来可能演变为更复杂的多代理协作系统或全自动论文生成管道。
项目发布后迅速获得社区关注，GitHub星标快速增长，并出现多个平台适配fork，证明其设计具有极强的可扩展性。许多开发者将其视为学习AI Agent工程的最佳实践案例之一。
结语：极简中的大视野
autoresearch以极简的代码和极低的算力门槛，展示了AI代理在科学研究中的潜力。它不是一个完整的科研系统，而是一个“种子”——证明了自主研究循环在技术上是可行的。卡帕西通过这个项目再次展现了他一贯的风格：用最少的资源，探索最本质的问题。
在AI从“辅助工具”向“独立研究者”演进的今天，autoresearch提供了一个清晰的起点。它提醒我们，未来科研可能不再是人类独自完成，而是人机紧密协作、AI承担大量重复劳动的新模式。随着更多开发者基于该项目进行扩展和改进，AI驱动的自主科研时代或许已悄然拉开序幕。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com