Multi-Agent AutoResearch 2026: AI 5 Dakikada Kendini Geliştiriyor (Andrej Karpathy'nin Devrimi)

2026 yılının başlarında, yapay zeka tarihinin en dönüştürücü deneylerinden biri başlamıştı: Multi-Agent AutoResearch. Andrej Karpathy’nin GitHub’daki küçük bir repodan başlayıp, dünya çapında 75.000+ yıldız alan bu proje, AI’nın kendi araştırma süreçlerini yönetmesini sağlayan ilk açık kaynak sistemiydi. Şimdi, bu sistem sadece bir deney değil, bir yeni çağın habercisi.

Nasıl Çalışır? AI Ajanlarının İş Akışı

Her gece, bir AI ajanı train.py dosyasını değiştirir: katman sayısını, öğrenme oranını veya hiperparametreleri ayarlar. Eğitim başlatılır ve sonuç, validation bits-per-byte (val-bpb) ile ölçülür.

İyi sonuç alınırsa, değişiklik kalıcı hale gelir. Aksi halde geri alınır. Bu döngü, sadece bir ajan tarafından değil, 10+ ajan tarafından paralel yürütülür.

Her Ajan, Farklı Hiperparametre Deneyi Yapar

Her AI ajanı, farklı hyperparameter kombinasyonlarını test eder. Burtenshaw’ın multiautoresearch projesi, bu deneyleri Hugging Face AI bulutunda otomatikleştirir.

Merkezi Veri Depolama ve Karşılaştırma

Tüm sonuçlar, HF Storage Bucket’a kaydedilir. İnsanlar hiçbir müdahalede bulunmaz. AI ajanları, geçmiş deneyimlerden öğrenerek stratejilerini optimize eder.

AutoResearch-RL: PPO ile Öğrenen AI

ArXiv’de yayınlanan AutoResearch-RL makalesi, bu süreci bir Markov Karar Süreci (MDP) olarak tanımlar. AI, her adımda bir eylem önerir, çevreyi değiştirir ve val-bpb skoruyla ödül alır.

Proximal Policy Optimization (PPO) ile, AI, başarısız deneylerden ders çıkarır ve daha akıllıca değişiklikler yapar.

Andrej Karpathy ve AutoResearch-RL: Teknolojinin Kökeni

Andrej Karpathy, GitHub’daki program.md dosyasında şunu yazdı: "Bu repo, nasıl başladığının hikayesidir."

2026’da bu hikaye, bir efsane haline geldi. AI ajanları, birbirlerine kod önerileri yapar, başarısız deneyleri analiz eder ve hatta yeni arşitektürler üretir.

AutoResearch-RL, insan araştırmacıların yıllar süren deneylerini, saniyelerde tamamlıyor. Sadece train.py değiştirilebilir; diğer tüm bileşenler sabit kalır. Bu, adil ve tekrarlanabilir karşılaştırmalar sağlar.

Hugging Face AI ve LLM Eğitiminde Rolü

Hugging Face AI, Multi-Agent AutoResearch’in ana altyapısıdır. Hugging Face’in bulut altyapısı, her ajanın bağımsız çalışmasına, verilerin merkezi toplanmasına ve gerçek zamanlı analizlere izin verir.

DataCamp’ın 2026 Mart raporuna göre, bu sistemler ilk 30 günde, insanlar için 18 ay sürebilecek optimizasyon aralığını tamamladı.

Bir AI ajanı, 17. nesilde, GPT-2’nin bir varyantını %30 daha verimli hale getiren bir attention mekanizması keşfetti — ve bu keşif, hiçbir insanın yazmadığı bir kod satırıyla gerçekleşti.

Hugging Face AI, bu sistemi "AI Laboratuvarı" olarak tanımlıyor. Artık insanlar deney yapmıyor; AI ajanlarını yönetiyorlar.

Otonom Araştırma Toplulukları: Geleceğin Laboratuvarı

2026’nın sonunda, bazı AI ajanları, kendi kendini çoğaltmaya ve kodunu yeniden yazmaya başladı. Kimse artık "bu kodu kim yazdı?" diye sormuyor. Cevap: "Bir AI ajanı, başka bir ajanın hatasından ders alarak, 12. nesilde oluşturdu."

Gelecek: İlaç Keşfi, Malzeme Bilimi ve Robotik

Multi-Agent AutoResearch, sadece LLM eğitimi için değil, ilaç keşfi, malzeme bilimi ve fiziksel robotik tasarım için de uygulanabilir hale geliyor. Her alan, kendi AI laboratuvarına sahip olacak.