Karpathy publica o autoresearch: agentes de IA passam a fazer pesquisa em IA

Em março de 2026, Andrej Karpathy publicou no GitHub um pequeno projeto de código aberto, o autoresearch. Em outubro, o veículo chinês Jiqizhixin o transformou no ponto de partida de uma longa análise sobre o autoaperfeiçoamento recursivo da IA: a situação em que modelos participam da criação dos modelos seguintes. O repositório é modesto, mas a forma como ele é apresentado diz muito.

Uma lembrança do futuro

O README não abre com instruções de instalação, mas com uma breve cena estilizada, escrita “do futuro”. Nela, a pesquisa de fronteira em IA é lembrada como uma atividade de “computadores de carne”. Eles precisavam de comida e de sono e, de tempos em tempos, se sincronizavam por “ondas sonoras” em uma cerimônia chamada “reunião de grupo”.

Karpathy brinca, mas a piada é precisa. Ele descreve a rotina de um laboratório: hipótese, alteração no código, execução do experimento, leitura das métricas, nova hipótese. Modelos de linguagem e agentes de programação já sabem executar cada etapa desse ciclo. Se as etapas forem encadeadas em um laço fechado, o humano vai saindo dele aos poucos.

Autoaperfeiçoamento recursivo como problema de engenharia

Por muito tempo, o autoaperfeiçoamento recursivo foi discutido como um cenário filosófico: um dia o sistema ficará inteligente o bastante para melhorar a si mesmo, e dali em diante tudo crescerá de forma exponencial. O título do material do Jiqizhixin, “Quando a IA começa a criar IA”, registra um olhar diferente. O processo é decomposto em operações estreitas e verificáveis, e cada uma é automatizada separadamente: escrever código, rodar experimentos, analisar resultados.

Aqui, a escala é definida por métricas, não por intuição. O agente precisa de um objetivo claro, de um ciclo de verificação rápido e de proteção contra o autoengano, quando uma melhoria no papel não se traduz em melhoria real. São essas condições que determinam onde a automação da pesquisa vai funcionar primeiro e onde vai esbarrar em um teto.

Do trecho disponível do artigo, pouco se sabe:

• autor do projeto: Andrej Karpathy;
• nome: autoresearch;
• plataforma: GitHub, repositório aberto;
• data de publicação: março de 2026;
• enquadramento: o pesquisador humano como uma etapa histórica, não como uma constante;
• fonte da análise: Jiqizhixin, material de 10 de outubro de 2026.

O trecho disponível não traz resultados numéricos, benchmarks nem descrição da arquitetura. Por ele, não é possível avaliar a eficácia do projeto em si, apenas o enquadramento declarado.

Por que isso importa justamente agora

O projeto de Karpathy é interessante justamente por ser pequeno. A automação de pesquisa costuma ser associada a laboratórios fechados e clusters enormes. Um repositório aberto, que dá para ler em uma noite, leva o tema para o plano prático: qualquer desenvolvedor pode rodar esse laço em uma tarefa própria e ver onde ele quebra.

As perguntas continuam as mesmas. Quem verifica as decisões do agente, se o verificador também é um modelo? Como evitar otimizar a métrica em vez do objetivo? Quanto poder de computação é gasto em experimentos que não levam a nada? O trecho não traz respostas, e isso é normal: o projeto estabelece um enquadramento, não encerra o assunto.

O que as equipes devem fazer

Se você constrói produtos de ML ou pipelines internos de pesquisa, vale decompor seu ciclo de experimentos em etapas e marcar quais delas podem ser formalizadas: orçamento fixo de execução, métrica inequívoca, reprodutibilidade. Essas são as etapas que convém entregar primeiro aos agentes. Para as demais, é preciso um revisor humano.

Vale também ler o próprio repositório e o texto completo do Jiqizhixin. Provavelmente há ali detalhes de implementação e exemplos que não entraram neste trecho. Só faz sentido tirar conclusões sobre a força real da abordagem depois de testá-la em tarefas próprias.