Karpathy의 autoresearch: GPU 1개로 밤새 100개 AI 실험을 자동 실행

핵심 요약

2026년 3월 8일, Andrej Karpathy가 GitHub에 autoresearch를 공개했다. 전 Tesla AI 디렉터이자 OpenAI 공동창립자인 그가 만든 이 도구는, AI 에이전트가 단일 GPU에서 자율적으로 ML 실험을 반복 수행하는 프레임워크다. 630줄의 Python 코드라는 극도로 간결한 구조에도 불구하고, 밤새 100개 이상의 실험을 자동으로 실행할 수 있다.

작동 원리

autoresearch의 핵심 아이디어는 단순하면서도 강력하다. 사람이 프롬프트(.md 파일)를 작성하면, AI 에이전트가 학습 코드(.py 파일)를 반복적으로 수정하며 실험한다.

구체적인 실행 흐름은 다음과 같다.

1. AI 에이전트가 현재 코드를 분석한다
2. 개선 가능한 부분을 찾아 코드를 수정한다
3. 5분간 학습을 실행한다
4. 결과가 개선되었으면 변경 사항을 유지하고, 악화되었으면 폐기한다
5. 1~4를 무한 반복한다

이 접근법으로 시간당 약 12개의 실험을 수행할 수 있다. 8시간 수면 동안 약 100개의 실험이 자동으로 완료되는 셈이다.

실제 성과

Karpathy가 공개한 첫 번째 하룻밤 실행 결과가 인상적이다. AI 에이전트는 126개의 실험을 수행했고, loss를 0.9979에서 0.9697로 낮추는 데 성공했다. 사람의 개입 없이 AI가 스스로 가설을 세우고, 실험하고, 결과를 평가하는 과학적 방법론을 자동화한 것이다.

기술적 구조

autoresearch는 Karpathy의 nanochat 프로젝트에서 파생되었다. 전체 학습 코드가 단일 파일 약 630줄로 구성되어 있으며, 단일 GPU에서 실행 가능하다.

핵심 설계 철학은 '인간은 방향을 설정하고, AI는 실행을 담당한다'는 것이다. 연구자는 무엇을 최적화할지 프롬프트로 지시하고, 구체적인 코드 수정과 실험 반복은 AI에 맡긴다.

왜 중요한가

autoresearch는 AI 연구의 민주화를 보여주는 사례다. 대형 연구소의 수천 개 GPU 클러스터가 아니라, 개인 연구자의 노트북이나 단일 서버에서도 의미 있는 AI 연구를 수행할 수 있음을 증명했다.

공개 며칠 만에 GitHub에서 8,000개 이상의 스타를 획득한 것은 연구 커뮤니티의 강한 호응을 보여준다. 특히 대학원생이나 독립 연구자들에게 강력한 도구가 될 수 있다.

한계와 전망

현재 autoresearch는 소규모 LLM 학습에 최적화되어 있어, 대규모 모델이나 복잡한 아키텍처 변경에는 적합하지 않다. 5분이라는 제한된 학습 시간 내에서 의미 있는 변화를 만들어야 하기 때문이다.

하지만 이 접근법이 확장된다면, AI 연구의 속도와 효율성을 근본적으로 바꿀 수 있다. 사람이 자는 동안 AI가 연구하는 시대가 이미 시작되었다.