Hyperspace 推出分散式 AGI 研究網路，實現自主學習循環

Hyperspace 推出分散式 AGI 研究網路，實現自主學習循環。

Hyperspace 是一個去中心化的點對點網路，透過自主 Agent 在機器學習、金融與搜尋等領域進行實驗，並利用分散式訓練實現自我改進的智慧循環。該系統強調完全去中心化，沒有中央伺服器，所有研究成果與模型訓練皆在節點間自動完成。

運作機制與實驗規模
Hyperspace 的核心在於讓 Agent 進行自主研究，並透過點對點網路分享發現。

• 實驗規模：系統曾將 708 個獨特的自主 Agent 指向 5 個研究領域（機器學習訓練、搜尋排名、量化金融、技能合成、天體物理學）。
• 執行成果：在 3 週內執行了 27,247 次實驗，所有假設、配置變更與結果均被記錄。
• 協作模式：實驗結果透過 GossipSub 協定在網路中傳播，當有 3 個以上的 GPU 節點在線時，系統會自動啟動分散式訓練。
• 訓練技術：各節點使用 DiLoCo（低通訊分散式最佳化）在各自的資料分片上進行訓練，並透過 LoRA adapter 進行微調，使研究循環不斷優化。

自我改進的智慧循環
Hyperspace 建立了一個「智慧飛輪」，隨著參與節點增加，模型效能會持續提升。

• 研究流程：包含假設生成、實驗執行、論文撰寫、同儕評論與發現驗證五個階段。
• 跨領域遷移：不同領域的洞察會自動傳遞，例如金融策略的優化經驗可應用於搜尋引擎的調整，天體物理學的發現則有助於基礎設施優化。
• 演算法演進：模型在產生假設時會變得更精準，進而減少無效實驗，產生更優質的訓練資料。

參與方式與獎勵機制
使用者可透過 CLI 或瀏覽器參與網路，貢獻運算資源並獲得獎勵。

• 參與門檻：透過 curl 指令即可安裝並加入網路，GPU 節點（需 16GB+ VRAM）可參與分散式訓練，CPU 節點則負責執行實驗與轉發資料。
• 獎勵系統：獎勵基於節點的正常運行時間（Uptime）、推理服務提供及研究貢獻。
• 硬體建議：系統支援從瀏覽器端的輕量級模型到伺服器端的 32B+ 模型，並提供自動偵測 GPU 並下載最佳模型的指令。

透明度與資料公開
Hyperspace 強調研究過程的透明度，所有資料均公開供外部審視。

• GitHub 歸檔：每個 Agent 擁有獨立的 Git 分支，記錄其實驗歷史，確保研究成果可追溯。
• 即時快照：網路每小時發布一次完整的 CRDT（無衝突複製資料型別）狀態快照至 snapshots/latest.json，允許外部 LLM 進行獨立分析。
• 原始資料：官方強調這些快照為原始的 CRDT 狀態，不進行統計顯著性檢定，鼓勵使用者自行解讀數據，不進行任何美化或敘事包裝。