你有沒有想過，AI 除了聽你指令做事，還能自己決定要試什麼？
Karpathy（前 OpenAI 共同創辦人）開源了 AutoResearch，大約 8 天拿了超過 30,000 顆 GitHub 星，成為增長最快的開源專案之一。
它做的事聽起來很簡單：你給 AI 一個目標，它自己想方法、自己測試、5 分鐘看結果。進步了就留，退步了就丟，換一個新假設再來。一小時 12 輪，一晚 100 輪。
但這件事的意義遠超過「跑得快」。
為什麼 30,000 顆星：AutoResearch 做對了什麼？
還記得 AutoGPT 嗎？當時也是爆紅，說要讓 AI 自主完成任務。結果大部分人實際用了之後發現：它什麼都想做，什麼都做不好。
AutoResearch 走了完全相反的路。
「AI 能不能什麼都做？」
「AI 能不能只做一件事，但做到極致？」
答案是第二個問題才值得問。
AutoResearch 的設計刻意加了很強的約束：一個 GPU、一個檔案、一個指標、5 分鐘一輪、有效就留沒效就丟。規則越簡單，AI 越強。
- Karpathy 自己跑了兩天 → AI 自動嘗試了 700 次修改 → 篩選出 20 個有效改進 → GPT-2 訓練效率提升 11%
- Shopify CEO 拿去跑一晚 → 用一個 0.8B 的小模型打贏了 1.6B 的大模型。小的比大的強，因為 AI 自動找到了更好的配置
核心邏輯：從「你指揮 AI」到「AI 自己搞定」
之前我們用 AI 的方式是這樣：你想好要做什麼，告訴 AI，它幫你執行。本質上你是腦，它是手。
AutoResearch 反過來：你只告訴它「我要這個數字變好」，AI 自己去想要改什麼、怎麼改、改了有沒有用。
而且它會累積經驗。第 1 次是亂猜，到第 50 次它已經知道什麼方向有效、什麼是死路。你睡一覺起來，它比昨天聰明了。
這才是真正讓開發者興奮的地方。不是「AI 跑得更快」，是「AI 開始自己想了」。
這跟你的工作有什麼關係？
AutoResearch 原版是拿來優化 AI 模型訓練的，需要 GPU。但它背後的邏輯適用於任何有明確數字可以衡量的事。
Eric Siu（廣告公司 Single Grain 的創辦人）已經把同樣的模式搬到行銷上：把「訓練腳本」換成「cold email」，把「模型效能」換成「回覆率」。大部分行銷團隊一年跑 30 個實驗，用這個模式可以一天跑 30 個。
配合 Claude Code，你不需要 GPU，不需要懂程式。用中文告訴它「幫我優化 cold email 的回覆率」，它就幫你建一個自動測試的系統：自動生成不同版本、自動發送、自動比較結果、自動留下最好的。
適用場景：
- Cold email 回覆率
- 廣告點擊率
- Landing page 轉換率
- YouTube 標題 CTR
只要你能量化，就能讓 AI 用同樣的方式自動優化。
這件事的本質
以前是你告訴 AI 做什麼，現在是你告訴 AI 要什麼結果，它自己去搞定。
這不是「AI 幫你做得更快」的故事。這是「AI 開始自己提假設、自己驗證、自己學習」的故事。
值得想一下：你現在花最多時間反覆調整的是什麼？那個東西有沒有一個明確的數字可以衡量？如果有，為什麼還要自己猜哪個版本比較好？
寫文案是手藝，測文案是系統。手藝有天花板，系統沒有。