Hyra 2.0 運営中

Hyra 2.0はテンセント混元が開発したAI科学研究エージェントで、Hyra 1.0のアップグレード版です。自動問題解決から研究開発ツールへと進化し、科学モデルを長期的かつ自律的に訓練し、研究ワークフローを最適化するとともに、経験を再利用可能な資産として蓄積します。成果はタンパク質設計、分子シミュレーション、数学的証明、量子誤り訂正などの分野をカバーしており、長期的にはツールの進化とモデルの強化が相互に促進し合い、再帰的な自己改善のループを形成することを目指しています。

ツール開発：agentが科学モデルの設計、訓練、評価、デプロイまでをエンドツーエンドで実行します。
3層協調型研究開発：Overall、Mission、Workerの役割分担によって長期研究を組織し、Workerは独立して実験を行い、Missionの判断に疑問を呈することもできます。
独立検証：Review Workerは新しいコンテキストで最初に元の問題と証拠に触れ、実行者の結論をクロスチェックします。
経験の蓄積：プロジェクトの状態、agentの記憶、共有知識を分離して保存し、振り返りから生まれたskillを後続のタスクで再利用します。
複数分野への成果展開：初期成果はタンパク質設計、分子シミュレーション、数学的証明、量子誤り訂正、ロボット本体設計、チップ最適化をカバーしています。
大規模モデルの研究開発への参加：次世代Hyモデルの事前学習基盤、事後学習データパイプライン、推論システムの最適化に携わります。

ツールの再利用と知能の複利効果：記事ではツールを記号型ツールとパラメータ型ツールの2種類に分け、核心となる主張を示しています。1つの問題を解いて得られるのは1つの答えですが、1つのツールを進化させれば、下流のすべてのタスクが恩恵を受けます。Hyra 2.0の全体設計は、1回の研究開発の成果を後続研究で繰り返し利用できるようにすることを中心に構成され、持続的な知能の複利効果を生み出します。
3層の組織構造と永続スケジューリング：Hyra 2.0はOverall、Mission、Workerの3層分担を採用しています。Overallは人間と連携し、優先度とリソースを管理します。Missionは1つの研究課題を長期的に担当し、結論に責任を負います。Workerは探索と実験を実行します。タスクが永続キューに入ると、スケジューリングシステムが優先度、依存関係、リソース上限に基づいて起動します。あるタスクが訓練結果や人による承認を待っている間も、他のタスクは通常どおり進行します。agentは起動時刻を設定し、チェックポイントから作業を再開できます。
非同期協働と独立検証メカニズム：並行研究の進捗はResearch Boardに記録され、通常の進捗は他のagentが非同期で読み取ります。対応が必要な問題はメッセージで通知し、明確な返答を求めることで、実行中のタスクを頻繁に中断することを避けます。Workerが完了を報告する際は、証拠としてコードのバージョン、実験結果、ログ、または実行トレースを必ず添付します。独立検証が必要な場合、システムは新しいReview Workerを起動し、新しいコンテキストで元の問題と証拠に最初に触れさせることで、実行者の結論による影響を排除します。検証で発見された誤りや、より限定的な結論の範囲もありのまま保持されます。
3層の記憶分離と階層型ナレッジベース：システムは、プロジェクトの状態、各agentの階層型ワーキングメモリ（現在の認識、重要な仮説、除外済みの方針、次の計画）、タスク横断型の共有知識ベースBooksを分けて保存します。Booksの各記録には、方法、理由、適用条件を明記し、元の証拠を添付する必要があります。信頼度に応じて「観察」「検証済み」「合意」の3段階に分類され、新しい証拠が現れた場合は既存の記録を修正できます。

Hyra 2.0は現在、テンセント混元内部の科学研究開発システムであり、外部公開のSaaS製品ではありません。

パラダイムの転換：agentが直接問題を解く方式から、agentが科学研究ツールを開発・進化させる方式へ移行しました。成果は後続研究で繰り返し利用でき、知能の複利効果を形成します。
長期研究開発能力：Overall、Mission、Workerの3層アーキテクチャと永続キューにより、数日から数週間に及ぶ長期的な複数プロジェクトの並行研究を支援します。
高い結論の信頼性：Review Workerが新しいコンテキストで独立検証を行い、コードのバージョンやログなどの証拠も要求するため、agentが自らの誤りを正当化するリスクを低減します。
経験の蓄積：プロジェクトの状態、agentの記憶、共有知識ベースを3層に分離し、Booksを「観察」「検証済み」「合意」の段階で管理します。skillはタスクをまたいで再利用できます。
エンドツーエンドのモデル開発：HyInv、HyPLMなどは、事前学習、ファインチューニング、強化学習、推論最適化をゼロから完了した新しいモデルです。
広い分野をカバー：初期成果はタンパク質設計、分子シミュレーション、数学的証明、量子誤り訂正、ロボット本体設計、チップ最適化の6分野に及びます。

プロジェクト公式サイト：https://hy.tencent.com/research/hyra2?langVersion=zh

創薬と酵素工学：HyInvなどの逆フォールディングモデルを利用し、50ミリ秒以内に128本のタンパク質配列を設計して、候補分子のスクリーニングを加速します。
分子動力学シミュレーション：HyFFの原子レベル力場によって大規模シミュレーションを実行し、原子スケールで分子の運動と反応過程を追跡して、材料・創薬研究を支援します。
数学理論研究：HyProverワークフローを活用して予想の提案、証明の構築、独立検証を組織し、数学者による未解決問題への取り組みを支援します。
量子誤り訂正符号の研究開発：HyQECを用いて新しい量子符号を構築し、符号距離を正確に検証することで、量子コンピューターの誤り訂正コストの最適化にツールを提供します。
チップ設計と検証：香山プロセッサの最適化と同様に、性能チューニング、fuzzテスト、形式検証を行い、チップの反復開発期間を短縮します。