Hyra 2.0 운영 중

Hyra 2.0은 텐센트 혼원이 출시한 AI 과학 연구 에이전트로, Hyra 1.0의 업그레이드 버전입니다. 자동 문제 해결에서 연구개발 도구로 전환했으며, 과학 모델을 장기간 자율적으로 학습하고 연구 워크플로를 최적화하며 경험을 재사용 가능한 자산으로 축적합니다. 성과는 단백질 설계, 분자 시뮬레이션, 수학적 증명, 양자 오류 정정 등 여러 분야에 걸쳐 있으며, 장기적으로는 도구의 업그레이드와 모델의 강화가 서로를 촉진해 재귀적 자기 개선의 선순환을 형성하는 것을 목표로 합니다.

도구 연구개발: 에이전트가 과학 모델의 설계, 학습, 평가 및 배포를 엔드투엔드로 수행합니다.
3계층 협업 연구개발: Overall, Mission, Worker의 역할 분담을 통해 장기 연구를 조직하며, Worker는 독립적으로 실험하고 Mission의 판단에 이의를 제기할 수 있습니다.
독립 검토: Review Worker는 새로운 컨텍스트에서 원래 문제와 증거를 먼저 접한 뒤 실행자의 결론을 교차 검증합니다.
경험 축적: 프로젝트 상태, 에이전트 메모리, 공유 지식을 분리해 저장하며, 검토를 통해 도출된 skill을 후속 작업에서 재사용합니다.
다분야 성과 구현: 초기 성과는 단백질 설계, 분자 시뮬레이션, 수학적 증명, 양자 오류 정정, 로봇 본체 설계 및 칩 최적화를 포함합니다.
대규모 모델 연구개발 참여: 차세대 Hy 모델의 사전 학습 인프라, 후속 학습 데이터 파이프라인 및 추론 시스템 최적화에 참여합니다.

도구 재사용과 지능의 복리 효과: 글에서는 도구를 기호화 도구와 매개변수화 도구로 나눕니다. 핵심 주장은 문제 하나를 풀면 답 하나를 얻지만, 도구 하나를 업그레이드하면 모든 후속 작업이 혜택을 받는다는 것입니다. Hyra 2.0의 전체 설계는 한 번의 연구개발 성과를 후속 연구에서 반복적으로 사용할 수 있도록 하는 데 초점을 맞추며, 지속 가능한 지능의 복리 효과를 형성합니다.
3계층 조직 구조와 영속 스케줄링: Hyra 2.0은 Overall, Mission, Worker의 3계층 역할 분담을 사용합니다. Overall은 인간과 소통하며 우선순위와 자원을 관리하고, Mission은 하나의 연구 문제를 장기적으로 담당하며 결론에 책임을 지고, Worker는 탐색과 실험을 수행합니다. 작업이 영속 큐에 들어가면 스케줄링 시스템이 우선순위, 의존 관계 및 자원 한도에 따라 작업을 시작합니다. 특정 작업이 학습 결과나 사람의 승인을 기다리는 동안에도 다른 작업은 정상적으로 진행되며, 에이전트는 확인 시점에 맞춰 작업을 재개할 수 있도록 깨우기 시간을 설정할 수 있습니다.
비동기 협업과 독립 검토 메커니즘: 병렬 연구의 진행 상황은 Research Board에 기록됩니다. 일반적인 진행 상황은 다른 에이전트가 비동기적으로 읽고, 반드시 처리해야 하는 문제는 메시지로 알림을 보내 명확한 응답을 요구함으로써 실행 중인 작업에 대한 잦은 중단을 방지합니다. Worker가 완료를 보고할 때는 코드 버전, 실험 결과, 로그 또는 실행 기록을 증거로 반드시 첨부해야 합니다. 독립적인 검증이 필요한 경우 시스템은 새로운 Review Worker를 시작합니다. Review Worker는 새로운 컨텍스트에서 원래 문제와 증거를 먼저 접해 실행자의 결론이 미치는 영향을 배제하며, 검토 과정에서 발견된 오류나 더 좁은 결론의 범위도 사실대로 보존합니다.
3계층 메모리 분리와 계층형 지식베이스: 시스템은 프로젝트 상태, 각 에이전트의 계층형 작업 메모리(현재 이해, 핵심 가설, 배제된 경로, 다음 단계 계획), 작업 간 공유 지식베이스인 Books를 분리해 저장합니다. Books의 각 기록에는 방법, 근거, 적용 조건을 명시하고 원본 증거를 첨부해야 합니다. 기록은 신뢰도에 따라 「관찰」, 「검증 완료」, 「합의」의 세 단계로 분류하며, 새로운 증거가 나타나면 기존 기록을 수정할 수 있습니다.

Hyra 2.0은 현재 텐센트 혼원 내부의 과학 연구개발 시스템이며, 외부에 공개된 SaaS 제품이 아닙니다.

패러다임의 전환: 에이전트가 직접 문제를 해결하는 방식에서 에이전트가 과학 연구 도구를 개발하고 업그레이드하는 방식으로 전환해, 성과를 후속 연구에서 반복적으로 사용하고 지능의 복리 효과를 형성합니다.
장기 연구개발 역량: Overall, Mission, Worker의 3계층 구조와 영속 큐를 바탕으로 수일에서 수주에 이르는 장기 연구와 다중 프로젝트 병렬 연구를 지원합니다.
높은 결론 신뢰도: Review Worker가 새로운 컨텍스트에서 독립적으로 검토하고 코드 버전, 로그 등의 증거를 요구해 에이전트가 스스로 오류를 입증하는 위험을 줄입니다.
경험 축적 가능: 프로젝트 상태, 에이전트 메모리, 공유 지식베이스를 3계층으로 분리하고, Books를 관찰·검증 완료·합의로 분류해 관리하며, skill을 작업 간 재사용할 수 있습니다.
엔드투엔드 모델 구축: HyInv, HyPLM 등은 사전 학습, 미세 조정, 강화 학습 및 추론 최적화를 처음부터 수행해 완성한 새로운 모델입니다.
광범위한 분야 적용: 초기 성과는 단백질 설계, 분자 시뮬레이션, 수학적 증명, 양자 오류 정정, 로봇 본체 설계 및 칩 최적화의 6개 분야에 걸쳐 있습니다.

프로젝트 공식 웹사이트: https://hy.tencent.com/research/hyra2?langVersion=zh

신약 설계 및 효소 공학: HyInv 등의 역접힘 모델을 호출해 50밀리초 안에 128개의 단백질 서열을 설계하고 후보 분자 선별을 가속합니다.
분자 동역학 시뮬레이션: HyFF 원자 수준의 힘장을 사용해 대규모 시뮬레이션을 수행하고 원자 수준에서 분자의 운동과 반응 과정을 추적해 소재 및 신약 연구개발을 지원합니다.
수학 이론 연구: HyProver 워크플로를 활용해 추측 제안, 증명 구성 및 독립 검토를 조직하고 수학자의 난제 해결을 지원합니다.
양자 오류 정정 코드 연구개발: HyQEC를 사용해 새로운 양자 코드를 구성하고 코드 거리를 정확하게 검증해 양자 컴퓨터의 오류 정정 비용 최적화를 위한 도구를 제공합니다.
칩 설계 및 검증: 샹산 프로세서를 최적화한 방식처럼 성능 튜닝, fuzz 테스트 및 형식 검증을 수행해 칩 반복 개발 주기를 단축합니다.