Tencent Hunyuan ra mắt Hyra 2.0: AI không chỉ giải quyết vấn đề mà còn xây dựng mô hình khoa học
TREE NEWS đưa tin: Tencent Hunyuan đã phát hành Hyra 2.0, một hệ thống nghiên cứu AI chuyển từ việc trực tiếp giải quyết các vấn đề khoa học sang tự động phát triển và nâng cấp các mô hình khoa học, quy trình nghiên cứu và công cụ phần mềm có thể tái sử dụng. Hệ thống sử dụng kiến trúc tác nhân ba tầng—Overall, Mission và Worker—hỗ trợ quản lý nhiệm vụ dài hạn, thử nghiệm song song, đánh giá độc lập và tích lũy kinh nghiệm nghiên cứu.
Hyra 2.0 đã tự đào tạo hai mô hình protein: HyInv, một mô hình thiết kế protein tạo chuỗi nhanh hơn 57 lần so với ProteinMPNN, và HyPLM-Flash, một mô hình ngôn ngữ protein với 650 triệu tham số, là mô hình nhanh nhất trong số 12 mô hình được so sánh về tốc độ suy luận. Hệ thống cũng đã đạt được tiến bộ trong sửa lỗi lượng tử, thiết kế cấu trúc robot và phát triển chip, bao gồm cải thiện 5,79% trung bình nhân điểm SPEC CPU2006 trên mỗi GHz cho bộ xử lý RISC-V mã nguồn mở XiangShan. Các kết quả liên quan sẽ được mở dần để cộng đồng xác thực và tái sử dụng.
Phân tích ngành: Chuyển từ giải quyết vấn đề sang xây dựng công cụ
Ý nghĩa của Hyra 2.0 nằm ở tham vọng kiến trúc của nó. Hầu hết các hệ thống AI cho khoa học hiện nay là các giải pháp điểm: chúng nhận một vấn đề được xác định rõ ràng, chẳng hạn như dự đoán cấu trúc protein, và đưa ra câu trả lời. Ngược lại, Hyra 2.0 hướng tới việc xây dựng cỗ máy tạo ra các giải pháp đó—mô hình, quy trình làm việc và công cụ phần mềm—và cải thiện cỗ máy đó theo thời gian. Đây là một bước tiến tới cái mà các nhà nghiên cứu gọi là “nhà khoa học AI” có thể quản lý toàn bộ chương trình nghiên cứu thay vì các nhiệm vụ riêng lẻ.
Thiết kế tác nhân ba tầng đáng chú ý ở chỗ nhấn mạnh vào quản lý nhiệm vụ dài hạn và đánh giá độc lập. Bằng cách tách chiến lược tổng thể khỏi việc thực thi nhiệm vụ và các nhiệm vụ cấp worker, hệ thống có thể song song hóa thử nghiệm và tự kiểm tra công việc của mình—một khả năng quan trọng nếu AI muốn được tin cậy trong các lĩnh vực khoa học có rủi ro cao. Việc tích lũy kinh nghiệm nghiên cứu gợi ý một dạng bộ nhớ thể chế, cho phép hệ thống cải thiện quy trình của chính nó qua các dự án.
Các kết quả trong thiết kế protein, sửa lỗi lượng tử và phát triển chip cho thấy sự đa dạng. Tốc độ nhanh gấp 57 lần trong tạo chuỗi protein có thể tăng tốc đáng kể quy trình khám phá thuốc và sinh học tổng hợp, nơi thiết kế protein là điểm nghẽn. Việc cải thiện điểm SPEC của bộ xử lý RISC-V tuy khiêm tốn nhưng cho thấy hệ thống có thể đóng góp vào tối ưu hóa phần cứng—một lĩnh vực mà thiết kế do AI dẫn dắt vẫn còn non trẻ.
Góc nhìn tương lai: Hàm ý cho tiền mã hóa và AI phi tập trung
Mặc dù Hyra 2.0 là một hệ thống nghiên cứu AI tổng quát không có góc cạnh tiền mã hóa trực tiếp, việc nhấn mạnh vào các mô hình và công cụ có thể tái sử dụng, xác thực cộng đồng và quy trình nghiên cứu tự chủ có liên quan gián tiếp đến hệ sinh thái AI phi tập trung. Các dự án xây dựng tác nhân AI trên chuỗi, mạng tính toán phi tập trung và thị trường mô hình có thể hưởng lợi từ việc mã nguồn mở các công cụ như vậy, có khả năng sử dụng chúng để đánh giá hoặc cải thiện hệ thống của riêng mình. Tập trung vào khả năng tái tạo và xác thực cộng đồng phù hợp với tinh thần mã nguồn mở của nhiều sáng kiến AI tiền mã hóa.
Rộng hơn, Hyra 2.0 đại diện cho một bước tiến tới các hệ thống AI có thể tự chủ tạo ra kiến thức khoa học và công cụ. Khi các hệ thống này trưởng thành, chúng có thể định hình lại cách thức nghiên cứu được tiến hành, với những hàm ý cho sở hữu trí tuệ, xuất bản khoa học và kinh tế đổi mới. Đối với ngành công nghiệp tiền mã hóa, vốn ngày càng giao thoa với AI thông qua tính toán phi tập trung và kinh tế tác nhân, sự phát triển của các hệ thống như vậy nhấn mạnh tầm quan trọng của cơ sở hạ tầng AI mở, có thể xác minh và tái sử dụng.
