11월 2일, 텐센트 혼위안이 과학 연구 에이전트 프레임워크 Hyra 2.0을 공개했다. 발상이 달라졌다. AI가 어려운 문제를 직접 푸는 대신, 에이전트가 반복 사용할 수 있는 과학 모델과 워크플로, 소프트웨어 도구를 개발하게 하는 것이다. 연구가 수일에서 수주까지 이어질 때 한 번의 질의응답은 도움이 되지 않는다. 실험을 스스로 추진하고 도구를 쌓아갈 수 있는 시스템이 가치가 있으며, Hyra 2.0은 후자의 능력에 걸고 있다.
세 개 층의 에이전트는 각각 무엇을 맡는가
Hyra 2.0은 작업을 세 개 층으로 나눈다. Overall은 자원 조정을, Mission은 연구 계획을, Worker는 실험 실행을 맡는다. 세 층의 에이전트는 기업용 위챗(WeCom)과 컴퓨팅 플랫폼, 코드 저장소에 연결돼 닫힌 테스트 문제에서 점수를 올리는 것이 아니라 실제 연구 환경에서 일한다. 분업의 장점은 책임이 분명하다는 점이다. 계획이 틀리면 되돌아 확인할 수 있고, 실험이 실패하면 다시 할 수 있으며, 완성된 도구는 다음 과제에 남길 수 있다.
단백질, 양자 코드, 칩: 세 가지 성과는 각각 무엇을 보여주는가
텐센트 혼위안은 이미 만들어낸 세 종류의 성과를 공개했다. 단백질 분야에서는 Hyra 2.0이 HyInv와 HyPLM-Flash 두 모델을 처음부터 학습시켰다. HyInv는 196만 개 파라미터에 불과하지만 목표 골격에 맞춰 단백질 서열을 설계할 수 있고, 생성 속도는 널리 쓰이는 ProteinMPNN보다 57배 빠르다. HyPLM-Flash는 6억 5천만 개 파라미터를 갖추고 7,260억 개 토큰으로 학습했다. 두 모델의 가중치와 추론 코드, 기술 보고서는 공개됐다. 양자 분야에서는 HyQEC 도구가 구축한 양자 코드의 인코딩 효율이 qLDPC 챌린지의 기존 최고 기록보다 약 48% 높았다. 칩 분야에서는 Hyra 2.0이 오픈소스 RISC-V 프로세서 '샹산(Xiangshan)' 최적화에 참여해 SPEC CPU2006의 GHz당 성능을 5.79% 높였고 칩 면적 증가는 0.3%에 그쳤다. 또 다섯 손가락 길이가 계단식으로 길어지는 '계단 손'도 설계했다.
이 성과들의 공통점은 재사용할 수 있다는 점이다. 모델과 도구, 설계 방법이 남기 때문에 다음 연구는 매번 처음부터 시작하는 대신 그 위에 쌓아 올릴 수 있다. Hyra 2.0은 이미 차세대 혼위안 모델의 사전 학습과 사후 학습, 추론 시스템 최적화에도 참여하고 있다. AI가 연구 도구를 개선해 더 강한 차세대 모델을 학습하도록 돕는 셈이다.
다만 한 가지 주의할 점이 있다. 위 숫자는 모두 텐센트 혼위안의 발표 내용이며, 독립적인 재현이나 동료 검토 상황에 대해서는 기존 보도에서 밝히지 않았다. Hyra 2.0은 연구팀을 대상으로 하며, 일반 사용자가 직접 내려받아 쓸 수 있는 제품이 아니다. 앞으로 주목할 점은 공개된 모델과 코드를 외부 팀이 재현할 수 있는지, 그리고 이 프레임워크가 텐센트 내부 환경을 벗어나 다른 연구 현장에서도 똑같이 통하는지다.
