Tre mesi fa, Hyra 1.0 ha risolto un problema aperto da cinquant’anni in combinatoria additiva. Prima volta assoluta per un modello open source cinese. Bello, certo. Ma poi? Quello che mancava era proprio il ‘poi’.
Puoi risolvere mille problemi irrisolti, ma se ogni volta riparti da zero, stai solo accumulando trofei. Non stai costruendo niente che duri.
Dalla lotteria dei problemi agli attrezzi veri
OpenAI ha fatto uscire Astra, ha dichiarato di aver risolto il problema del millennio di Navier-Stokes, ha pubblicato 722 manoscritti matematici generati dalle sue macchine. La corsa è aperta, i benchmark cadono come birilli. Ma il team di Hyra si è fermato un attimo e si è fatto tre domande scomode.
Quando l’AI risolve problemi che gli umani non sono riusciti a risolvere, cosa succede al modo stesso di fare ricerca? Come la rendi sostenibile, economicamente parlando? E soprattutto: se ci sono ancora problemi che l’AI non riesce a toccare, dov’è il collo di bottiglia?
La risposta a tutte e tre le domande è la stessa: costruire strumenti.
Non più ‘risolvi questo problema’, ma ‘costruisci qualcosa che aiuti a risolverne mille’. Hyra 2.0 è esattamente questo: un sistema progettato per creare e migliorare strumenti scientifici, non per accumulare soluzioni spot.
Strumenti simbolici e strumenti parametrici
Gli strumenti si dividono in due grandi famiglie. Quelli simbolici — codice, algoritmi, pipeline, workflow — dove il ‘come si fa’ è scritto nero su bianco. E quelli parametrici — modelli addestrati che comprimono regolarità apprese dai dati dentro miliardi di parametri.
Il valore vero di uno strumento è che lo usi una volta, e funziona sempre. Migliori un algoritmo di ricerca, e tutte le task a valle migliorano. Addestri un modello più veloce, e tutti quelli che lo chiamano risparmiano tempo e soldi. È il contrario del paper usa-e-getta.
E c’è una gerarchia. Risolvere un problema di matematica ti dà una risposta. Costruire un workflow per quella classe di problemi ti dà un metodo. Addestrare un modello che ragiona meglio su quei problemi ti dà uno strumento riusabile. Costruire un sistema che addestra da solo quel tipo di modelli è ancora meglio. Il gradino più alto — quello che tutti inseguono — è un sistema che fa tutto questo in autonomia. AGI, per chi ama le sigle.
Il laboratorio vero: code, cluster, approvazioni
Per costruire strumenti veri, Hyra 2.0 non poteva restare in un loop agent isolato. Doveva entrare nel caos del lavoro vero: chat su WeChat aziendale, job sui cluster di calcolo, pull request nei repo, esperimenti che durano giorni. E sì, anche richieste di approvazione quando le risorse costano.
Il sistema ha tre livelli. Overall parla con i ricercatori umani, coordina priorità e risorse. Mission gestisce un problema di ricerca a lungo termine: decide quale strada esplorare, progetta esperimenti, coordina i worker, e soprattutto decide quando insistere e quando cambiare. Worker fa il lavoro sporco: legge codice, lancia esperimenti, analizza fallimenti, propone idee. E può anche contestare le decisioni del Mission.
I Mission possono mandare avanti più linee di ricerca in parallelo. Se un esperimento è in attesa di training o di un’approvazione umana, il resto va avanti. Gli agent possono anche ‘svegliarsi’ a un orario prestabilito, quando i risultati sono pronti.
Tutto viene registrato nel Research Board: idee, scoperte, prove, decisioni chiave. Gli aggiornamenti normali vengono letti in asincrono dagli altri agent. Quelli urgenti arrivano come notifiche, e chi riceve deve rispondere. Niente interruzioni continue, ma nemmeno buchi di comunicazione.
Prove, verifiche, memoria condivisa
Quando un Worker dichiara di aver finito, deve portare le prove: versione del codice, log, risultati, tracce d’esecuzione. Il Mission può rivedere tutto e verificare se le conclusioni reggono. Se serve una verifica indipendente, parte un Review Worker che vede solo il problema e i dati grezzi — nessun accesso alle conclusioni degli altri. A volte scopre errori. A volte scopre che le prove supportano una conclusione più debole di quella dichiarata. Tutto viene registrato com’è.
E siccome sviluppare strumenti costa, ogni esperienza utile viene salvata. Un metodo di debug efficace? Salvato. Un workflow di verifica numerica? Riusabile. Un errore ricorrente scoperto in review? Diventa un check automatico.
Hyra 2.0 separa tre tipi di memoria. Lo stato del progetto — code di task, Research Board — traccia la collaborazione. Ogni agent ha la sua memoria gerarchica personale: ipotesi correnti, strade già escluse, prossimi passi. Le esperienze riusabili finiscono nei Books, una knowledge base condivisa.
Nei Books finiscono osservazioni (fenomeni visti una volta), fatti verificati (riprodotti in modo indipendente) e convenzioni (regole condivise, approvate dagli umani). Nuove prove possono correggere record esistenti. E i metodi davvero solidi vengono distillati in skill — strumenti che Hyra 2.0 ha costruito per sé stessa, e che continua a migliorare usandoli.
I primi strumenti costruiti da Hyra 2.0
Hyra 2.0 ha già consegnato una serie di strumenti concreti. Tutti i dettagli saranno pubblicati su GitHub, aperti alla verifica della community.
HyInv: 128 sequenze proteiche in 50 millisecondi
HyInv e HyPLM sono addestrati da zero da Hyra 2.0. Non accelerazioni di modelli esistenti: progettazione completa, dall’idea al deployment.
HyInv risolve il problema dell’inverse folding delle proteine: data una struttura 3D, trova le sequenze amminoacidiche che si ripiegano in quella forma. Fondamentale per drug design, ingegneria enzimatica, costruzione di librerie.
È una rete neurale a grafo con 1,96 milioni di parametri. Pretraining, fine-tuning supervisionato, reinforcement learning, ottimizzazione dell’inferenza: tutto fatto da Hyra 2.0, che ha anche inventato un metodo di sampling a due fasi: prima una bozza, poi una riscrittura.
Confronto con ProteinMPNN, lo standard del settore farmaceutico: le sequenze di HyInv si adattano meglio alla struttura target, e la generazione è 57 volte più veloce.
HyPLM: un protein language model da zero, con meno token
I protein language model estraggono pattern dalle sequenze. Servono per valutare l’impatto di mutazioni, annotare funzioni, assistere il design. Vengono chiamati continuamente — ogni miglioramento di efficienza si moltiplica su migliaia di task.
HyPLM-Flash ha 650 milioni di parametri, addestrato su 726 miliardi di token: lo 0,73× di ESM-2 650M, e tra un quinto e un ottavo di E1-600M e ESM C 600M.
Risultato: il modello più veloce tra 12 confrontati. Terzo posto medio su 35 task di valutazione.
Entrambi i modelli saranno documentati in report tecnici e potranno essere chiamati da agent per task di drug design. Il piano è continuare a costruire modelli scientifici di questo tipo, per rinnovare l’intero toolkit della farmaceutica industriale.
HyFF: simulazioni molecolari su scala atomica
HyFF è un foundation model atomico per simulazioni molecolari. Input: tipo di atomi e coordinate. Output: energia del sistema e forze su ogni atomo. Serve come force field per dinamica molecolare, permettendo di seguire movimento e reazioni a livello atomico. Alla base di drug design, enzyme engineering, sviluppo materiali.
Cinque versioni, da 2,3 milioni a 1,2 miliardi di parametri. Addestrate su calcoli quantomeccanici su larga scala, coprono 83 elementi, supportano sistemi carichi e a shell aperto. Ogni atomo usa solo la sotto-rete corrispondente al suo elemento: capacità alta, costi controllati.
Confronto con 16 modelli pubblici: tutti e cinque i modelli HyFF stanno sulla frontiera di Pareto precisione-velocità. Già usato in simulazioni reali: 60.000 atomi, acquaporina in membrana, 100 nanosecondi. Si vedono le molecole d’acqua in fila indiana attraversare il canale. In un enzima da 46.000 atomi, partendo da uno stato scelto, si osserva un ciclo completo di rottura e formazione di legami.
HyProver: workflow riusabile per dimostrazioni matematiche
HyProver è un sistema agent per dimostrazioni matematiche pure. Durante l’esecuzione cerca materiali, trova indizi, trasforma problemi, propone congetture, produce fatti. Come un matematico vero: organizzato, non casuale.
Usa i token in modo efficiente, trasforma problemi per connettere rami diversi della matematica, propone congetture intermedie, segue le direzioni promettenti.
Ha risolto molti problemi aperti. Tra questi, verificati e formalizzati con matematici umani: la congettura di Yau sull’azione circolare e la congettura di Petty sul punto isostatico in dimensione 5.
HyQEC: costruire codici quantistici, verificare rigorosamente la distanza
La correzione d’errore quantistica usa più qubit fisici per proteggere un qubit logico. Ridurre questo overhead è uno dei problemi centrali dei quantum error-correcting codes. Hyra 2.0 ha costruito HyQEC: un sistema per costruire e verificare codici qLDPC (quantum low-density parity-check).
Supporta costruzione di nuovi codici, ricerca della distanza, dimostrazione esatta della distanza.
Hyra 2.0 ha progettato l’algoritmo Split Pauli-CPM e costruito, con verifica rigorosa, un codice quantistico con efficienza di codifica k²d/n = 122,0. Nelle condizioni non-CSS, peso di check ≤ 8, batte il precedente primo posto della qLDPC Challenge di circa il 48%. Ha anche costruito molti codici a basso overhead, stabilendo nuovi record per quei parametri.
Per la verifica della distanza, HyQEC include algoritmi di ricerca GPU-accelerati e due strumenti indipendenti di dimostrazione esatta. Throughput da 8 a 55 volte superiore rispetto a tool CPU a 8 thread. Nella revisione dei risultati esistenti, ha ristretto l’upper bound della distanza del precedente codice al primo posto da 95 a 86. Ha completato la certificazione esatta della distanza per 178 voci su 187 nella classifica.
HyQEC sarà rilasciato pubblicamente.
La mano a scala elicoidale: design autonomo di robot
Le mani robotiche articolate sono strumenti chiave per la manipolazione. Di solito si fissa prima la struttura meccanica, poi si addestra la policy di controllo. Ma layout e lunghezza delle dita influenzano la capacità manipolativa. Hyra 2.0 ha esteso l’esplorazione al design fisico del robot, cercando strutture meccaniche migliori in autonomia.
In un task di rotazione in-mano di oggetti, Hyra 2.0 ha scoperto un design a cinque dita particolare: le dita disposte attorno al palmo, con lunghezze che aumentano progressivamente, come una scala a chiocciola. L’hanno chiamata ‘Spiral Stair Hand’.
Nei test iniziali andava peggio del design ottimale del paper di riferimento (circa 11% più lenta nella rotazione). Dopo un fine-tuning della policy con lo stesso budget, ha ribaltato la situazione.
Nel benchmark DR5 — più severo — la Spiral Stair Hand raggiunge 3,277 rad/s di velocità di rotazione: 28,6% più veloce del design ottimale del paper dopo lo stesso fine-tuning. Completamento task +21%. Tasso di instabilità più basso.
La struttura meccanica che parte meglio non è necessariamente quella con il miglior potenziale post-training. Risultato ancora in simulazione, non verificato su hardware reale. Ma dimostra cosa succede quando l’AI esplora sia la struttura fisica che la policy di controllo del robot. L’obiettivo è portare questa capacità dal software al mondo fisico.
Xiangshan: performance del processore e verifica formale
Xiangshan è un progetto di processore RISC-V completamente open source. Hyra 2.0 ha lavorato su due fronti: ottimizzazione delle performance e verifica della correttezza.
Hyra 2.0 ha corretto diversi problemi emersi dal benchmark SPEC CPU2006. Insieme ad altre ottimizzazioni, il punteggio per GHz (media geometrica) è salito del 5,79%. Frequenza single-core invariata, area +0,3%. Secondo la velocità storica di iterazione registrata nella dashboard ufficiale del progetto, questo miglioramento equivale a circa 2-3 mesi di lavoro del team ufficiale.
Il nuovo fuzz testing progettato da Hyra 2.0 ha scoperto 7 bug, più altri 3 scoperti indipendentemente. Totale: 10 bug, nessuno dei quali presente nella issue list ufficiale. Ha anche usato TLA+ per verifica formale, trovando un controesempio nella coerenza della cache multi-core. La correzione è stata contribuita a OpenLLC, la cache di ultimo livello open source.
Dentro il laboratorio di Hy: la prossima generazione di modelli
Internamente, Hyra 2.0 sta partecipando all’upgrade della prossima generazione di modelli Hy.
Pretraining: ottimizzazione dell’infrastruttura di training, validazione sperimentale di nuove tecniche, riduzione del tempo tra proposta e risultati sperimentali.
Post-training: costruzione di pipeline automatiche di sintesi dati, partecipazione di Hyra alla generazione e processamento di dati di training ad alta qualità.
Inferenza: ottimizzazione delle immagini di inferenza e dei sistemi effettivamente usati, per ridurre i costi di deployment e gli overhead in training, valutazione, esperimenti su larga scala.
L’idea è chiudere il cerchio: Hyra migliora gli strumenti, gli strumenti aiutano a costruire modelli Hy migliori, i modelli Hy migliori potenziano Hyra, che costruisce strumenti ancora migliori. Ricorsione.
Le tre domande, con risposta
Come cambia la ricerca scientifica? Il contributo dell’AI si sposta dalla soluzione di problemi specifici al miglioramento della capacità di affrontare intere classi di problemi. Una ricerca si misura non solo per la risposta che dà, ma per quello che lascia: un workflow di dimostrazione, un modello scientifico, un metodo di verifica affidabile. Più lo strumento è generale, più ricerche può supportare.
Come rendere l’AI sostenibile economicamente nella ricerca? Costruire uno strumento può costare caro. Ma quel costo viene ammortizzato su tutte le task successive. Un modello più veloce riduce il costo di ogni chiamata. Un workflow migliore riduce l’esplorazione ripetuta. Le skill accumulate evitano di ripercorrere strade già battute. Il valore di un miglioramento cresce con l’uso ripetuto.
Cosa fare coi problemi ancora irrisolvibili? Individuare il limite: capacità del modello insufficiente? Efficienza di ricerca bassa? Verifica e feedback sperimentale troppo lenti? Questi limiti specifici diventano obiettivi per il prossimo ciclo di sviluppo strumenti. Il problema originale potrebbe non risolversi subito. Ma l’esplorazione dovrebbe lasciare metodi e strumenti riusabili, così il prossimo tentativo parte da più in alto.
