Hedra、現実世界のAIを訓練・展開・改善するModel Factoryを発表

Hedraは、GPUインフラ、モデルのポストトレーニング、推論の最適化、本番環境からのフィードバックを一つのワークフローに統合するプラットフォーム「Model Factory」を発表します。a16zの支援を受けるこの研究企業は、自社のデータや運用条件に合わせたモデルを必要とするロボティクス、製造、バイオ、国防分野のチームを対象としています。

この提案は、エンタープライズAIにおける実務上の課題に応えるものです。高性能な汎用モデルも、多くの場合は出発点にすぎません。動画、センサーデータ、物理的な動作に対応する信頼性の高いシステムに仕上げるには、カスタムの学習環境、専用のデプロイ用ソフトウェア、さらに各バージョンが実行すべきタスクをどの程度達成できるか評価する仕組みが必要になることがあります。

学習、デプロイ、本番環境からのフィードバックを連携

Model Factoryは、柔軟なGPUサンドボックスと、自律型AIエージェントと連携するHedraの研究者によるポストトレーニングを組み合わせています。顧客がデータとシミュレーションエンジンを持ち込み、Hedraが強化学習環境とデータセットの構築を支援したうえで、完成したモデルの実行方法を最適化します。

「再帰的自己改善は、最先端モデルの構築方法をすでに変えつつあります」と、Hedraの創業者兼CEO、Michael Lingelbach氏は述べています。「次の段階は現実世界です。そこではデータが動画、センサー、シミュレーションになります。Hedra Model Factoryは、ロボティクス、製造、バイオ、国防分野のチームに、自社モデルのポストトレーニング、デプロイ、継続的な改善に必要なインフラを提供します」

デプロイ後、研究者は本番環境での性能を分析し、モデルを再学習させ、顧客の評価に合格した場合にのみ新しいバージョンをリリースします。そのため、評価基準はサービスの中核をなします。モデルの処理速度が向上しても、それを利用するアプリケーションの要件を満たさなければなりません。

Hedraは、研究者や自律型AI科学者が実験、学習の実行、最適化手法を繰り返し改善するプロセスを「再帰的自己改善」と呼んでいます。発表されたプロセスには研究者と顧客による評価段階が含まれており、本番環境のモデルを制限なく自動変更するものではありません。

物理AIにテキストモデル向けのサービング基盤だけでは不十分な理由

HedraのWorld Model Runtime（WMR）は、今回の発表を理解するうえで参考となる情報を提供しています。同社は、これを画像、動画、ワールドモデル、テキストモデル向けのオープンコア推論エンジンと説明しており、NVIDIAとAMDのGPUに対応します。最適化の対象は、拡散処理のステップ、フレーム間のアテンション、そしてビジュアル処理でGPU時間を大量に消費することがあるエンコードおよびデコード処理です。

視覚・言語・行動モデルでは、推論によって入力を解釈するだけでなく、行動も生成します。シミュレーション環境では、モデルと、モデルの学習経験を生み出す環境の双方でアクセラレーターが必要になる場合があります。そのため、ワークフローの改善はモデルの選定だけにとどまりません。データの移動を減らすこと、求められる品質に応じて数値精度を調整すること、学習とサービングを連携させることなども含まれます。

同社のGPUサンドボックスサービスでは、チームがコンテナ、依存関係、モデルコードを隔離された環境に持ち込めます。その間、Hedraが配置、スケーリング、ハードウェア障害からの復旧を管理します。チームはランタイムを変更し、学習や評価を実行して、チェックポイントや成果物をエクスポートできます。同社の学習プラットフォームは、教師ありファインチューニング、軽量なLoRAアダプター、強化学習に対応し、サービング前にチェックポイントを評価します。

画像編集を6倍高速化、ただし特定の条件下での結果

発表資料では、最適化プロセスの一例としてKrea 3の画像編集を取り上げています。Hedraによると、同じAMD Instinct MI355X GPU 4基を使い、1週間足らずで、2K画像の編集時間を約22秒から3.6秒に短縮しました。この比較では、推論の最適化と蒸留を組み合わせています。ベースラインでは元のbf16モデルをサンプリングステップ30回で実行したのに対し、高速版では蒸留済みの14ステップモデルを使用しました。

この違いは重要です。結果には、モデルの計算処理と、それを実行するソフトウェアの両方への変更が反映されているためです。これは特定のワークロードと構成で報告された結果であり、プラットフォームが提供するあらゆるモデルで全般的に6倍の高速化が実現することを示すものではありません。

Hedraが別途公開したKrea 3のエンジニアリング解説記事では、低精度の行列演算、カスタムアテンション、融合演算、専用のコピーエンジンに移行したGPU間転送について詳しく説明しています。22.9秒から3.3秒への短縮という比較は、拡散トランスフォーマーの処理時間を測定したものであり、リクエスト全体のレイテンシではありません。したがって、これらの数値は発表資料に記載された画像編集の結果とは分けて捉える必要があります。

動画の物理的整合性とロボットハードウェアへの適応

Hedraは、物理的整合性を高めるためにH3を再学習させたことも報告しています。再学習後のモデルはGoogle DeepMindのPhysics-IQベンチマークで34.9を記録し、H3 Maxの30.3を上回りました。Hedraによると、視覚品質は同程度でした。同社によれば、自律的に蒸留したバージョンは、MI355X GPU上で5秒の動画クリップを3秒未満で生成しました。

別の例では、学習済みの方策で動作するロボットの把持器を交換するシミュレーション研究が行われました。Hedraによると、交換後の把持器のリーチと把持位置が手首カメラの映像内で一致するよう調整したところ、再学習なしでタスクの成功率がほぼゼロからほぼ100％に回復しました。この結果は報告されたシミュレーション環境に関するものであり、実運用されるロボットで、あらゆるハードウェア変更に追加学習なしで対応できることを示すものではありません。

これらの例は、同じエンジニアリング上の課題の異なる側面を示しています。すなわち、モデルの実行方法や動作するシステムを変更しながら、有用な動作を維持することです。

顧客が所有するモデルを軸に構築された研究サービス

Model Factoryは11月10日から利用できます。チームはHedraの研究者と協力してカスタムモデルを開発したり、長期契約なしで柔軟に利用できるGPUサンドボックスの容量から始めたり、既存のモデルを同社の推論エンジンに持ち込んだりできます。導入先としては、自社施設内のインフラや近隣のパートナーデータセンターが選べます。最適化の対象は、リアルタイムを超える速度で動作するワールドアクションモデルから、エッジデバイスに収まる視覚・言語・行動モデルまで多岐にわたります。

同社によると、直近12カ月間で売上高は15倍に増加しましたが、発表では売上高の基準額は明らかにしていません。同社の企業概要では、このプラットフォームを、自社の視覚モデルを構築し、提供してきた経験を発展させたものと位置づけています。

顧客にとっての実質的な価値提案は、エンジニアリングの一連の工程をつなぐことです。ドメインデータを使ってモデルを改善し、ハードウェアとレイテンシの予算に合わせて最適化し、その結果を評価し、実運用で得られた知見を次の反復に生かします。その効果は、基盤となるGPUの速度だけでなく、タスクごとの評価方法や導入上の制約にも左右されます。