AI破解50年数学难题：腾讯混元Hyra如何重塑科研范式？

突破边界：当AI开始独立解决世纪难题

长期以来，人工智能在科学领域的应用多被定位为“加速者”或“辅助工具”。然而，随着腾讯混元团队推出自研科研智能体Hyra，这一边界正在被重新定义。最新披露的科研成绩单显示，Hyra成功攻克了一个困扰数学界长达50年的开放性问题——加法组合学中的增长率极限问题。这不仅仅是一个数值的刷新，更是AI从“搜索者”向“构造者”角色跃迁的关键信号。

该问题的核心在于探索一组整数集合中，加法产生的不同结果与减法产生的不同结果之间的增长比例上限。尽管数学理论早已指出该比例上限为2，但半个世纪以来，人类科学家未能找到一种构造方法使其无限逼近这一极限。Hyra通过约24小时的自主运行，不仅找到了关键构造，更给出了完整的数学论证，并通过Lean 4完成了形式化验证。这一成果证明，AI已具备提出猜想、构造证明并验证逻辑链条的完整科研能力。

技术解构：Hyra的科研闭环逻辑

Hyra之所以能取得这一突破，核心在于其构建的“感知-推理-验证”闭环机制。不同于传统的暴力搜索或单纯的模型微调，Hyra基于开源的Hy3模型（295B总参数，21B激活参数），引入了动态实验设计与自然语言推理的结合。

具体而言，Hyra首先在有限样本空间内进行探索性搜索，快速定位潜在的高性能数字集合。随后，它利用自然语言处理能力，将数值规律转化为抽象的数学构造假设。这一过程并非简单的模式匹配，而是需要模型理解数学符号背后的逻辑关联。最终，团队通过独立检查将AI生成的思路整理为严谨的证明，并利用形式化验证工具确保推导无误。这种“AI提出假设+人类专家验证/形式化验证”的人机协同模式，极大地提升了科研效率。

除了数学领域的突破，Hyra在天文、量子计算及药物设计等领域同样表现出强劲实力。例如，在太阳黑子预测中，它从百年数据中提炼出高精度公式；在量子比特路由算法上，实现了44.4%的效能提升；在药物分子生成方面，生成的PARP1候选分子模拟评分甚至超过已上市药物。这些案例共同描绘了一个全自动化科研雏形，其中AI负责生成假设、执行实验并评估结果，从而大幅压缩了从理论到验证的周期。

人才重构：AI4S时代的新职业画像

随着AI科研能力的提升，行业对人才的需求结构正在发生深刻变化。腾讯混元此次“无JD招聘”背后，折射出的是对两类关键人才的迫切需求：一是底层智能体架构师，二是跨界领域科学家。

首先，随着Hyra等科研智能体的迭代，对Agent架构、强化学习、上下文学习以及自动评估系统的需求激增。这类人才需要构建能够自主规划实验、维护经验库并持续迭代的系统，同时优化GPU内核以支撑大规模并行计算。其次，也是更为稀缺的，是既懂AI又精通具体科学问题的交叉型人才。

科学研究并非标准化考试，AI生成的结果需要领域专家判断其科学性。例如，AlphaFold的成功离不开结构生物学家的深度参与，OpenAI也大力招揽顶尖数学家。混元此前招聘的物化生数据实习生，要求具备设计学科标注规则和分析复杂科学数据的能力，这正是为培养具备“学科思维链”能力的科学大模型做准备。未来，团队将组建由AI研究员、系统工程师和领域科学家构成的“人机科研队伍”，共同决定研究方向与评估标准。

范式转移：从辅助工具到递归自我改进

Hyra的成功不仅是技术胜利，更是科学范式转移的标志。正如业界热议的“这可能是最后一届纯人类成果获得菲尔兹奖”，AI正在批量探索人类研究者无暇顾及的方向，并将成功与失败沉淀为经验库。这种能力的累积效应，使得科学研究的速度不再仅受限于人类数量，而是受限于算力与算法效率。

更值得关注的是AI的递归自我改进能力。当AI开始研究AI本身，其进化速度可能超出人类预期。OpenAI与Anthropic近期联合呼吁建立国际协调机制以控制发展速度，侧面印证了这一风险。然而，技术的发展不可逆转。混元此时招人，意在抢占人机科研融合的先机，构建可控、可信的AI科研生态。

在这个过程中，关键控制权的归属至关重要。什么问题值得研究、什么结果可以相信、AI迭代至何种程度需停止，这些决策不能仅由AI决定，而需由人机协同团队共同把控。Hyra解决数学难题的案例表明，AI已准备好承担更核心的科研角色，而如何与之协同，将是未来十年科学与技术创新的核心命题。随着更多交叉人才的加入，我们有理由期待，AI将推动基础科学进入一个全新的加速时代。