文章摘要
近日，腾讯混元团队招募AI for Science方向人才引关注。其自研智能体Hyra解决加法组合学领域困扰数学家约50年的问题，证明结果可无限接近理论上限。此前Hyra - 1.0已在多赛道测试获佳绩。团队需求强化科研智能体与底层模型能力的技术人才，以及懂AI和具体科学领域的交叉型人才。此次招聘体现AI成科研参与者，但人类需握住判断与引导主动权。

当AI不再只是帮人类整理数据、生成文案，而是能独立攻克困扰学界半个世纪的数学难题时，科技公司的招聘逻辑也随之改变。近日，腾讯混元团队的招聘动作就引发了行业关注——这次招募的是AI for Science方向的人才，而招聘信息没有常规的职位描述，只有一句“混元AI4S正在招人了 :)”搭配一份亮眼的科研成绩单。

这份成绩单的核心，是自研智能体Hyra在加法组合学领域的突破性进展：它解决了一个困扰数学家约50年的开放问题，将相关研究推进到了新的最好结果。

Hyra找到了一套可扩展的数字构造方法，为加法组合学中悬而未决半个多世纪的核心问题给出了完整解答。

简单来说，这个问题的核心是：给定一组整数，任意选取两个数做加法能得到多少种不同结果？换成减法又能得到多少？数学家们一直在追问，能否设计出一组特殊的整数集合，让加法产生的不同结果远多于减法，并且找到两者差距的理论上限。

此前的数学理论已经给出了一条上限：加法结果的增长速度最多接近减法结果的平方。但学界争论了50年的关键问题是，这个上限只是宽松的估计，还是真的可以无限逼近？就像工程师算出高铁时速不超过350公里，但不确定实际极限是350还是只有200。

半个多世纪以来，学界的研究成果一直在缓慢逼近这条上限：1969年的结果约为1.0290，1973年提升到1.0598，2013年达到1.1259；近一年来，AI辅助搜索将纪录推至1.1449，Codex在人类引导下做到了1.2851。而Hyra的成果不止是刷新了数值，它证明随着集合规模扩大，结果可以无限接近理论上限2，真正验证了这条上限的可行性。

更值得注意的是，Hyra的突破并非单纯的暴力搜索。它先在有限范围内试出最优结果，随后用自然语言提出数学构造和论证，仅运行约24小时就找到了论文的核心思路。后续研究团队独立验证并整理出完整证明，还通过Lean 4形式化验证让计算机逐步核验了整个推导过程。从搜索答案到参与完整的数学研究流程，Hyra已经实现了质的跨越。

这次公开的并非Hyra的单一成果。腾讯混元此前推出的Hyra-1.0研究智能体，已经在多个AI4S赛道完成了首批测试，交出了一份亮眼的答卷：

  • 在55道数十年未取得进展的数学开放问题中，刷新了29道的已知最优结果
  • 从百年太阳黑子观测数据中提炼出预测公式，样本外预测精度达到R²=0.77
  • 用仅15个参数实现10位数加法运算，相比此前纪录减少了58.3%的参数规模
  • 自研量子比特路由算法，相比经典方案提升了44.4%的效率
  • 生成的PARP1候选分子，模拟评分超过已上市药物奥拉帕利

尽管混元团队强调这些仍是初步尝试，但一系列成果已经清晰暴露了其AI4S布局的野心：目标直指全自动化的科研流程，让AI自主完成提出方案、运行实验、读取结果并迭代优化的完整闭环。

既然没有公开的职位描述，我们可以从混元正在推进的工作倒推其人才需求。这支团队需要的主要分为两类核心人才：

第一类是强化科研智能体与底层模型能力的技术人才。Hyra-1.0负责搭建完整的科研循环，包括维护经验库、组织实验并根据结果迭代优化；而刚开源的Hy3模型（总参数295B、激活参数21B）则为这套系统提供核心算力支撑。因此，Agent架构设计、强化学习、上下文学习、自动评估系统、训练框架优化以及GPU内核开发等方向的人才，都是团队的刚需。

但仅具备AI技术能力还远远不够。科学研究并非标准化考试，什么问题值得研究、哪些指标代表真正的学术突破、AI生成的方案是否符合领域常识，都需要专业的领域判断。这意味着混元需要的第二类人才，是既懂AI技术、又精通具体科学领域的交叉型人才。

这类人才未必需要从头训练大模型，但需要能够将科研目标转化为可执行、可评估、可反复优化的任务，同时具备判断AI成果是真实突破还是“刷分”的能力。类似AlphaFold项目中的结构生物学家、OpenAI招揽的顶尖数学家，都是这套逻辑的典型案例。

事实上，混元的招聘线索早有伏笔。去年腾讯混元大模型团队就曾招募物化生方向的大模型数据实习生，工作内容并非传统的数据整理，而是需要设计学科知识标注规则、分析高校及竞赛级别的复杂科学数据、构建科学领域评估基准，同时参与数据采集、模型评估、SFT微调与强化学习，训练具备学科思维链能力的科学大模型。当时的招聘要求是物理、化学或生物专业的高年级本科生、硕士或博士，无需成熟的模型研究员背景，但需要扎实的学科知识、基础的AI认知与跨学科沟通能力，有编程、数据分析或科研竞赛经历者优先。如今回头来看，这份旧的招聘需求几乎就是本次AI4S人才招募的提前预告——彼时的重点还是教会大模型解决科学问题，而现在Hyra-1.0已经让AI直接参与到完整的科研流程中。

简单来说，混元团队想要组建的，不再是传统的大模型算法团队，而是一支由AI研究员、系统工程师与领域科学家共同组成的“人机科研队伍”。

混元的这次招聘并非孤立事件，而是行业正在形成的新共识的体现：AI正从辅助科研的工具，进化为真正的科研参与者。今年菲尔兹奖的相关讨论中，一条热评引发了广泛共鸣：“这可能是最后一届纯人类参与的菲尔兹奖了”。尽管这句话带有夸张成分，但没人能否认这种可能性——当AI可以批量尝试人类研究者无暇顾及的研究方向，并将每一次成功与失败都沉淀为经验库，科学研究的速度将不再仅由人类研究者的数量决定。

更值得深思的是，AI现在不仅能研究科学问题，还在研究AI自身。AI递归自我改进，也就是自主造出更强大的AI模型，已经不再是天方夜谭。前沿的OpenAI与Anthropic近期罕见联合发声，呼吁建立协调AI发展速度的国际机制，主动为AI发展“踩刹车”，他们警告：“AI能力的发展存在迅速加速的真实风险，最终可能超出人类理解或控制这些系统的能力。”

一边是混元拿着AI突破科研成果的成绩单招募人才，加速AI科研的落地；另一边是前沿大厂呼吁为AI发展设置边界，控制进化速度。看似矛盾的两件事，实则指向同一个现实：AI的自主进化已经走进了真实的科研与研发流程。而在这个过程中，一个核心问题无法回避：关键的科研控制权应该交给谁？什么问题值得研究、什么结果可以信任、AI可以迭代到何种程度、又应该在何时停下，这些都不能完全交由AI自主决定。这或许也是混元此次招聘的另一层深层意义——在AI自主科研的浪潮中，人类需要牢牢握住判断与引导的主动权。

Hyra解题相关论文可参考：
https://arxiv.org/abs/2607.27199

以上内容不代表本平台立场，仅供读者参考