国产AI科研工具Hyra 2.0实现从解题到造工具的突破

近期AI自动化科研领域接连取得重要进展，不久前推出的通用科研工具在加法组合学领域解决了一个悬而未决半个世纪的问题，这也是国产开源模型首次全自动攻克数学开放问题。此前，通用科研工具仅聚焦于解决具体问题，而随着相关技术的快速发展，AI在科研领域的应用正迈向新的阶段。

随着AI自动化科研的不断推进，研究者们开始思考下一步的发展方向：当AI能够攻克众多人类未解难题时，科研的范式将如何演变？如何让AI更经济、更可持续地解决科研问题？对于暂时无法解决的问题，其瓶颈又在哪里？

这些问题的答案都指向同一个核心方向：工具升级。

回顾AI在科研领域的发展，经历了多次范式革新：从针对特定问题的专用模型，到基于通用模型驱动的智能体直接解决科学问题，如今，研究者们希望让通用智能体参与科学工具与模型的研发和升级，让一次研发的成果在后续研究中被反复使用，形成工具迭代的正向循环。

过去的科研探索多聚焦于解决具体问题，这种“刷题抽卡”式的突破虽有价值，但难以形成可复用的能力积累。而工具的升级则不同，一件工具的改进能惠及所有使用它的下游任务，正如古人所说“君子生非异也，善假于物也”，这里的“物”就是可复用的工具。工具大致分为两类：一类是符号化工具，将方法表达为代码、规则或流程，比如搜索算法、数据处理管线；另一类是参数化工具，通过训练将学到的规律保存在模型参数中，比如通用语言模型和蛋白质设计模型。

工具的核心价值在于可复用，智能体调用的工具越好，其动作空间和效率也会随之提升，在各类任务中的表现也会更出色。工具也有高低阶之分，高阶工具更通用，惠及的任务更多，但研发难度也更高。

目前，工具升级的趋势已经显现，相关模型与其他机构的工具合作，加速了多个领域的模型研发。而更具挑战性的是端到端地研发新模型，相关系统正致力于成为最会创造工具的系统，通过递归自我改进的机制，形成工具与模型的迭代循环。

为了实现工具升级，相关研发环境搭建了专门的支撑体系，将实际研发流程接入系统，分为多层分工，确保研发工作的有序推进，同时保留可复用的经验，形成共享知识库，让研发成果能够持续积累和复用。

目前，相关工具研发已经取得了一批成果，具体包括：

• HyInv：针对蛋白质设计中的逆折叠问题，仅用196万参数的图神经网络完成训练，通过“先起草再改写”的两步采样方法，生成的序列与目标结构吻合度远超现有工具，速度快了57倍。
• HyPLM-Flash：高效的蛋白质语言模型，仅用7260亿训练token，是现有模型的1/5到1/8，推理速度在12款同类模型中排名第一，35项评测任务平均排名第三，可用于药物设计等场景。
• HyFF：面向分子模拟的原子级基础模型，覆盖83种元素，支持带电和开壳层体系，五种规模的模型全部处于精度-速度最优区间，已成功应用于水通道蛋白膜和酶体系的模拟，观察到分子运动和反应过程。
• HyProver：纯数学证明的智能体工作流，高效利用计算资源，自主搜索线索、提出猜想，已解决丘成桐圆周作用猜想和五维Petty等距点猜想，证明过程经过人类研究者核验。
• HyQEC：量子纠错码的构造与验证系统，设计的算法构造出的量子码编码效率提升约48%，搜索吞吐量是原有工具的8-55倍，为178个量子码完成精确认证。
• 灵巧手：自主设计的机器人结构，发现“旋梯手”设计，在仿真评测中旋转速度比最优设计快28.6%，目标完成数提升21%，失稳率更低，展示了AI自主设计物理工具的潜力。
• 开源处理器优化：针对开源RISC-V处理器的研发优化，性能得分提升明显，还发现并修复了多个设计问题，相关成果已贡献给开源项目。

此外，相关系统还参与了下一代模型的研发，包括优化训练基础设施、搭建自动化数据管线、优化推理系统，形成工具与模型的迭代循环，持续推动科研工具的升级。

这些成果回应了自动化科研的三个核心问题：AI不仅能解决具体问题，还能提升一类问题的研究能力；工具升级能分摊研发成本，让科研更可持续；对于暂时无法解决的问题，留下可复用的方法和工具，为后续探索铺路。我们希望，今天的研究成果能成为明天的研究工具，加速拓展科学的边界。