11 月 2 日，腾讯混元发布 AI 科研系统 Hyra 2.0，把研发重点从「用 AI 直接攻克科学难题」转向「让智能体参与科学模型、研究工作流与软件工具的研发和升级」。官方给出的逻辑是，解题的成果不会自动提升下一次研究的能力，而工具升级的收益会被所有下游任务反复复用。

三个月前它解了一道五十年的题

今年 8 月发布的 Hyra 1.0 是一套极简的智能体循环，面向通用科研问题。发布一周后，在开源模型 Hy3 的驱动下，它解决了加法组合学中悬置五十多年的一个问题：和集与差集的最优指数。按官方说法，这是国产开源模型首次全自动解决数学开放问题。

这条路径的逻辑很朴素：给 AI 一道有明确评判标准的难题，让它循环尝试，就有机会超过已有最好成绩。过去三个月，社区沿着同一条路线投入大量 token，在更多难题上取得了进展。但混元团队发现了一个结构性缺陷——解出一道题，收获的是一个答案，这个答案不会让下一次解题更容易。

这就是 Hyra 2.0 的出发点。工具不一样：升级一件工具，所有用到它的下游任务都会随之受益。团队把这称为「智能复利」。混元在博客里引了荀子那句「君子生非异也，善假于物也」，把「物」解释为能被人类或智能体反复使用的方法与系统。

三层结构：谁对齐、谁决策、谁干活

架构上，Hyra 2.0 把研究工作拆成 Overall、Mission、Worker 三层。Overall 负责与人类研究者沟通、对齐目标、管理优先级与资源；Mission 长期负责单一研究问题，决定路线取舍、设计实验、组织 Worker，并对结论负责；Worker 则独立读代码、做实验、分析失败原因、提出新想法，也可以质疑 Mission 的判断。

这个设计的巧妙之处在于「允许质疑」。传统流水线里，执行层不会反驳决策层，错误会一路传导到结论。Hyra 2.0 允许 Worker 挑战 Mission，需要独立验证时再启动新的 Review Worker，让它先接触原始问题和证据，减少先入为主。

配套的是三套分离的存储：项目状态与 Research Board 记录协作进展，每个智能体维护自己的分层记忆，跨任务可复用的经验进入共享知识库 Books。Books 里的记录要说明做法、理由和适用条件，并分为「观察」「已验证」「约定」三级——单次实验发现只能算观察，经过独立复现才能成为可靠依据。

五件被造出来的工具

逐项看。HyInv 处理蛋白质逆折叠问题，给定骨架反推能折叠成该结构的序列，参数只有 196 万，预训练、微调、强化学习与推理优化全部由 Hyra 2.0 完成，生成速度比制药行业常用的 ProteinMPNN 快 57 倍。HyPLM-Flash 是 6.5 亿参数的蛋白质语言模型，累计用 7260 亿 token 训练，只有 ESM-2 650M 用量的 0.73 倍。

HyFF 是原子级分子模拟基础模型，五种规模从 230 万到 12 亿参数，覆盖 83 种元素。它已经跑过真实体系：近 6 万个原子的水通道蛋白膜模拟了 100 纳秒，能看到水分子排成单列逐个穿过通道；在 4.6 万原子的酶体系里，观察到了完整的断键、成键过程。

HyQEC 面向量子低密度奇偶校验码，构造并严格验证了量子码 [488,123,22]，编码效率指标 kd²/n 达到 122.0，在非 CSS、校验权重不超过 8 的条件下比 qLDPC Challenge 原榜首提升约 48%；它还把原榜首码的码距上界从 95 收紧到 86。HyProver 则完成了丘成桐圆周作用猜想与五维 Petty 等距点猜想的证明，并经数学家核验。

为什么造工具比解题更值钱

混元自己把这套逻辑放进了递归自我改进的框架里：研发大模型本身要用到训练基础设施、数据合成管线、推理系统这些工具，让 Hyra 2.0 参与升级这些工具，就能帮下一代 Hy 模型训得更好；而下一代模型又可以成为 Hyra 2.0 手里的工具。工具造得越好，造工具的系统越强，形成闭环。这套逻辑目前是设计，不是既成事实，但成果已经按 Apache 2.0 公开在 GitHub 仓库。

还没回答的三个问题

判断

第一，它的价值不在五个工具，而在示范了一种组织方式：让智能体承担「研发工具」这类元任务，把一次性成果转成可复用资产。这个思路对所有 AI4Science 团队都成立。第二，评价标准从「解出了什么」换成了「造出了什么能复用的东西」。

第三，需要冷静的是：这套系统的成果全部由发布方自己披露，第三方复现记录有限。工具的价值最终靠同行使用验证，GitHub 仓库的外部提交数比发布会数字更有说服力。

解题是消费算力，造工具是积累算力。前者赢一次，后者赢很多次——前提是造出来的工具真的有人用。

关注我们，每天第一时间了解 AI 行业要闻。