姚顺雨拿50年数学难题成绩单，招人了

来源：市场资讯

（来源：量子位）

姚顺雨，亲自下场给腾讯混元招人了！

这次瞄准的，是AI for Science（以下简称AI4S）方向的人才。

不过，大佬招人就是不一样。

详细JD（职位描述），对不起，没有。

有的只是一句「混元AI4S正在招人了 :)」+一张图。

就这？凭什么认为一张图，就能把AI4S人才「钓」过来？

仔细一看，好家伙，还真有硬货。

图片展示的，是一张腾讯混元AI刚刚交出的科研成绩单：

一个困扰数学家约50年、长期没有取得突破的开放问题，被自研智能体Hyra推进到了新的最好结果。

所以，姚顺雨的潜台词也很明确了：

我们的AI已经开始自己搞科研了，现在，需要更多人来扩大战果。

Hyra解决了怎样的难题

先快速过一下Hyra这次做了什么。

根据混元官方最新介绍，基于本月开源的Hy3模型（总参数295B、激活参数21B）：

把问题中译中一下，其实要解决的就是：

给你一组整数，任意挑出两个做加法，可以得到多少种不同答案？把加法换成减法，又能得到多少种？

比如同样一组数字，有些数字相加会不断产生新结果，相减却经常得到重复答案。

于是数学家开始追问：

能不能设计出一组特殊数字，让加法产生的不同结果，远远多于减法？最多又能多到什么程度？

此前的数学理论已经划出了一条上限——

加法结果的增长速度，最多接近减法结果的平方。

但问题在于，这条上限究竟只是一个宽松的估计，还是确实可以无限逼近？

这就像工程师算出，一列高铁的速度绝不会超过350公里每小时。

但「不能超过350」，不代表它真的能跑到350附近，它的实际极限，也可能只有200公里每小时。

数学家争论了50多年的问题就是：

350到底是真正可以逼近的极限，还是一个画得太高的上限？

半个多世纪里，数学家不断设计新的数字集合，尝试逼近这条上限。

1969年的结果约为1.0290，1973年提高到1.0598，2013年又推进至1.1259。

近一年来，多项AI辅助搜索将纪录提高到1.1449，Codex在有人类引导的实验中进一步做到了1.2851。

而Hyra给出的，不只是又高了一点的新纪录。

它找到了一整套可以不断扩展的数字构造，并证明随着集合规模增大，结果能够无限接近理论上限2。

就是说，那条看似遥不可及的上限，真的可以无限逼近。

与此同时，混元官方强调：

Hyra先在有限范围内试出了更好的结果，随后转向用自然语言提出数学构造和论证。

经过约24小时运行，它找到了论文的核心思路。

研究团队随后独立检查并整理出完整证明，还给出了一份Lean 4形式化证明，让计算机逐步核验推导过程。

从发现线索、提出构造，到给出能够验证的完整证明，Hyra已经不只是帮数学家「搜答案」。

它开始参与真正的数学研究了。

挖一挖到底要招什么人

不过，看完这个故事，有个自然而然的问题是：

如果AI已经能自己解决人类研究几十年的难题，团队接下来究竟要招人干什么？

这，恰恰是本次招聘最有意思的地方。

没有JD，那我们就从他们正在做的事倒推。

事情的起点，是腾讯混元几天前推出的研究智能体Hyra-1.0。

在首批AI4S测试中，它一口气闯进了数学、天文、量子计算和药物设计等多个领域。

然后，交出了一张相当优秀的成绩单。

虽然混元也强调目前这些只是一些初步尝试，可能还比较粗糙。

但这一连串结果，已经足以暴露混元的AI4S野心。

它瞄准的，已经是AI科研的next level——全自动化。

让AI自己提出方案、运行实验、读取结果，再继续迭代。

顺着这条路线往回看，混元想招什么样的人，也就逐渐清晰了。

第一种，肯定是继续把Research Agent造得更强的人。

Hyra-1.0负责搭建科研循环，维护经验、组织实验并根据结果不断迭代；Hy3则为这套系统提供核心模型能力。

所以Agent架构、强化学习、上下文学习、自动评估、训练系统和GPU kernel等方向的人才，都会是团队的刚需。

但只会造模型，还不够。

科学研究不是答案藏在背后的标准化考试。

什么问题值得研究，什么指标代表真正进步，模型给出的方案有没有违反领域常识，都需要专业判断。

这也意味着，混元想找的另一类人，很可能是既懂AI、又懂具体科学问题的交叉型人才。

他们未必需要从头训练一个大模型，但要能把科研目标转化为可执行、可评估、可反复优化的任务，也要能判断AI得到的结果到底是真突破，还是单纯把分数刷高了。

AlphaFold项目中的结构生物学家，OpenAI大力招揽的顶尖数学家，都是同一套逻辑。

事实上，招聘线索早就出现过。

去年，腾讯混元大模型团队就曾招聘大模型数据实习生，方向直接写明了物化生。

工作内容也不只是传统的数据整理。

实习生需要设计学科知识标注规则，分析大学及竞赛级别的复杂科学数据，构建科学领域评估基准；还要参与数据采集、模型评估、SFT和强化学习，训练具备学科思维链能力的科学大模型。

对应的专业要求，则是物理、化学或生物专业的高年级本科生、硕士和博士。

团队并没有要求候选人必须是成熟的模型研究员，但需要具备扎实的学科知识、基本的AI认知和跨学科沟通能力。

有编程、数据分析、科研或学科竞赛经历，则会更加分。

如今再看，这份旧JD几乎就是本次招聘的人才画像预告。

只不过，去年的重点还是教大模型解决科学问题。

而现在，Hyra-1.0这样的科研智能体已经开始带着模型直接进入科研流程。

说白了，混元要招的，已经不再只是传统意义上的大模型算法人才。

它想组建的，是一支由AI研究员、系统工程师和领域科学家共同组成的「人机科研队伍」。

至于这支队伍最终会把科学研究推进到什么程度，最近关于菲尔兹奖的一条热评，或许已经给出了答案。

「这可能是最后一届纯人类成果获得菲尔兹奖了」

混元的这次招聘，放在最近的AI行业里看，并不是一个孤立事件。

它对应的，其实是一个正在业内蔓延的新共识：

AI正从辅助工具，进化为真正的研究者。

今年菲尔兹奖相关讨论中，有一句热评就非常生动地反映了这种变化：

话虽然带有夸张成分，但没有人敢跳出来否认这个可能性。

毕竟当AI可以批量尝试人类研究者无暇探索的方向，并且把成功和失败全部留在经验库中。

科学研究的速度，就不再只由人类数量决定了…

更微妙的是，AI现在不仅能研究科学，它还在研究AI本身。

AI递归自我改进（自己造出更好的自己），现在已经不是天方夜谭。

位于最前沿的OpenAI和Anthropic，或许已经看到了这种能力的雏形。

所以他们最近罕见联合发声，呼吁建立能够协调AI发展速度的国际机制，主动给AI发展「踩刹车」。

两件事放一起：

一边，是姚顺雨拿着AI刷新数学问题纪录的成绩单招人；另一边，是最靠近技术前沿的人讨论如何控制发展速度。

表面上看，貌似一个在踩油门，一个在踩刹车。

但背后指向的，却是同一个现实：

AI自进化，已经开始走进真实的科研与研发流程。

在这个过程中，很重要的一点是：

关键控制权，应该交给谁？

什么问题值得研究，什么结果可以相信，AI可以迭代到什么程度，又应该在什么时候停下来，这些都不能只由AI自己决定。

这或许也是混元此时招人的另一层意义。

Hyra解题论文：

https://arxiv.org/abs/2607.27199