腾讯混元 Hyra 2.0 发布：让 AI 从「刷题解题」转向「造工具」

11月2日，腾讯混元发布自动化科研系统 Hyra 2.0。它把研发重点从「直接用 AI 攻克一道难题」，转向「让通用智能体参与科学模型、工作流和软件工具的研发，并且能反复使用」。这条路线如果跑通，AI 对科研的助益就不再是一次性的答案，而会变成可以不断复用的工具——研究者称之为「智能复利」。

从解题到造工具，差在哪

要理解 Hyra 2.0 的变化，得先看清它想解决什么。三个月前发布的 Hyra 1.0，是一套面向通用科研问题的极简智能体循环：给 AI 一道有明确评判标准的难题，让它不断尝试，就可能超过已有最好成绩。它确实做到了——在开源模型驱动下，Hyra 1.0 解开了加法组合学中一个悬置五十多年的开放问题，这是国产开源模型首次全自动解决数学开放问题。

但腾讯混元在 2.0 里提出了一个更进一步的判断：解出一道题，收获的只是一个答案；做一套适合解这类题的工作流，或者训练一个更强的模型，才可能裨益无数道题。工具的价值在于可复用——升级一件工具，所有用到它的下游任务都会跟着受益。所以 Hyra 2.0 的目标，是让通用智能体亲自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里被反复调用。

三层分工的「科研工厂」

在架构上，Hyra 2.0 把研究工作拆成三层。最上层是 Overall，负责和人类研究者沟通、对齐目标、协调资源；中间是 Mission，长期负责单一研究问题，判断路线取舍、哪些假设值得继续投入；最底层是 Worker，可以独立读代码、跑实验、分析失败原因，甚至质疑 Mission 的判断。Worker 能反过来挑战上级路线，是这套设计里一处有意思的细节——判断不只在顶层单向下达，执行环节发现走不通时有反向通道。

为了支撑长周期研究，系统还设计了持久化任务队列、协作记录和独立复核：某项任务在等训练结果或人工审批时，其他任务可以继续推进；需要独立验证时，系统会启动新的复核智能体，让它先接触原始问题和证据，尽量减少执行者结论带来的偏见。项目复盘时，可迁移的方法会被整理成 skill，供后续任务直接调用。这些「共享知识库」和「技能」本身，也是 Hyra 2.0 造出来的工具。

已经造出了哪些工具

腾讯混元给出的第一批成果，已经覆盖多个科学方向。在蛋白质设计上，Hyra 2.0 从头训练了仅有 196 万参数的逆折叠模型 HyInv，生成的序列与目标结构吻合度优于行业常用的 ProteinMPNN，生成速度还快了 57 倍；它训练的蛋白质语言模型 HyPLM-Flash 有 6.5 亿参数、累计用了 7260 亿训练词元，在对比的 12 个同类模型中推理速度最快。在分子模拟上，原子级基础模型 HyFF 覆盖 83 种元素，五个规模的模型全部落在精度—速度的帕累托前沿上，并已用于真实体系的水通道蛋白模拟。

在数学证明上，工作流 HyProver 已完整解决多个开放数学问题，其中丘成桐先生的圆周作用猜想等证明已协同数学家核验整理。在量子纠错上，HyQEC 构造并严格验证了量子码 [488,123,22]，编码效率指标比原榜单榜首提升约 48%。此外，Hyra 2.0 还把探索延伸到机器人本体设计，自主发现了一种五指灵巧手结构。相关成果会持续公开在 GitHub 仓库，供社区检验和复用。

这件事对普通人意味着什么

乍看之下，一个科研自动化系统离日常很远。但它背后的逻辑，正悄悄改变药物研发、材料发现和工业设计的成本结构：当 AI 能更稳定地造出可复用的科学模型，新药筛选、新材料仿真的周期和费用就有机会被摊薄。更长远地说，Hyra 2.0 也在参与腾讯下一代混元模型的研发——它造的工具越好，造工具的系统越强，下一代模型又能成为它手里的新工具，形成自我增强的闭环。

当然，这类系统目前面向的还是模型研发与科研工作流，普通用户暂时用不上。它的意义更多在于验证一条范式：AI 对科学的贡献，不一定每次都要「解出一道题」，也可以沉淀为「一套能反复用的工具」。当工具能被复用，智能才真正开始产生复利。