AI破解50年数学难题：腾讯混元无JD招聘背后的科研范式革命

在传统的科技巨头招聘叙事中，详尽的职位描述（JD）、明确的职级体系以及标准化的面试流程构成了人才筛选的基础框架。然而，腾讯混元团队近期的一次招聘动作，却以一种极具颠覆性的方式打破了这一常规。没有冗长的职责列表，没有繁琐的要求罗列，只有一句简短的“混元AI4S正在招人了”以及一张展示科研成果的图片。这种看似随意的“无JD招聘”，实则传递出一种强烈的信号：在AI for Science（AI4S）的前沿阵地，传统的岗位定义已无法涵盖正在发生的范式转移。这张图片所承载的，不仅是一个技术突破，更是AI从工具属性向主体属性跃迁的里程碑。

这张引发行业震动的成绩单，核心在于腾讯自研智能体Hyra在数学领域取得的实质性突破。具体而言，Hyra针对加法组合学中一个悬而未决长达半个多世纪的开放问题，给出了接近理论极限的完整答案。这个问题看似抽象，实则触及了离散数学的核心逻辑：给定一组整数，其两两相加产生的不同结果数量与两两相减产生的不同结果数量之间，存在怎样的极值关系？数学家们长期争论的焦点在于，加法结果的增长速度是否真的能无限逼近减法结果平方这一理论上限。此前的研究虽不断刷新纪录，但始终未能证明这一上限的可逼近性。Hyra的出现，不仅将纪录推向了新的高度，更通过构建一套可无限扩展的数字构造，从理论上证实了该上限是可以被无限逼近的。

值得注意的是，Hyra的解题过程并非简单的暴力搜索或概率猜测，而是展现了类似人类数学家的推理能力。基于总参数295B、激活参数21B的Hy3模型，Hyra首先在有限范围内进行试探性搜索，获取初步的高分结果。随后，它转向使用自然语言提出数学构造假设，并进行逻辑论证。经过约24小时的自主运行，Hyra提炼出了论文的核心思路。更为关键的是，研究团队随后对这一思路进行了独立检查，并利用Lean 4语言完成了形式化证明。这意味着，AI不仅提供了答案，还提供了可供计算机逐步核验的严谨推导过程。这种从“黑盒输出”到“白盒验证”的转变，极大地提升了AI科研成果的可信度与学术价值。

如果AI已经能够独立解决困扰人类数十年的数学难题，那么团队接下来需要招聘的人才究竟扮演什么角色？这恰恰是此次招聘最耐人寻味之处。从Hyra-1.0的研究智能体架构来看，其核心能力在于搭建科研循环、维护经验库、组织实验并根据反馈进行迭代。因此，第一类急需的人才显然是能够强化这一底层架构的技术专家。这包括精通Agent架构设计、强化学习算法、上下文学习机制以及自动评估系统的工程师。此外，为了支撑大规模的科学计算与模型训练，熟悉GPU kernel优化、分布式训练系统以及高效推理加速的技术人员也是不可或缺的刚需。这些人才的任务，是让AI这个“研究者”变得更聪明、更高效、更稳定。

然而，仅靠技术堆栈的优化并不足以支撑真正的科学发现。科学研究不同于标准化考试，它没有预设的标准答案，也没有固定的解题路径。在面对未知的科学问题时，判断什么问题值得研究、什么指标代表真正的进步、模型提出的方案是否违反领域常识，都需要深厚的专业积淀。因此，第二类关键人才是具备跨学科背景的复合型专家。他们既不需要从头训练一个大模型，也不必是纯粹的代码工匠，但必须深刻理解特定科学领域（如物理、化学、生物或数学）的核心逻辑，同时具备基本的AI认知能力。他们的核心价值在于将模糊的科研目标转化为可执行、可评估、可优化的计算任务，并对AI输出的结果进行专业性甄别，防止模型陷入“刷分”而非“求真”的陷阱。

回顾腾讯混元团队此前的大模型数据实习生招聘，可以发现这一人才战略的延续性与演进性。去年的招聘重点在于物化生专业的数据标注与评估，旨在教会大模型理解科学数据。而如今的招聘，则是在Hyra等智能体已经具备初步科研能力的基础上，进一步组建“人机协同”的科研队伍。这支队伍由AI研究员、系统工程师和领域科学家共同组成，形成了一种新型的生产关系。在这种关系中，AI负责高强度的试错、搜索与模式识别，人类负责方向指引、价值判断与最终验证。这种分工不仅提高了科研效率，更拓展了人类认知的边界。

Hyra-1.0在多个科学领域的初步测试成绩，进一步印证了这一模式的潜力。除了在数学领域刷新29道开放问题的最好结果外，它在天文学中从百年太阳黑子数据中发现了预测精度高达R²=0.77的公式；在量子计算领域，其自研的路由算法较经典方案提效44.4%；在药物设计方面，生成的PARP1候选分子模拟评分甚至超过了已上市药物奥拉帕利。这些跨越不同学科的成果表明，AI4S并非局限于单一领域的点状突破，而是具备通用性的科研基础设施。它正在重塑我们探索自然规律的方式，将科学研究从“假设驱动”逐渐转向“数据与假设双驱动”的新阶段。

这一趋势在学术界也引发了深远共鸣。今年菲尔兹奖相关讨论中出现的“这可能是最后一届纯人类成果获得菲尔兹奖”的热评，虽然带有夸张色彩，却真实反映了学界对AI介入基础研究的焦虑与期待。当AI能够批量尝试人类研究者因时间与精力限制而无法探索的方向，并将成功与失败的经验全部沉淀为知识库时，科学发现的速度将不再单纯依赖人类个体的智力上限。AI的递归自我改进能力，即“自己造出更好的自己”，正在从理论构想走向工程现实。OpenAI与Anthropic等前沿机构呼吁建立国际协调机制以控制AI发展速度，正是出于对这种加速失控风险的警惕。

在这种背景下，腾讯混元的招聘行动具有了双重意义。一方面，它是技术实力的展示，证明了中国科技企业在AI4S领域的竞争力；另一方面，它也是对科研伦理与控制权的主动回应。在AI自进化走进真实研发流程的过程中，关键的控制权必须掌握在人类手中。什么问题值得研究、什么结果可以采信、AI可以迭代到什么程度，这些决策不能由算法独自决定。因此，招聘那些既懂AI又懂科学的交叉型人才，本质上是在构建一道“人类防火墙”。他们不仅是AI的使用者，更是AI的引导者与监督者，确保技术在追求效率的同时，不偏离科学求真与伦理安全的轨道。

展望未来，AI for Science的发展将不再仅仅是算力的竞争，更是人才结构与科研范式的竞争。传统的学科壁垒将被打破，取而代之的是以问题为导向的跨学科协作网络。对于从业者而言，单纯掌握编程技能或单一学科知识已不足以应对未来的挑战。具备计算思维的科学素养，以及能够与智能体高效协作的能力，将成为新一代科研人员的核心竞争力。腾讯混元的这次“无JD招聘”，或许正是这一时代转折点的缩影：它不再寻找仅仅执行指令的员工，而是在寻找能够与AI共同定义未来、共同探索未知的合作伙伴。在这场静默却深刻的革命中，人类的智慧并未被取代，而是通过与机器的深度融合，获得了前所未有的延伸与升华。