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）：
Hyra找到了一个关键构造，为加法组合学中一个悬而未决半个多世纪的开放问题给出了完整答案。
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：
更关键的是，这不是一次单纯的暴力搜索。
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。
- 在55道数十年未取得进展的数学开放问题里，刷新了29道问题的已知最好结果；
- 从百年太阳黑子数据中发现预测公式，样本外预测精度达到R²=0.77；
- 用15个参数实现10位数加法，较此前纪录减少58.3%；
- 自研量子比特路由算法，较经典方案提效44.4%；
- 生成PARP1候选分子，模拟评分超过已上市药物奥拉帕利。
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：
这可能是最后一届纯人类参与的菲尔兹奖了。
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」。
AI能力的发展存在迅速加速的真实风险，最终可能超出人类理解或控制这些系统的能力。
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
热门跟贴