姚顺雨拿50年数学难题成绩单，招人了

姚顺雨，亲自下场给腾讯混元招人了！

这次所瞄准的, 乃是针对AI for（以下简称为AI4S）这个方向的人才, 呀。

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：

存在一个开放问题, 它困扰数学家约50年, 长期以来都未取得突破, 然而, 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：

当下, 已有我们的AI着手自行开展科研一项事项了, 此刻, 是很有必要使得更多人员共同参与旨在把成果予以扩大的行动的。

Hyra解决了怎样的难题

先快速过一下Hyra这次做了什么。

凭混元官方最近的介绍, 依据本月开源的Hy3模型, 该模型总参数为295B, 激活参数为21B。

Hyra寻得了一处关键构造, 针对加法组合学内一个悬而未决达半个多世纪的开放问题, 给出了齐全答案。

把问题中译中一下，其实要解决的就是：

提供给你一组整数, 随意从中挑选出两个来进行加法运算, 能够得出多少种不一样的答案? 將加法替换成减法的这般情況下, 然后再去计算又能够得到多少种结果?

比如说同样的某一组数字, 存在一些数字, 这些数字相加的时候会持续不断地产生新的结果，然而相减的时候却常常会得到重复的答案。

于是数学家开始追问：

会不会构思出一系列独特数值, 致使加法所生成的各异结果，在数量上显著多于减法? 其数量能多到哪般最大值状况呢。

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。

但问题存在于此, 这条上限到底仅仅是一种较为宽松的估计, 还是实际上能够无限接近?

这仿佛如同那工程师经过精确算出, 一列高速行驶的列车速度绝对不会超出三百五十公里每一小时这一数值。

然而, 虽说「不能超过350」, 可这并不意味着它切实能够跑到350附近, 它实际所具备的极限, 有可能仅仅只有每小时200公里。

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？

数个半世纪之中, 数学家持续设计全新的数字集合, 试着努力去逼近这条上限。

1969年时的结果大概是1.0290, 1973年它被提升至1.0598, 到了2013年又进一步推进到1.1259。

过去的一年时间里, 有多项借助AI提供辅助的搜索, 把相关纪录提升到了1.1449 , 而Codex在存在人类进行引导的实验情形之下, 更进一步达成了1.2851。

而Hyra给出的，不只是又高了一点的新纪录。

它寻觅到了一整套能够持续拓展的数字构建方式, 并且证实伴随着集合规模的增大, 其结果能够无穷无尽地趋近于理论上限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先是在限定的范围之内, 尝试得出了更为优良的结果, 紧接着转换方向, 借助自然语言去提出数学构造以及论证。

经过约24小时运行，它找到了论文的核心思路。

紧接着, 研究团队对其展开独立检查, 之后从其中整理得出完整的证明, 并且还给出了一份以Lean 4形式呈现的验证过程, 该过程能够使计算机一步一步核验推导的进程。

从察觉到线索开始, 给出构造, 一直朝着提供可验证的完整证明发展, Hyra所做的已不只是协助数学家去「搜寻答案」了。

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：

要是人工智能已然具有自行攻克人类历经几十年所研究难题之能力的情况下, 相关团队在后续究竟还需要招收人员去做些什么事项呢?

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。

事情的开端之处, 在于腾讯混元, 几天之前所推出的, 研究智能体Hyra-1.0。

于首批AI4S测试里头, 它一下子闯入了数学领域, 闯入了天文领域, 闯入了量子计算领域, 还闯入了药物设计等诸多领域。

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。

它所瞄准的, 已然是AI科研的下一个阶段, 即全自动化。

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 Agent造得更强的人。

Hyra - 1.0承担起搭建科研循环的任务, 对经验予以维护, 去组织实验, 并且依据结果持续进行迭代；Hy3为这一整套系统供给核心模型能力。

所以, 在Agent架构方面的人才, 强化学习方面的人才, 上下文学习方面的人才, 自动评估方面的人才, 训练系统方面的人才, 还有GPU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。

究竟什么样的问题是值得去加以探究的, 什么样的指标能够代表着切实的进步, 模型所给出的方案是不是存在着违背领域平常认知的情况，这些均都需要专业的分辨判断。

这代表着一种情况, 混元盼望寻觅的另外一类人士, 极有可能是那种既对AI有所了解、又对具体科学问题知晓分明的交叉类型人才。

他们不一定非得从最开始就训练一个大型的模型, 然而得具备这样的能力, 即能够将科研的目标转变为可以加以执行的任务, 还得是能够进行评估的, 而且是能够反复改善、优化的任务, 同时得具备判断人工智能所获得的结果究竟是真实的突破, 还是仅仅只是把分数提升上去了的能力。

这个项目里的从事结构生物学研究的专家, 极其主动去招揽的处于顶尖水平的数学家, 运用的全是同一套思维逻辑。

事实上，招聘线索早就出现过。

去年, 腾讯混元的大模型团队, 曾进行大模型数据实习生的招聘, 其方向明确写明是物化生。

工作内容也不只是传统的数据整理。

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

匹配的专业条件, 乃是针对物理专业, 或者化学专业, 又或者生物专业的, 处于高年级阶段的本科生, 以及硕士, 还有博士。

团队并非规定候选人得是成熟的模型研究员, 不过条件是要拥有扎实的学科知识, 还要有基本的AI认知, 并且具备跨学科沟通能力。

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。

而当下, 像Hyra - 1.0这般的科研智能体, 已然着手带着模型径直步入科研流程。

说白了, 其所需要招聘的, 已然并非单纯传统定义范畴内的大模型算法方面的人才了。

它想要组建的, 是一支队伍, 这支队伍是由AI研究员共同组成的, 同时也是由系统工程师共同组成的, 并且还是由领域科学家共同组成的, 这支队伍叫做「人机科研队伍」。

关于这支队伍最终会将科学研究向前推进直至达到怎样的一种地步, 近期所出现的一条针对于菲尔兹奖展开的较为火热的评价内容, 或许已于其间产出了最终会被确定得到的那个回答句号。

「这可能是最后一届纯人类成果获得菲尔兹奖了」

混元开展的此次招聘行为, 置于当下最近的人工智能行业范围里去审视, 并非属于一个孤立存在的事件。

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。

在今年, 关于菲尔兹奖所展开的相关讨论里头, 存在着这样一句话, 它作为一条热评, 极其生动形象地反映出了如此这般的一种变化:

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。

终究在AI能够批量去尝试那些人类研究者没有时间去探索的方向之时, 而且还会将成功以及失败都存留在经验库里。

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。

现在已然不是天方夜谭, 那些人工智能通过采用递归的方式, 实现自我改进, 也就是生产出更优质的自身。

位于最前沿的和，或许已经看到了这种能力的雏形。

所以, 他们于近期, 以一种极为少见的方式, 共同发声, 呼吁构建起一种能够对AI发展速度予以协调的国际机制, 并且主动地为AI的发展采取「踩刹车」的举措。

人工智能能力的发展, 有着迅速加快增速的真切风险, 最终极有可能超越人类认知这些系统的能力, 突破人类把控这些系统的能力。

两件事放一起：

一则, 是姚顺雨凭借拿着AI刷新数学问题纪录所获的成绩单来招人；二则, 是处在最靠近技术前沿位置的人探讨该怎么去控制住发展的速度。

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？

什么问题具备值得去研究的价值, 什么结果能够被相信, AI能够迭代至怎样的程度, 又恰好在何时应当停下来, 这些均无法单纯依赖 AI 自身去决断。

这或许也是混元此时招人的另一层意义。

Hyra解题论文：