11 月 2 日，腾讯混元发布 AI 科研系统 Hyra 2.0。这次的重点不是"AI 又解出了什么难题"，而是换了个目标：让 Agent 去造工具。

一、从"刷题"到"造工具"

Hyra 1.0 的成绩是驱动开源模型解决加法组合学中一个悬置五十余年的开放问题。它验证的路径很朴素：给 AI 一个有明确评判标准的难题，让它循环尝试。

但这条路的天花板也很明显——解完一道题，成果就停在那道题上。

Hyra 2.0 提出的是另一套逻辑：如果 Agent 参与研发的是科学模型、研究工作流或软件工具，那么这次升级带来的收益可以被下游任务反复复用。官方把这叫"智能复利"。

二、三层架构怎么分工

系统把研究工作拆成三层：

Overall 负责人与人类研究者沟通，对齐目标；
Mission 长期负责单一研究问题，判断路线取舍；
Worker 独立读代码、做实验、分析失败原因，并且可以质疑 Mission 的判断。

这个设计里最值得注意的细节是"Worker 可以质疑 Mission"。研究任务里最常见的失败，是上层把方向定错了，下层还在埋头执行。允许反向质疑，等于给系统加了一道纠错机制。

三、记忆与知识库分开存

Hyra 2.0 设计了三套彼此分离的存储：项目状态、Agent 分层记忆、共享知识库 Books。

分开存的好处是复盘时能拆清楚：哪些是这次项目的临时状态，哪些是这个 Agent 积累的经验，哪些是可以给所有任务复用的方法。项目复盘后，可迁移的方法会被整理成 skill，供后续任务直接调用。

四、同场还开源了两个模型

混元同时开源了由 Hyra 2.0 协同研发的两个科学基础模型：单细胞表征基础模型 HyCell 与物理场基础模型 HyPDE。这两个模型本身就是"AI 造工具"这条路径的产物。

五、冷静看待

AI for Science 这个方向最容易出现的问题是"演示惊艳、复现困难"。判断这类系统有没有真价值，可以看三条：

第一，产出物能不能被别人用。开源模型、可运行的代码、可复现的实验流程，这些是硬的。
第二，收益能不能跨任务迁移。只在原任务上有效的工具，本质上还是刷题。
第三，失败案例有没有被记录。科研里失败远多于成功，一个只展示成功的系统，可信度要打折。

写在最后

把 AI 从"解题者"变成"造工具的人"，方向是对的。科研的瓶颈往往不在某一题的答案，而在缺少好用的工具。但这条路也更慢、更难验证，需要给足够长的时间看它能不能真的产出被同行用起来的东西。