腾讯混元Hyra破解50年数学难题

核心亮点

事件经过

问题的起点可追溯到 1969 年。数学家开始追问：对一个有限整数集合 A，和集 A+A 与差集 A−A 在规模上究竟能拉开多大差距。直觉上差集应该更大，因为加法有交换律带来的重复，减法没有；但这种直觉能被推翻到什么程度，长期没有确切答案。

此后半个世纪进展缓慢。研究者不断构造更精巧的集合，把指数一点点往上推，却长期停留在略高于 1.1。

这一次的做法是把研究智能体 Hyra 接入 Hy3 模型，让系统在庞大的构造空间里自主搜索、验证、迭代，最终给出指数为 2 的显式构造，并附上证明其最优的论证。

技术细节

需要说明的是，Hyra 扮演的不是「写代码的助手」，而是研究智能体：它要自己提出候选构造、判断哪条路径值得深入、失败后调整策略，并把结果整理成可检验的形式。这与对话式问答有本质区别：数学构造的搜索空间极大，绝大多数尝试都会失败，能否高效剪枝才是关键。

另一个关键点是形式化证明的公开。构造类结果最容易被质疑「是不是碰巧凑出来的」，形式化证明则可交给证明助手逐条机器校验，把人工审阅的不确定性压到最低。论文与证明同时放出，等于把可复现性摆上了台面。

行业背景

近两年，AI 参与数学研究已经从「解题」转向「发现」。早期模型的能力集中在竞赛题和已知定理复述上，本质仍是模式匹配；构造一个前人未找到的集合并证明其最优，则属于创造新知识，难度不在一个量级。

从五十余年停留在 1.1 附近到直接给出 2 并证明最优，这个跨度本身说明：AI 在超大搜索空间的探索方式，可能与人类数学家的直觉路径存在系统性差异，而这恰恰是价值所在。

行业影响

对国内 AI 产业而言，这是一次含金量很高的展示。它证明大模型加智能体已经能触及真实、开放的科研问题，而不只是在基准测试上刷分。基础模型能力、智能体架构与形式化验证的配合，也为后续科研智能体设计提供了参考范式。

更值得关注的是路径本身。如果研究智能体能在数论这样高度抽象的领域产出原创结果，那么材料、药物、算法优化等依赖大规模搜索的方向，理论上也存在被撬动的空间。数学难题的攻克是结果，可复用的研究方法才是真正留下来的东西。