11月2日，腾讯混元发布AI科研系统Hyra 2.0，将研发重点从直接用AI攻克科学难题，转向让通用Agent参与科学模型、研究工作流及软件工具的研发与升级。该系统试图让一次研发的成果在后续研究中被反复使用，推动科研范式从“刷题解题”走向“造工具”。
此前发布的Hyra 1.0曾驱动开源模型解决加法组合学中悬置五十余年的开放问题，验证了“给AI明确评判标准的难题并循环尝试”这一路径的可行性。Hyra 2.0在此基础上进一步提出，工具升级带来的收益可被下游任务反复复用，从而形成智能复利。
在架构设计上，Hyra 2.0将研究工作拆分为Overall、Mission和Worker三层。Overall负责人与人类研究者沟通并对齐目标；Mission长期负责单一研究问题并判断路线取舍；Worker则独立读代码、做实验、分析失败原因，并可质疑Mission的判断。这一分层结构将目标对齐、路线决策与具体执行解耦，使系统能够在长周期研究任务中保持方向稳定性，同时保留执行层的自主性。
存储机制方面，Hyra 2.0设计了项目状态、Agent分层记忆与共享知识库Books三套分离的存储方案。项目复盘时，系统可将可迁移的方法整理为skill，供后续任务直接调用。这一设计使研究过程中沉淀的方法论不再随单个项目结束而流失，而是转化为可复用的能力资产，与“造工具”的整体定位形成呼应。
从行业视角看，AI for Science过去两年的主流路径集中在用模型直接求解特定科学问题，成果高度依赖单点突破，复用性有限。Hyra 2.0转向工具与工作流的研发，实质上是将Agent从“解题者”重新定位为“研发基础设施的建设者”。若智能复利机制在更多学科场景中得到验证，AI科研系统的价值评估标准可能从单次任务的解题成功率，转向工具沉淀量与跨任务复用效率。
腾讯混元方面尚未披露Hyra 2.0的具体开放计划与适用学科范围。该系统后续在真实科研工作流中的工具产出质量与复用效果，将是检验其范式主张的关键指标。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
