问题是什么
和集与差集的扩张
给定一个至少包含两个元素的有限整数集合 A，将其中任意两个元素相加，收集所有不同结果，得到和集 A+A；将任意两个元素相减，得到差集 A-A。
数学家用两个指标衡量这种扩张：σ(A)=|A+A|/|A| 表示和集扩张倍数，δ(A)=|A-A|/|A| 表示差集扩张倍数。进一步定义 C(A)=logσ(A)/logδ(A)，用来衡量和集扩张能力相对于差集扩张能力的比例。
经典和差集不等式已证明 C(A)≤2。真正的问题是：2 只是一个宽松上界，还是能够被任意逼近的最优指数？
半个世纪的追逐
1969 年，相关结果约为 1.0290。1973 年提升至 1.0598。2013 年进一步达到 1.1259。近一年，AI 辅助搜索开始参与这一问题的探索，将已有数值推进到 1.1449。
半个世纪的数字游戏
问题在于，传统数学研究依赖直觉和构造技巧，而这类极值问题需要遍历庞大的搜索空间。人类数学家用数十年推进不到 0.12，AI 介入后一年内就突破了 1.14。
Hyra 做了什么
从搜索到构造
Hyra 的工作分为两个阶段。第一阶段是有限搜索，通过系统性地探索集合构造空间，将最好结果从约 1.14 提高到 1.21。这一阶段依赖大规模计算和启发式搜索策略。
第二阶段是核心突破。Hyra 在约 24 小时运行后，提出了一族显式构造的有限整数集。这族构造满足：无论给定多么接近 2 的目标值，都能构造出相应的集合 A，使得 C(A) 任意接近 2。
从数值逼近到显式构造
24 小时的关键路径
Hyra 的工作流程可以概括为：假设生成、证据校验、构造迭代。模型首先基于已有数学理论提出候选构造方案，然后通过计算验证其性质，最后根据验证结果调整策略。
关键转折点出现在 Hyra 识别出一种特殊的集合结构。这种结构利用数论中的某些性质，使得和集扩张快于差集扩张，从而推高 C(A) 的值。
Hyra 科研智能体工作流程
技术细节与验证
Hy3 模型的角色
Hy3 是腾讯混元本月开源的模型，总参数 295B，激活参数 21B。这种 MoE 架构允许模型在处理复杂推理任务时，只激活部分参数，从而在保持强大能力的同时控制计算成本。
Hyra 作为科研智能体，依托 Hy3 的推理能力，结合专门的数学证明工具和搜索策略。模型不是简单地生成文本，而是生成可执行的数学构造和形式化证明代码。
Lean 4 形式化证明
证明的最终验证通过 Lean 4 完成。Lean 是一种依赖类型论形式化证明助手，能够将数学证明转化为机器可验证的代码。
Hyra 生成的证明经过 Lean 4 编译和验证，确保每一步推理都符合形式化逻辑规则。这意味着证明的正确性不依赖于人类审阅，而是由机器严格验证。
形式化证明的严谨性
论文预印本、显式构造和形式化证明均已公开，可供数学界审查和复现。
意义与边界
AI for Science 的里程碑
这一成果展示了 AI 在纯数学推理领域的潜力。传统观点认为，数学研究依赖人类直觉和创造力，AI 只能辅助计算或搜索。Hyra 的结果表明，AI 可以独立完成从问题理解到证明生成的完整科研流程。
腾讯混元团队表示，Hyra 是其内部研发的 AI 研究代理，专门用于数学和科学计算领域。此次突破不是偶然，而是长期投入的结果。
适用边界与后续问题
需要明确的是，Hyra 的成功依赖于问题的特定结构。加法组合学中的和差集问题具有清晰的定义和可计算的目标函数，这为 AI 搜索提供了良好条件。
对于更复杂的数学问题，AI 的能力边界尚不明确。当前成果的价值在于提供了一个可复现的范例，而非证明 AI 可以解决所有数学难题。
AI 辅助科研的现实与边界
姚顺雨在宣布这一成果的同时，也发布了 AI for Science 方向的招聘启事。这传递了一个明确信号：腾讯混元正在扩大 AI 科研的投入，而 Hyra 的成果只是开始。
影响与边界
对 AI for Science 的意义
C(A)≤2 不是一个松散的界，Hyra 证明了它是可以无限逼近的最优值。这一成果展示了 AI 智能体在纯数学推理领域的潜力，也为 AI for Science 提供了可复用的范式：从有限搜索发现模式，到构造性证明完成闭环。
数学界的反应
该成果已引发数学界关注。腾讯研究院相关团队正在招募 AI for Science 方向人才，以扩大此类突破的战果。数学界对 AI 辅助证明的态度正在从观望转向审慎认可。
后续可追问的问题
Hyra 的构造方法能否推广到其他组合学问题？形式化证明的生成流程能否进一步自动化？这些问题有待后续研究回答。
分析
为什么这个构造能逼近 2
问题的核心在于构造一族有限整数集 A，使得 C(A) = log|A+A|/log|A-A| 无限逼近 2。经典不等式已证明 C(A)≤2，但 50 年间最佳构造仅从 1.0290 推进到 1.1449，距离理论极限仍有显著差距。
Hyra 的构造思路并非随机搜索，而是基于对和集与差集增长机制的结构化理解。和集 |A+A| 的增长取决于 A 中元素相加后产生新值的能力，差集 |A-A| 的增长则与元素间差异的多样性相关。要让比值逼近 2，需要构造一个集合，其加法运算产生大量新值，而减法运算产生的差异相对集中。
具体而言，Hyra 提出的构造利用了数论中的某些代数结构，使得 A+A 的规模呈多项式级增长，而 A-A 的规模增长相对缓慢。这种非对称性正是逼近上界 2 的关键。从 1.14 到 1.21 的突破，反映的是搜索空间从离散枚举向结构化构造的转换。
搜索空间与构造空间的转换
传统方法依赖计算机枚举有限集合，在给定规模下寻找最优解。这种方法受限于搜索空间的大小，随着集合规模增大，计算复杂度呈指数增长。Hyra 的工作方式不同：它先在有限搜索中找到 1.21 的数值证据，然后从这些证据中提炼出构造规律，最终给出适用于任意规模的显式构造。
``mermaid %% title: Hyra 工作流：从搜索到构造 flowchart TD A[有限搜索] --> B[发现最优构造 1.21] B --> C[提炼代数结构规律] C --> D[显式构造族] D --> E[Lean 4 形式化证明] E --> F[证明 CA ≤ 2 可无限逼近]
这种「搜索→提炼→构造→证明」的路径，是 AI 辅助数学研究的一种典型范式。搜索提供证据和直觉，构造提供通用性，形式化证明提供严谨性。三者缺一不可。
### 形式化证明的意义
Lean 4 形式化证明的给出，意味着这个结果已经过机器验证，不存在人为疏漏。在数学研究中，形式化证明的价值不仅在于验证正确性，更在于它提供了一个可机器读取、可进一步扩展的证明框架。后续研究者可以在这个基础上继续推进，而不必从零开始验证基础步骤。
## 影响
### 对 AI for Science 的示范效应
Hyra 的成果展示了 AI 在纯数学推理领域的潜力。传统观点认为，数学研究依赖人类的直觉和创造力，AI 只能辅助计算或验证。但这次突破表明，当模型具备足够的参数规模和推理能力时，AI 可以参与从问题理解到构造提出再到证明验证的完整科研流程。
腾讯混元团队在论文中记录了内部实验过程，包括 Hyra 如何在 24 小时内完成从搜索到构造的转换。这一过程的可复现性，为其他团队研究类似数学问题提供了参考路径。
### 对加法组合学后续研究的启发
这个结果解决了加法组合学中的一个经典开放问题，但同时也打开了新的研究方向。构造族的显式形式可能揭示和集与差集之间的更深层次关系，这些关系可能推广到其他类型的集合运算问题。
### 边界与局限
需要明确的是，Hyra 的突破依赖于 Hy3 模型的规模和推理能力。对于其他数学问题，AI 能否复制这一成功，取决于问题的结构特征和搜索空间的性质。并非所有开放问题都能通过「搜索→构造→证明」的路径解决。此外，当前模型在形式化证明生成方面仍需要人类专家的引导和校验，完全自主的证明生成尚未实现。
## 研究来源
- 腾讯混元官方公告：https://hy.tencent.com/research/hyra
- IT之家报道：https://www.sohu.com/a/1057155681_114760
- 腾讯新闻：https://view.inews.qq.com/a/20260731A0BKDA00
## 从数值逼近到显式构造
过去五十年的研究路径是典型的「数值搜索」路线。从 1969 年的 1.0290 到 2013 年的 1.1259，再到 2025 年 AI 辅助搜索推至 1.1449，每一步都是靠人工或程序在有限集合空间中试错，寻找使 C(A) 更大的构造。搜索的瓶颈在于：无论算力多强，它只能给出离散点上的最优解，无法回答「是否存在一族集合使 C(A) 任意接近 2」这一存在性问题。
Hyra 的突破在于完成了从搜索到构造的跃迁。
> 从离散点到通解
它提出的构造不是某个具体集合，而是一族参数化的整数集，其结构由数论中的特定性质驱动。核心思路是让和集 A+A 的规模尽可能膨胀，同时让差集 A-A 的规模受到结构性约束。和集的膨胀来自集合元素的「非对称分布」设计——当 A 的元素在模某个大素数下呈现特定分布时，加法运算会产生大量不同结果；而差集的扩张则被构造中的代数结构压制，因为减法具有对称性（a-b = -(b-a)），同一对元素产生的差值会成对抵消。
### 搜索空间的尽头
搜索方法的根本限制在于它无法处理无限族。C(A)≤2 的上界来自经典不等式，但 50 年来没有人能给出达到这个上界的显式构造。搜索只能回答「在 n 个元素的集合中，最好的 C(A) 是多少」，却无法回答「当 n 趋于无穷时，C(A) 的上确界是否等于 2」。Hyra 的构造直接给出了后一个问题的答案：对于任意 ε>0，都能构造出集合 A 使 C(A)>2-ε。
### 构造的本质：让和集膨胀、差集受控
Hy3 模型在 24 小时运行中逐步收敛到的核心构造，利用了加法组合学中一个经典技巧的变体：通过多层嵌套的算术级数和随机扰动相结合，使和集在不同尺度上持续扩张，而差集因对称性在更高阶结构中被「折叠」。具体而言，构造中的集合 A 由若干层算术级数拼接而成，每层的公差和长度经过精心选择，使得 A+A 在不同层之间产生大量不重叠的和，而 A-A 的差值则因层间结构的对称性而重复。
> Hyra 构造策略的核心机制
D[模大素数下的非对称分布]
E[层间公差差异化]
end
subgraph 结果
F[和集在不同尺度膨胀]
G[差集因对称性折叠]
H[C(A) 逼近 2]
end
C --> F
D --> F
E --> F
C --> G
D --> G
E --> G
F --> H
G --> H
为什么 2 是可以无限逼近的
证明的关键在于构造的「渐近性」。Hyra 给出的不是单个集合，而是一个集合族 {A_n}，其中 n 是构造的复杂度参数。随着 n 增大，和集的扩张倍数 σ(A_n) 以 n 的多项式速度增长，而差集的扩张倍数 δ(A_n) 的增长速度被控制在 σ(A_n) 的平方根量级。由此 C(A_n) = log σ(A_n) / log δ(A_n) 趋于 2。这不是数值逼近，而是严格的极限论证。
形式化证明的意义
Lean 4 形式化证明的完成，意味着这个构造的每一步推理都可以被机器验证。在数学史上，用形式化方法验证的复杂构造并不罕见，但将 AI 生成的构造思路转化为完整的形式化证明，仍然是罕见案例。
从直觉到可机器检查的严谨
形式化证明的价值不在于「证明本身是否正确」——数学界对 Hyra 构造的直觉认可度已经很高——而在于它消除了「构造是否存在隐蔽漏洞」的不确定性。加法组合学的构造往往依赖精巧的数论技巧，人工审查时容易遗漏边界情况。Lean 4 证明将每一步推理分解为原子化的引理，任何一步的疏漏都会被类型系统捕获。
对 AI for Science 的示范效应
Hyra 的成果为 AI for Science 提供了一个清晰的范式：AI 不再只是辅助计算的 tool，而是能够提出原创性数学构造的 agent。
科研智能体的新范式
这一范式的核心特征是「搜索—构造—验证」的闭环：AI 在搜索空间中发现数值线索，将其转化为显式构造，再通过形式化方法完成验证。这一闭环在纯数学领域首次被完整跑通。
对加法组合学后续研究的启发同样直接。Hyra 的构造方法打开了一个新的研究方向：是否存在其他经典上界问题，也能通过类似的「AI 生成构造+形式化验证」路径解决？目前 Hyra 团队已在 EinsteinArena 等数据库的 55 个数学开放问题中，在 29 个问题上刷新了已有结果，其中许多问题数十年未取得进展。
边界与局限
需要明确的是，Hyra 的方法并非万能。当前构造依赖于加法组合学的特定结构——和集与差集的不对称性——这一结构在其他组合问题中未必存在。此外，Hyra 的 24 小时运行时间表明，当前 agent 的推理深度仍受限于计算资源和模型架构，对于需要更深层数学直觉的问题，人类数学家的引导仍然不可或缺。
本结论的适用范围是：问题可形式化为有限整数集合的扩张指数优化，且存在可参数化的构造族。超出这一范围，Hyra 的方法需要重新评估。下一步可执行的动作是：关注 Hyra 团队在 Lean 4 形式化证明库中的后续更新，以及 Hy3 模型在更多数学问题上的构造能力验证。
