DeepMind系初创Inherent发布AI科研助手Faraday

由Google DeepMind前研究人员创立的伦敦AI初创公司Inherent近日宣布，其新发布的AI代理“Faraday”在一项关键科研任务中表现优于Anthropic和OpenAI的前沿大模型。这项任务要求AI在未被告知结果的前提下，独立复现已发表科学论文的实验结论——这不仅是对模型推理能力的考验，更是对其“科研直觉”或所谓“研究品味”的挑战。

Inherent联合创始人兼首席科学家Edward Hughes表示，虽然Faraday成功击败了如Claude Opus 4.8和GPT-5.5等参数规模远超自身的模型，但团队更关注的是实现这一成果的技术路径。Faraday并非基于自研大模型，而是运行在一个仅有270亿参数的开源模型Qwen 3.6之上。相比之下，当前主流前沿模型通常拥有数百亿甚至上千亿参数，训练成本高昂。

这一设计选择体现了Inherent的核心理念：构建具备“科研品味”的AI科学家，而非仅仅追求任务准确率的工具。所谓“科研品味”，指的是AI能够判断哪些实验值得开展、如何高效设计实验流程，并在资源有限的情况下做出最优决策。这种能力对人类科研工作者而言至关重要，也是博士生入门科研时常被训练的基本功。

为了赋予Faraday这种难以量化的直觉，Inherent采用了强化学习（Reinforcement Learning）作为主要训练范式。不同于传统监督学习依赖大量标注数据，强化学习通过设定奖励机制，让AI在反复试错中自主优化行为策略。Hughes指出，团队并未将重点放在让AI学习“如何做科研”的显性规则上，而是相信通过目标导向的奖励机制，模型能更自然地泛化到跨学科科研场景中。

值得注意的是，Inherent在工具链选择上也体现出务实态度。尽管具备开发编码能力的技术实力，团队仍选择让Faraday调用OpenAI的GPT-5.5 Codex来执行编程任务，类比人类科学家通常直接使用现有软件工具而非从零造轮子。这种“站在巨人肩膀上”的策略，有助于聚焦核心科研推理能力的构建。

此外，Inherent特别警惕AI系统陷入“讨好用户”的陷阱——即倾向于生成符合用户预期但未必正确的结论。为此，Faraday的设计强调客观验证与可重复性，力求模拟真实科研过程中对证据的严谨态度。Hughes表示，这一原则源于他对理想科研伙伴的理解：诚实、批判性思维和对真理的执着。

尽管Inherent目前尚未公布更多技术细节或开放API，但其在极小模型规模下实现超越行业巨头的表现，为AI for Science领域提供了新的思路：或许通往通用AI科学家的道路，不在于堆砌参数，而在于更聪明的训练机制与对科研本质的深刻理解。