Agent AI z DeepMind bije modele OpenAI i Anthropic

Londyński startup Inherent, założony przez absolwentów Google DeepMind, właśnie ujawnił wyniki prac nad swoim agentem AI o nazwie Faraday. System ten, mimo że działa na modelu znacznie mniejszym niż flagowe konstrukcje konkurencji, okazał się lepszy od rozwiązań Anthropic i OpenAI w konkretnym zadaniu: samodzielnym odtwarzaniu wyników opublikowanych prac naukowych. To osiągnięcie może mieć znaczenie nie tylko dla samej firmy, ale dla całego kierunku rozwoju sztucznej inteligencji w nauce.

Mniejszy model, lepsze wyniki w replikacji badań

Inherent wyłonił się z ukrycia zaledwie kilka tygodni temu, ogłaszając rundę finansowania o wartości 50 milionów dolarów. Teraz zespół dzieli się pierwszymi konkretnymi rezultatami. Faraday, bo tak nazwano agenta, poradził sobie lepiej niż Claude Opus 4.8 od Anthropic oraz GPT-5.5 od OpenAI w zadaniu polegającym na niezależnym powtórzeniu eksperymentów opisanych w literaturze naukowej. Kluczowy jest fakt, że system nie znał z góry prawidłowych odpowiedzi.

To, co przykuwa uwagę ekspertów, to skala. Faraday działa na modelu Qwen 3.6 z zaledwie 27 miliardami parametrów. Dla porównania, systemy konkurencyjne to znacznie większe, frontierowe konstrukcje. Parametry są tu wskaźnikiem rozmiaru i kosztów trenowania modelu, więc osiągnięcie lepszych wyników przy mniejszej skali sugeruje, że kluczowe jest coś innego niż sama pojemność sieci.

Współzałożyciel i główny naukowiec Inherent, Edward Hughes, podkreśla, że sukces nie polegał wyłącznie na pokonaniu rywali. Bardziej istotna okazała się ścieżka, którą zespół obrał, aby to osiągnąć. Replikacja wyników badań to zresztą standardowe ćwiczenie dla ludzkich naukowców – wielu doktorantów zaczyna swoją karierę właśnie od powtarzania eksperymentów opisanych w publikacjach.

Jak nauczyć agenta naukowego smaku?

Inherent postawił sobie wyższą poprzeczkę niż samo uzyskanie poprawnych odpowiedzi. Firma chciała, aby Faraday wykazał się czymś, co można nazwać „research taste” – instynktem podpowiadającym, które eksperymenty warto przeprowadzić i jak je dobrze zaprojektować. To umiejętność znacznie trudniejsza do zdefiniowania niż zwykła dokładność.

Jak uczyć system czegoś tak ulotnego? Z pomocą przychodzi uczenie przez wzmacnianie (reinforcement learning). To metoda, w której model jest nagradzany za dobre wyniki, zamiast otrzymywać szczegółowe instrukcje postępowania. Inherent celowo nie skupia się na uczeniu agentów wyłącznie metodologii naukowej. Zamiast tego stawia na podejście oparte na nagrodach, wierząc, że lepiej sprawdzi się ono w długoterminowym celu firmy – tworzeniu agentów zdolnych do pracy w wielu dziedzinach nauki.

Hughes wyjaśnia, że cały zespół kieruje się „gwiazdą polarną”, jaką jest zbudowanie agenta-naukowca i wyposażenie go w ten specyficzny naukowy zmysł. Ta filozofia wpływa również na decyzje o tym, czego Inherent nie buduje. Firma nie tworzy własnych narzędzi do kodowania. Faraday korzysta z GPT-5.5 Codex od OpenAI, podobnie jak ludzcy naukowcy używają gotowego oprogramowania zamiast pisać wszystko od zera.

Współpracownik, nie gadżet – wizja agentów AI

Inherent stara się również unikać tworzenia agentów, które po prostu mówią użytkownikom to, co ci chcą usłyszeć. Hughes przyrównuje swój cel do idealnego członka zespołu – kogoś, kto wraca i mówi: „Zaciekawiło mnie to, przeprowadziłem kilka eksperymentów. Co sądzisz o tych wynikach?”. Taki model współpracy ma być fundamentem działania ich technologii.

To podejście znajduje odzwierciedlenie w kulturze firmy. Cały dwunastoosobowy zespół pracuje stacjonarnie w biurze w londyńskim King’s Cross – dzielnicy, która dzięki obecności Google DeepMind stała się jednym z najważniejszych centrów AI na świecie. Hughes nie ma wątpliwości, że Londyn to właściwe miejsce do rozwijania takich technologii.

Jednocześnie Hughes zabiera głos w sprawie, która dotyka wielu brytyjskich startupów. Chodzi o „garden leave” – praktykę powszechną w Wielkiej Brytanii, która zabrania odchodzącym pracownikom dołączania do konkurencji lub zakładania własnych firm przez kilka miesięcy po rezygnacji. Amerykańscy badacze zwykle nie spotykają się z takimi ograniczeniami, co daje startupom z USA przewagę w pozyskiwaniu talentów. Hughes przyznaje, że sam doświadczył tego problemu, choć zaznacza, że to jego osobista opinia, a nie stanowisko firmy.

Mimo przeszkód, Inherent rozwija się dynamicznie. Firma planuje zwiększyć zatrudnienie do około 20-25 osób do końca roku. Biorąc pod uwagę ambicje w obszarze modeli świata (world models) oraz niepewność wśród pracowników DeepMind po objęciu nowej roli przez Demisa Hassabisa, Inherent może stać się atrakcyjnym miejscem dla specjalistów rozważających zmianę pracodawcy.

Sukces Faradaya w replikacji badań to dopiero pierwszy krok. Prawdziwym testem będzie zdolność systemu do generowania nowej wiedzy naukowej, a nie tylko potwierdzania istniejącej. Jeśli podejście Inherent oparte na uczeniu przez wzmacnianie i „research taste” okaże się skuteczne, możemy być świadkami narodzin nowej kategorii narzędzi – prawdziwych AI-naukowców, którzy będą współpracować z ludźmi w laboratoriach na całym świecie.