Inherent AI 代理以微小模型複製研究,超越 Anthropic 與 OpenAI
文章摘要
Inherent AI 實驗室推出了一款名為 Faraday 的 AI 代理,該代理在獨立重現科學研究發現方面,表現超越了 Anthropic 的 Claude Opus 4.8 和 OpenAI 的 GPT-5.5,儘管 Faraday 僅基於擁有 270 億參數的 Qwen 3.6 模型,其規模遠小於後兩者。此項技術的關鍵創新在於其訓練方法,擺脫了傳統的規則導向,轉而採用基於回饋學習(reinforcement learning)的獎勵機制,以培養 AI 的「研究品味」,使其能自行判斷實驗的價值與設計。
Faraday 的目標使用者是科學研究領域,其核心功能是讓 AI 能夠在不預知答案的情況下,自主完成科學論文的重現。這項能力被視為通往 AI 能夠發現新科學知識的長遠目標的基礎,並能解決科學研究中重複驗證舊結果的常見訓練需求。
Inherent AI 的創辦人與首席科學家 Edward Hughes 指出,關鍵的技術重點不在於超越其他 AI,而是其獨特的建構方式。此外,Faraday 在操作上會利用現有的工具,例如 OpenAI 的 GPT-5.5 Codex,模仿人類科學家借用現有軟體的模式。
目前,文章並未明確指出 Faraday 的限制或不足,僅提到其總體目標是建立具備「研究品味」並能進行協作的 AI 科學家代理。
Faraday 的目標使用者是科學研究領域,其核心功能是讓 AI 能夠在不預知答案的情況下,自主完成科學論文的重現。這項能力被視為通往 AI 能夠發現新科學知識的長遠目標的基礎,並能解決科學研究中重複驗證舊結果的常見訓練需求。
Inherent AI 的創辦人與首席科學家 Edward Hughes 指出,關鍵的技術重點不在於超越其他 AI,而是其獨特的建構方式。此外,Faraday 在操作上會利用現有的工具,例如 OpenAI 的 GPT-5.5 Codex,模仿人類科學家借用現有軟體的模式。
目前,文章並未明確指出 Faraday 的限制或不足,僅提到其總體目標是建立具備「研究品味」並能進行協作的 AI 科學家代理。
AI 大叔解析
【核心判斷】
Inherent這家倫敦新創,由Google DeepMind前員工創立,在獲得5千萬美元種子輪融資並浮出水面後,宣稱其AI代理Faraday,在「獨立重現已發表科學論文的研究結果」這項特定任務上,表現優於Anthropic的Claude Opus 4.8和OpenAI的GPT-5.5這兩款大型模型。Faraday採用的是僅有270億參數的Qwen 3.6模型,這相對於競爭對手來說,規模確實小得多。這項進展值得關注的點在於,Inherent透過強化學習來培養AI的「研究品味」,試圖用更精巧、資源需求更低的模型,在特定科學研究任務上達到「前沿代理」的表現。然而,新聞也明確指出,這項重現論文的任務,共同創辦人定義為「人類科學家的標準訓練練習」,並非直接實現其「發現全新科學知識」的終極目標。因此,雖然展示了潛力,但真正的Bottleneck仍是如何從「驗證既有知識」跨越到「創造新知識」,這方面原文資訊仍相當有限,目前未形成單一 Bottleneck。
【毒舌吐槽】
號稱自家小模型在「重現科學論文」這種博士生剛入門的「訓練題目」上,就能把OpenAI跟Anthropic那些燒錢堆出來的「前沿代理」甩在後面,還特別強調模型很小、很省錢,根本就是直接把一張「成本效益」的王牌拍在投資人臉上。更別提那個聽起來很玄的「研究品味」,靠強化學習來「獎勵好的結果」,但哪個「品味」才算「好」,這當中的主觀性跟難以量化,新聞裡就輕輕帶過了。畢竟,不是每個博士生都能培養出好的「品味」,AI要怎麼學會這個「只可意會不可言傳」的本領,光靠「獎勵」就能搞定?這是不是又在賣一些「信仰」多過於「科學」的東西?毒舌標籤:Market Signal
【為什麼重要?】
這則新聞的真正價值,在於它提供了一個「以小搏大」的早期技術訊號。在大家爭相投入巨資、競逐更大模型參數量的AI軍備競賽中,Inherent展示了另一種可能性:透過特定領域的深度優化與獨特訓練方法(如強化學習與「研究品味」的培養),較小的模型也能在特定、複雜的任務上達到甚至超越頂尖大模型的表現。如果這種策略能夠擴展並持續有效,它將有潛力改變AI技術的研發模式,讓資源較不充裕的團隊或新創,也能在垂直領域找到突破口,降低AI研發對天價運算資源的依賴。這對於AI科研工具的普及化與多元發展,具備重要的指標意義。此外,共同創辦人Hughes點出英國「garden leave」制度對AI人才招聘的限制,也反映出即使在倫敦這樣的人才高地,制度上的摩擦仍然可能成為新創成長的隱性成本,值得關注其對英國AI生態發展的影響。
【影響對象與建議】
* **AI研究員與科學運算工程師:** 評估Inherent利用小模型與強化學習在特定任務上的成功經驗,思考在各自專屬領域的AI應用中,是否能透過更精準的訓練策略,而非單純擴大模型規模,來提升效率與降低成本。
* **新創公司創辦人(尤其在AI領域):** 借鑒Inherent的市場溝通策略,學習如何在大型科技巨頭的光環下,有效利用自身在特定領域的技術優勢與資源效率,來吸引投資人與頂尖人才的關注。
* **風險投資人:** 仔細分析Inherent這種「小而精」的AI模式,除了模型規模與算力之外,更應審慎評估團隊在特定領域的深度技術與獨特訓練方法是否真能建立競爭壁壘,避免盲目追逐「大模型」敘事。
【一句話總結】
Inherent以270億參數小模型,在特定科學論文重現任務擊敗大模型,展示AI科研代理可走精巧高效之路,而非一味追求規模。
【逆風觀點】
原文聲稱Faraday「超越」了GPT-5.5與Opus 4.8,但此「超越」是針對「獨立重現科學論文研究結果」這項非常特定的任務,而非普遍性的科學發現或通用智能。共同創辦人Hughes也坦言,這更像是人類科學家的「訓練練習」,其最終目標是「發現新科學知識」,但原文尚未提供足夠證據證明Faraday已具備此能力。此外,所謂的「研究品味」如何被量化、評估及確保其通用性與準確性,原文也缺乏具體說明,這項核心能力仍待更嚴謹的長期驗證。
Inherent這家倫敦新創,由Google DeepMind前員工創立,在獲得5千萬美元種子輪融資並浮出水面後,宣稱其AI代理Faraday,在「獨立重現已發表科學論文的研究結果」這項特定任務上,表現優於Anthropic的Claude Opus 4.8和OpenAI的GPT-5.5這兩款大型模型。Faraday採用的是僅有270億參數的Qwen 3.6模型,這相對於競爭對手來說,規模確實小得多。這項進展值得關注的點在於,Inherent透過強化學習來培養AI的「研究品味」,試圖用更精巧、資源需求更低的模型,在特定科學研究任務上達到「前沿代理」的表現。然而,新聞也明確指出,這項重現論文的任務,共同創辦人定義為「人類科學家的標準訓練練習」,並非直接實現其「發現全新科學知識」的終極目標。因此,雖然展示了潛力,但真正的Bottleneck仍是如何從「驗證既有知識」跨越到「創造新知識」,這方面原文資訊仍相當有限,目前未形成單一 Bottleneck。
【毒舌吐槽】
號稱自家小模型在「重現科學論文」這種博士生剛入門的「訓練題目」上,就能把OpenAI跟Anthropic那些燒錢堆出來的「前沿代理」甩在後面,還特別強調模型很小、很省錢,根本就是直接把一張「成本效益」的王牌拍在投資人臉上。更別提那個聽起來很玄的「研究品味」,靠強化學習來「獎勵好的結果」,但哪個「品味」才算「好」,這當中的主觀性跟難以量化,新聞裡就輕輕帶過了。畢竟,不是每個博士生都能培養出好的「品味」,AI要怎麼學會這個「只可意會不可言傳」的本領,光靠「獎勵」就能搞定?這是不是又在賣一些「信仰」多過於「科學」的東西?毒舌標籤:Market Signal
【為什麼重要?】
這則新聞的真正價值,在於它提供了一個「以小搏大」的早期技術訊號。在大家爭相投入巨資、競逐更大模型參數量的AI軍備競賽中,Inherent展示了另一種可能性:透過特定領域的深度優化與獨特訓練方法(如強化學習與「研究品味」的培養),較小的模型也能在特定、複雜的任務上達到甚至超越頂尖大模型的表現。如果這種策略能夠擴展並持續有效,它將有潛力改變AI技術的研發模式,讓資源較不充裕的團隊或新創,也能在垂直領域找到突破口,降低AI研發對天價運算資源的依賴。這對於AI科研工具的普及化與多元發展,具備重要的指標意義。此外,共同創辦人Hughes點出英國「garden leave」制度對AI人才招聘的限制,也反映出即使在倫敦這樣的人才高地,制度上的摩擦仍然可能成為新創成長的隱性成本,值得關注其對英國AI生態發展的影響。
【影響對象與建議】
* **AI研究員與科學運算工程師:** 評估Inherent利用小模型與強化學習在特定任務上的成功經驗,思考在各自專屬領域的AI應用中,是否能透過更精準的訓練策略,而非單純擴大模型規模,來提升效率與降低成本。
* **新創公司創辦人(尤其在AI領域):** 借鑒Inherent的市場溝通策略,學習如何在大型科技巨頭的光環下,有效利用自身在特定領域的技術優勢與資源效率,來吸引投資人與頂尖人才的關注。
* **風險投資人:** 仔細分析Inherent這種「小而精」的AI模式,除了模型規模與算力之外,更應審慎評估團隊在特定領域的深度技術與獨特訓練方法是否真能建立競爭壁壘,避免盲目追逐「大模型」敘事。
【一句話總結】
Inherent以270億參數小模型,在特定科學論文重現任務擊敗大模型,展示AI科研代理可走精巧高效之路,而非一味追求規模。
【逆風觀點】
原文聲稱Faraday「超越」了GPT-5.5與Opus 4.8,但此「超越」是針對「獨立重現科學論文研究結果」這項非常特定的任務,而非普遍性的科學發現或通用智能。共同創辦人Hughes也坦言,這更像是人類科學家的「訓練練習」,其最終目標是「發現新科學知識」,但原文尚未提供足夠證據證明Faraday已具備此能力。此外,所謂的「研究品味」如何被量化、評估及確保其通用性與準確性,原文也缺乏具體說明,這項核心能力仍待更嚴謹的長期驗證。