DeepMind 老將再創業!Inherent 推出 AI 科學家「法拉第」下一步 World Model
由多名前 Google DeepMind 成員創立的英國 AI 新創 Inherent,近期正式公開旗下 AI 科學研究代理 Faraday。
公司宣稱,在「獨立重現科學論文研究成果」的特定測試中,Faraday 擊敗 OpenAI GPT-5.5 與 Anthropic Claude Opus 4.8;更值得注意的是,Faraday 底層採用的只是一個 270 億參數(27B)的 Qwen 3.6 模型。
Inherent 想證明:與其單純把基礎模型做得更大,能否透過強化學習(RL)、工具使用與長時間自主工作,把相對小型的模型訓練成特定領域的專家 Agent?
而 Inherent 最終的野心也不只是「重做別人的論文」,而是打造能自行提出問題、設計實驗,甚至發現人類尚未發現的新知識的 AI Scientist(AI 科學家)。
不只回答論文問題,真的讓 AI「重做一次」
Inherent 將這套 AI Agent 命名為 Faraday,名稱來自英國科學家 Michael Faraday(法拉第)。
Inherent 解釋,1821 年 Faraday 在撰寫電磁學領域回顧時,選擇親自重現過去的研究成果,並在過程中發現通電導線可以繞著磁鐵運動,最終成為電動馬達發展的重要起點。
Inherent 想讓 AI 重現的正是這種研究過程。
公司因此建立名為 Replica 的訓練任務。初始版本包含來自 100 篇機器學習與 AI for Science 論文的 310 項任務,涵蓋自然語言處理、材料科學、天氣預測等領域。
AI 並不是讀完論文後回答選擇題,必須在有限時間與算力下,自行重現論文中的研究圖表,而且不能事先取得原始圖表。
這意味著 Agent 得自己理解:
- 研究者到底想證明什麼?
- 應該跑哪些實驗?
- 哪些實驗值得花有限的算力?
- 結果不對時應該怎麼修改?
Inherent 共同創辦人兼首席科學家 Edward Hughes 向 TechCrunch 表示,論文重現本身就是科學訓練的重要環節,「許多博士生其實就是從這件事開始」。
Qwen 打贏 GPT-5.5、Claude Opus 4.8?
真正引起注意的是 Faraday 使用的模型大小。
Faraday 建立在只有 27B 參數的 Qwen 3.6 之上,但 Inherent 公布的 Replica 測試顯示,它在論文重現任務上的平均表現超越 Claude Opus 4.8 與 GPT-5.5。
Inherent 在測試 Claude Opus 4.8 與 GPT-5.5 時,分別透過 Claude Code 與 Codex 執行,並將 reasoning/thinking effort 設定至極高。
公司表示,Faraday 在測試中的各類論文都產生更忠實的重現結果,面對較新的研究也較不容易失敗。
OpenAI 過去其實也推出過類似概念的 PaperBench,要求 AI Agent 從零開始理解論文、建立程式碼並執行實驗。
OpenAI 當時測試的最佳 Agent 平均重現分數僅 21%,而且尚未超越機器學習博士生基準,凸顯「真正重做研究」遠比單純回答論文問題困難。
Inherent真正想訓練的是「研究品味」
更有意思的是,Inherent 認為單純把實驗結果做對還不夠。
公司希望 Faraday 學會所謂的 Research Taste(研究品味):知道什麼問題值得研究、什麼實驗值得做,以及如何在有限資源下設計出好的實驗。
這種能力很難直接寫成「正確答案」。
因此 Inherent 採用長時間跨度的強化學習(long-horizon RL),透過結果給予模型獎勵,而不是直接告訴模型每一步該怎麼操作。公司另外設計評分標準,並透過真人研究驗證 AI 評審與專家判斷的一致程度。
Hughes 表示,公司始終以建立 AI Scientist Agent 為「北極星」,其中重要的一環,就是讓 Agent 具備研究品味。
這也是 Inherent 與一般「AI 幫你查論文」產品最大的差異。
DeepMind老將創業,剛完成5000萬美元種子輪
Inherent 這家位於倫敦的 AI 實驗室由 Edward Hughes、Louis Kirsch、Kaloyan Aleksiev 與 Tantum Collins共同創立,其中包括多名 Google DeepMind 前成員。
就在公布 Faraday 前幾週,Inherent 才剛結束隱身模式,完成高達 5,000 萬美元的種子輪融資。
公司接下來預計在年底前將團隊擴張至約 20~25 人,除了 AI Scientist,Inherent 的研究野心還涵蓋 world models。
風險提示
加密貨幣投資具有高度風險,其價格可能波動劇烈,您可能損失全部本金。請謹慎評估風險。



