Инновационный подход лаборатории Inherent: AI-агент Faraday опередил гигантов в воспроизведении науки
Лондонская исследовательская лаборатория Inherent, основанная бывшими сотрудниками Google DeepMind, заявила об успехе своего нового AI-агента Faraday. Несмотря на использование компактной архитектуры, этот агент продемонстрировал способность воспроизводить результаты научных исследований с результатами, превзойдя значительно более масштабные модели от Anthropic и OpenAI. Ключевой особенностью проекта стал не только объем вычислений, но и применение методов обучения с подкреплением для развития у системы научной интуиции.
# Компактность против масштаба: новый вызов для индустрии искусственного интеллекта
В мире больших данных и все растущих вычислительных мощностей редко удаётся достичь прорыва, используя инструменты меньшего масштаба. Однако новая новость из лондонской сцены искусственного интеллекта бросает вызов этой тенденции. Стартап Inherent, который долгое время работал в режиме стрим-моды (stealth), представил результаты работы своего AI-агента Faraday. В тесте на воспроизведение научных исследований агент продемонстрировал результаты, которые, по заявлению компании, превзошли работы от ведущих глобальных игроков — Anthropic и OpenAI.
Этот случай интересен не только результатом победы, но и подходом к достижению этой цели. Изначально цель разработчиков стояла значительно выше простого подтверждения существующих фактов: они планировали создать агента, способного к открытию нового научного знания. Тем не менее, способность точно воспроизводить результаты, которые уже были получены людьми, является стандартной тренировочной процедурой для исследователей, в том числе для аспирантов.
Архитектура против гигантов
Важнейшим аспектом успеха Faraday стала его архитектура. Для сравнения, агент Inherent работает на базе модели Qwen 3.6, которая содержит всего 27 миллиардов параметров. В контексте искусственного интеллекта параметр — это единица памяти в нейронной сети, и их количество часто коррелирует с затратами на обучение и потенциальной точностью. Модели от конкурентов, с которыми сравнивали Faraday, были значительно больше и потребляли на порядок больше ресурсов.
«Нам было интересно не столько то, что мы победили этих передовых агентов, сколько путь, которым мы к этому пришли», — заявил сооснователь и главный научный сотрудник компании Эдвард Юдж (Edward Hughes). Это заявление подчеркивает, что для команды Inherent важно не просто создать «тяжеловесную» модель, а найти эффективный путь к решению сложных задач.
Способность точно воспроизводить научные результаты важна по двум причинам. Во-первых, это проверка достоверности. Во-вторых, это тренировка методологии. Для Faraday это стало отправной точкой для более амбициозной задачи — развития способности к самостоятельному научному поиску.
«Вкус» к исследованиям и обучение с подкреплением
Одной из главных проблем при создании AI-ученых является передача машине не только фактов, но и «вкуса» к исследованию. Это понятие, описывающее интуицию, которая помогает выбрать перспективные направления и грамотно спроектировать эксперимент, крайне сложно формализовать в правилах.
Для решения этой задачи Inherent отказался от традиционных методов, где правила прописаны явно. Вместо этого они использовали обучение с подкреплением (Reinforcement Learning). Этот метод позволяет AI-системе получать награду за хорошие результаты действий, а не за следование жесткому алгоритму. По сути, агент учится на опыте проб и ошибок, подобно тому, как учатся исследователи в реальном мире.
Инструментально компания решила не разрабатывать собственные инструменты для кодинга, а интегрировать существующие решения, такие как GPT-5.5 Codex от OpenAI. Это решение логично: в реальной науке исследователи также не пишут всё с нуля, а опираются на готовые библиотеки и инструменты.
«Мы всегда ориентируемся на создание агента-ученого, который обладает определенным вкусом», — отметил Юдж. Философия взаимодействия с пользователем также основана на идеях сотрудничества, а не слепого исполнения команд. Цель — чтобы AI мог предложить идеи, основанные на собственных симуляциях, и спросить мнение человека.
Человеческий фактор в лаборатории
За успешным кодом стоит команда из одного десятка человек, работающих вместе в офисе в Кингс-Кроссе, одном из центров ИИ в Лондоне. Основатели, включая Эдварда Юджа, ранее работали в Google DeepMind. Их опыт и локация в Лондоне, где исторически развилась экосистема стартапов, играют важную роль.
Компания также занимает активную позицию в дискуссиях о рынке труда. Основатель высказался против практики «садажного отпуска» (garden leave), когда сотрудники, уволившиеся из крупных компаний, не могут сразу начать работу у конкурентов в течение определенного времени. Юдж считает, что такие ограничения мешают свободному обмену талантами, хотя и признает, что этот вопрос решается лично, а не является официальной позицией компании.
Сейчас Inherent планирует увеличить штат до 20–25 человек к концу года. Учитывая амбициозные планы и доступность талантов, компания может стать привлекательным местом для сотрудников, ищущих новые вызовы.
Faraday — это лишь первый шаг. Будущее лаборатории связано с созданием агентов, способных работать в различных научных дисциплинах, открывать новые гипотезы и способствовать прогрессу человечества. Пока же они доказали, что масштаб не всегда является решающим фактором, если правильный подход к обучению и методологии.