DeepMind校友创办的Inherent：27B参数小模型在科研复现任务上超越Anthropic和OpenAI

Faraday所完成的任务听起来简单，实则极具挑战：独立复现已发表科学论文的结果，且不预先被告知答案。对AI系统而言，这意味着智能体需要自行理解论文的实验设计、编写代码、运行分析并得出与原作者一致的结论——这远远超出了传统大模型'背诵'训练数据的能力范围。Inherent的联合创始人、首席科学家Edward Hughes向TechCrunch解释说，论文复现其实是人类科学家的一项标准训练练习，'许多博士生正是从复现开始起步的'。他还强调，击败其他AI系统并不是目的——'我们对此最感兴趣的，不是战胜那些前沿智能体（我们当然喜欢这个结果），而是我们构建它的方式'。

真正让投资者眼前一亮的，是Inherent的技术路线选择。与追求更大模型、更多参数的主流路线不同，Faraday运行在仅有270亿参数的Qwen 3.6之上——参数数量通常被视为模型规模和训练成本的代理指标，而Qwen 3.6的规模比Claude Opus 4.8和GPT-5.5小一个数量级。Inherent设定的成功标准也比单纯准确率更高：除了复现结果，它还希望Faraday展现'研究品味'——一种对哪些实验值得运行、如何设计好实验的直觉。品味是难以言传的，为此Inherent押注于强化学习（reinforcement learning）：这种训练方法通过奖励好的结果来引导AI，而不是为它写下明确的规则。与其让智能体主要学习'科学是如何进行的'这类元知识，Inherent更倾向于这种基于奖励的方式，相信它能更好地泛化到长期目标——让智能体能够横跨多个科学领域做出贡献。Hughes说：'我们始终以构建AI科学家智能体、并为其注入品味为北极星。'

这种'科学品味优先'的理念，也塑造了Inherent选择不做什么的决策。例如，团队没有开发自己的编码工具，而是让Faraday使用OpenAI的GPT-5.5 Codex来完成编码任务——这就像人类科学家依赖现成软件而不是凡事自己造轮子。Inherent还刻意避免构建那些只是'说用户想听的话'的智能体。Hughes说，他们的目标是以他最喜欢的那种队友为榜样——那种会跑回来说'我对这个产生了好奇，然后我去做了这些实验，你觉得这些结果怎么样？'的人。这种协作本能也延伸到了Inherent的运营方式：团队目前只有约12名员工，全部在伦敦King's Cross的一间办公室线下办公——这个曾经破败的伦敦街区，因Google DeepMind的入驻而成为全球顶级AI人才聚集地之一。'我们相信伦敦就是该待的地方，'Hughes说。

围绕这次发布，还有几个值得关注的产业信号。其一，Hughes对伦敦的AI人才密度非常乐观，但他也公开呼吁英国终结'花园假期'（garden leave）制度——这是英国常见的做法，禁止离职员工在辞职后数月内加入或创办竞争对手公司，而美国研究人员通常不受此限制，这让美国初创公司在争夺离职人才时占得先机。Hughes本人就曾被这一限制影响，他最终绕过约束，与另外两位DeepMind校友及第四位联合创始人共同创办了Inherent。其二，Inherent并没有放慢脚步：公司计划在年底前将团队扩充到'约20至25人'。考虑到公司在世界模型方面的雄心，以及Demis Hassabis的新角色让部分DeepMind员工感到不安，Inherent的招聘扩张很可能使其成为DeepMind员工考虑跳槽时颇具吸引力的去处。从更宏观的视角看，Faraday的成功也验证了一条与'越大越好'不同的路线：精心设计的强化学习、明确的目标函数和克制的工程选择，可以让小模型在特定任务上击败参数规模大得多的对手——这或许预示着AI竞争正在从'军备竞赛'转向'巧思取胜'。