A londoni Inherent, amelyet Google DeepMind egykori munkatársai alapítottak, bejelentette, hogy Faraday nevű mesterséges intelligencia ügynökük egy adott feladatban felülmúlta nagyobb, ismertebb rendszereket. Az Inherent azt állítja, hogy Faraday kevésbé paramétergazdag modellként — egy Qwen 3.6 néven említett, mintegy 27 milliárd paraméteres hálózaton futva — sikeresen reprodukálta publikált tudományos cikkek eredményeit anélkül, hogy előre megmondták volna neki a választ.
A startup néhány héttel azután lépett ki a rejtőzködésből, hogy egy 50 millió dolláros seed befektetési kört jelentett be. A cég szerint a feladat nem pusztán teljesítményverseny volt: a mérce az egyszerű pontosságnál is magasabb volt — azt szerették volna, hogy Faraday bizonyítson „kutatói ízlést” (research taste), vagyis legyen meg benne az ösztön, hogy mely kísérletek érdemesek és hogyan érdemes őket megtervezni.
A nyilvánosságra hozott összehasonlításban Faradyt Anthropic Claude Opus 4.8 és OpenAI GPT-5.5 rendszereivel vetették össze, amelyek mind nagyobb, „frontier”-méretű modelleknek számítanak. Az Inherent hangsúlyozza, hogy a döntésnél nemcsak az eredmény releváns: számukra fontos, hogyan jutottak el a magas teljesítményhez.
Megközelítés: megerősítéses tanulás és pragmatizmus
Edward Hughes, az Inherent társalapítója és vezető tudósa szerint a kutatói ízlés elsajátítása nehéz feladat, ezért a csapat megerősítéses tanulásra (reinforcement learning) támaszkodott. Ez a módszer jutalmazza az AI-t a jó kimenetekért ahelyett, hogy előre szabályokat adna meg. Az Inherent nem elsősorban azzal edzett, hogy hogyan zajlik maga a tudományos munka elméletben, hanem a jutalom-alapú megközelítéssel próbálta általánosíthatóbbá tenni az ügynök képességeit a különböző tudományterületeken való hozzájáruláshoz.
A cég pragmatikus módon választotta meg az eszközeit: például nem saját kódolóeszközt fejlesztettek Farady számára, hanem OpenAI GPT-5.5 Codexét használták, ahogy a humán kutatók is gyakran meglévő szoftverekre támaszkodnak ahelyett, hogy mindent maguk építenének meg.
Cél: együttműködő, kíváncsi ügynök
Hughes szerint nem az a cél, hogy az ügynök mindig azt mondja a felhasználónak, amit hallani szeretne. Ehelyett az ideális társ munkatárs az, aki visszatér és elmondja: „Kíváncsi lettem erre, elvégeztem ezeket a kísérleteket. Mit gondolsz az eredményekről?” Ez a fajta együttműködő hozzáállás vezérli a cég termékfejlesztését és működését is.
Csapat, helyszín és toborzási tervek
Az Inherent mintegy tucatnyi alkalmazottal működik, mindenki a londoni King's Crossban található irodából dolgozik jelenleg. Hughes szerint a cég hisz abban, hogy London — különösen a DeepMind jelenléte miatt fejlődött — a megfelelő hely az AI-fejlesztésre.
A vállalat tervei szerint év végére a létszám „körülbelül 20–25” főre emelkedne. Mivel az Inherent világmodellekre és kutatói ügynökökre törekszik, valamint Demis Hassabis DeepMind-on belüli változásai némi bizonytalanságot okoztak egyes munkatársak körében, a startup vonzó célpont lehet azok számára, akik váltást mérlegelnek.
Szabályozási és iparági megjegyzések
Hughes nyíltan kritizálta az Egyesült Királyságban gyakori „garden leave” gyakorlatot — azt a korlátozást, amely megtilthatja a távozó munkavállalóknak, hogy rövid ideig más, versenynek számító cégnél dolgozzanak vagy új vállalkozást indítsanak. Ezt személyes tapasztalatként említette, és rámutatott, hogy az Egyesült Államokban az ilyen megkötések ritkábban fordulnak elő, ami előnyt ad az amerikai startupoknak a tehetségszerzésben.
Összegzés
Az Inherent eredménye — hogy egy 27 milliárd paraméteres Qwen 3.6 alapú ügynök képes volt reprodukálni tudományos eredményeket és a nagyobb modelleket meghaladó teljesítményt mutatni a feladatban — azt jelzi, hogy a modellméret önmagában nem minden. A cég megerősítéses tanulásra épülő megközelítése és a „kutatói ízlés” beépítése a hosszabb távú cél: olyan AI tudósok létrehozása, amelyek új tudományos ismeretek felfedezésére is képesek lesznek.
