Wissenschaftlicher Fortschritt basiert auf der Replikation – dem Prozess, Experimente zu reproduzieren, um deren Validität zu überprüfen. Während KI-Modelle für allgemeine Zwecke schon lange für die Datenanalyse eingesetzt werden, versucht ein neuer spezialisierter Agent nun, den eigentlichen Prozess wissenschaftlicher Entdeckungen zu automatisieren.
Inherent, ein in London ansässiges Startup, das von DeepMind-Alumni gegründet wurde, ist kürzlich mit einer Seed-Finanzierungsrunde in Höhe von 50 Millionen US-Dollar aus dem Stealth-Modus hervorgegangen [S4, S5]. Das Unternehmen hat Faraday vorgestellt, einen KI-Agenten, der darauf ausgelegt ist, die Ergebnisse veröffentlichter wissenschaftlicher Arbeiten unabhängig zu reproduzieren, ohne die erwarteten Antworten im Voraus zu kennen [S5, S6].
Wie sich Faraday von Frontier-Modellen unterscheidet
Die meisten führenden KI-Systeme setzen auf massive Skalierung, um eine hohe Leistung zu erzielen. Inherent behauptet jedoch, dass Faraday bei der Replikation von Forschungsergebnissen leistungsfähiger ist als wesentlich größere Frontier-Modelle, konkret OpenAI’s GPT-5.5 und Anthropic’s Claude Opus 4.8 [S1, S4, S6].
Diese Leistungslücke ist aufgrund der unterschiedlichen Architektur bemerkenswert. Faraday basiert auf Qwen 3.6, einem Modell mit 27 Milliarden Parametern [S4, S5]. Dies ist deutlich kleiner als die Architekturen seiner Konkurrenten [4].
Um diese Ergebnisse zu erzielen, nutzte Inherent einen spezifischen Benchmark namens Replica, der aus 310 Aufgaben besteht, die aus 100 wissenschaftlichen Arbeiten zu KI-Anwendungen in der Wissenschaft und zum maschinellen Lernen stammen [7]. Obwohl das Unternehmen eine überlegene Leistung meldet, wurden diese Ergebnisse noch nicht unabhängig verifiziert [S2, S5].
Das Konzept des “Research Taste”
Inherent optimiert nicht nur auf die korrekte Endantwort. Mitgründer Edward Hughes erklärt, dass das Ziel darin bestehe, einen sogenannten “Research Taste” (Forschungsgespür) zu entwickeln – die Fähigkeit zu erkennen, welche Experimente es wert sind, durchgeführt zu werden, und wie man sie effektiv gestaltet [S4, S5].
Warum ist das wichtig? Ein System, das lediglich einem festen Verfahren folgt, kann ein Ergebnis verifizieren, aber ein echter wissenschaftlicher Mitarbeiter muss entscheiden, welche Variablen zu testen sind und wann die Beweislage stark genug ist, um eine Schlussfolgerung zu rechtfertigen [5].
Um diesen Instinkt zu kultivieren, setzte Inherent auf Reinforcement Learning [S4, S6]. Anstatt die KI mit Daten darüber zu trainieren, wie Wissenschaftler typischerweise arbeiten, wird das System für das Erreichen nützlicher Ergebnisse belohnt [5]. Dieser Ansatz ermutigt die KI, Experimente mit hohem Potenzial für wissenschaftliche Auswirkungen zu priorisieren, anstatt starren, vordefinierten Regeln zu folgen [4].
Ein modularer Ansatz für KI-Agenten
Faraday versucht nicht, ein monolithisches Werkzeug zu sein, das alles kann. Stattdessen folgt es einer kollaborativen Architektur, die die Arbeitsweise menschlicher Forscher widerspiegelt [5].
Beispielsweise hat Inherent kein eigenes Coding-Tool für Faraday entwickelt. Stattdessen nutzt der Agent OpenAI’s GPT-5.5 Codex für seine Programmieraufgaben [S4, S5]. Dies ermöglicht es dem Agenten, bestehende Hochleistungstools für spezifische Funktionen zu nutzen, während er seine eigenen Reasoning-Fähigkeiten auf den wissenschaftlichen Workflow konzentriert [5].
Diese Strategie deutet auf einen Wendepunkt in der KI-Entwicklung hin. Anstatt ein einziges massives Modell zu bauen, könnte die Zukunft technischer Agenten in der Kombination eines kleineren Reasoning-Modells mit spezialisierten Tools, Experimentumgebungen und Evaluationsschleifen liegen [5].
Praktische Auswirkungen für F&E-Teams
Für Unternehmen in der Wirkstoffforschung, Materialforschung oder im Ingenieurwesen führt das Aufkommen spezialisierter Agenten wie Faraday zu einem neuen Abwägungsprozess zwischen Modellgröße und spezialisiertem Nutzen [5].
Kleinere Modelle können kostengünstiger im Betrieb sein, was entscheidend ist, wenn ein Workflow wiederholte Modellaufrufe oder Tausende von simulierten Experimenten erfordert [5]. Die Gesamtkosten eines Agenten ergeben sich jedoch nicht nur aus der Modellgröße, sondern beinhalten auch die Kosten für die Tool-Nutzung, den Datenzugriff und die menschliche Überprüfung [5].
Für F&E-Teams liegt der primäre Wert eines solchen Systems nicht nur in der Geschwindigkeit, sondern in der Erstellung eines überprüfbaren Audit-Trails [5]. In sensiblen wissenschaftlichen Bereichen ist ein attraktives Ergebnis weniger wert als eines, das geprüft und reproduziert werden kann [5].
Während Inherent sein Team in London erweitert, wird die Branche gespannt beobachten, ob dieser Reinforcement-Learning-Ansatz über mehrere wissenschaftliche Disziplinen hinweg skalierbar ist [5].
Quellen
- Inherent, founded by DeepMind alumni, says its AI ‘teammate’ just …
- DeepMind Alumni Startup Inherent Claims AI Teammate Beats OpenAI, Anthropic
- Inherent, founded by DeepMind alumni, says its AI ‘teammate’ just …
- Inherent’s AI Outperforms Anthropic, OpenAI
- Inherent says its Faraday AI agent beat Anthropic and OpenAI at …
- DeepMind alumni’s AI beats OpenAI and Anthropic at research replication …
- Inherent Says Faraday Tops Claude, GPT-5.5 at Paper Replication - AI Weekly
