El progreso científico depende de la replicación, el proceso de reproducir experimentos para verificar su validez. Aunque los modelos de IA de uso general se han utilizado desde hace tiempo para el análisis de datos, un nuevo agente especializado intenta automatizar el proceso real del descubrimiento científico.
Inherent, una startup londinense fundada por ex alumnos de DeepMind, salió recientemente del modo stealth con una ronda semilla de 50 millones de dólares [S4, S5]. La compañía ha presentado a Faraday, un agente de IA diseñado para reproducir de forma independiente los hallazgos de artículos científicos publicados sin conocer de antemano las respuestas esperadas [S5, S6].
En qué se diferencia Faraday de los modelos frontera
La mayoría de los sistemas de IA líderes dependen de una escala masiva para lograr un alto rendimiento. Sin embargo, Inherent afirma que Faraday supera a modelos frontera mucho más grandes, concretamente al GPT-5.5 de OpenAI y al Claude Opus 4.8 de Anthropic, en la replicación de investigaciones [S1, S4, S6].
Esta brecha de rendimiento es notable debido a la diferencia de arquitectura. Faraday se ejecuta sobre Qwen 3.6, un modelo con 27 000 millones de parámetros [S4, S5]. Esto es significativamente más pequeño que las arquitecturas utilizadas por sus rivales [4].
Para lograr estos resultados, Inherent utilizó un benchmark específico llamado Replica, que consta de 310 tareas extraídas de 100 artículos de IA para la ciencia y de aprendizaje automático [7]. Aunque la compañía informa de un rendimiento superior, estos resultados aún no han sido verificados de forma independiente [S2, S5].
El concepto de “olfato científico”
Inherent no solo busca optimizar para obtener la respuesta final correcta. El cofundador Edward Hughes explica que el objetivo es desarrollar el “olfato científico” (“research taste”), que es la capacidad de identificar qué experimentos vale la pena llevar a cabo y cómo diseñarlos de forma eficaz [S4, S5].
¿Por qué es importante? Un sistema que simplemente sigue un procedimiento fijo puede verificar un resultado, pero un verdadero colaborador científico debe decidir qué variables probar y cuándo la evidencia es lo suficientemente sólida para justificar una conclusión [5].
Para cultivar este instinto, Inherent utilizó aprendizaje por refuerzo [S4, S6]. En lugar de entrenar a la IA con datos sobre cómo trabajan habitualmente los científicos, el sistema es recompensado por lograr resultados útiles [5]. Este enfoque anima a la IA a priorizar experimentos con alto potencial de impacto científico en lugar de seguir reglas rígidas predefinidas [4].
Un enfoque modular para la agencia de IA
Faraday no pretende ser una herramienta monolítica que lo haga todo. En su lugar, sigue una arquitectura colaborativa que refleja cómo operan los investigadores humanos [5].
Por ejemplo, Inherent no construyó una herramienta de programación dedicada para Faraday. En su lugar, el agente utiliza GPT-5.5 Codex de OpenAI para sus tareas de codificación [S4, S5]. Esto permite al agente aprovechar herramientas de alto rendimiento existentes para funciones específicas, mientras centra sus propias capacidades de razonamiento en el flujo de trabajo científico [5].
Esta estrategia sugiere un cambio en el desarrollo de IA. En lugar de construir un único modelo masivo, el futuro de los agentes técnicos podría estar en combinar un modelo de razonamiento más pequeño con herramientas especializadas, entornos de experimentación y bucles de evaluación [5].
Implicaciones prácticas para los equipos de I+D
Para las empresas dedicadas al descubrimiento de fármacos, la investigación de materiales o la ingeniería, la aparición de agentes especializados como Faraday introduce una nueva compensación entre el tamaño del modelo y la utilidad especializada [5].
Los modelos más pequeños pueden ser más baratos de desplegar, lo cual es fundamental cuando un flujo de trabajo requiere llamadas repetidas a un modelo o miles de experimentos simulados [5]. Sin embargo, el coste total de un agente no es solo el tamaño del modelo; también incluye el coste del uso de herramientas, el acceso a datos y la revisión humana [5].
Para los equipos de I+D, el valor principal de un sistema así no es solo la velocidad, sino la creación de un rastro de auditoría verificable [5]. En campos científicos sensibles, un resultado atractivo es menos valioso que uno que pueda ser comprobado y reproducido [5].
Mientras Inherent amplía su equipo en Londres, la industria estará pendiente de ver si este enfoque de aprendizaje por refuerzo puede escalar a múltiples disciplinas científicas [5].
Fuentes
- 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
