Le progrès scientifique repose sur la réplication, le processus de reproduction des expériences afin de vérifier leur validité . Alors que les modèles d’IA à usage général ont longtemps été utilisés pour l’analyse des données, un nouvel agent spécialisé tente d’automatiser le véritable processus de découverte scientifique.
Inherent, une startup basée à Londres fondée par des anciens de DeepMind, est récemment sortie du mode furtif avec un tour de financement de démarrage de 50 millions de dollars [S4, S5]. L’entreprise a présenté Faraday, un agent IA conçu pour reproduire indépendamment les résultats des articles scientifiques publiés sans connaître à l’avance les réponses attendues [S5, S6].
Comment Faraday se différencie des modèles de pointe
La plupart des systèmes d’IA de pointe dépendent d’une échelle massive pour atteindre de hautes performances. Cependant, Inherent affirme que Faraday surpasse largement des modèles de frontière beaucoup plus grands, notamment le GPT-5.5 d’OpenAI et le Claude Opus 4.8 d’Anthropic, dans la réplication de la recherche [S1, S4, S6].
Cet écart de performance est notable en raison de la différence d’architecture. Faraday fonctionne sur Qwen 3.6, un modèle de 27 milliards de paramètres [S4, S5]. Cela est nettement plus petit que les architectures utilisées par ses rivaux [4].
Pour obtenir ces résultats, Inherent a utilisé un benchmark spécifique appelé Replica, composé de 310 tâches tirées de 100 articles consacrés à l’IA pour la science et à l’apprentissage automatique [7]. Bien que l’entreprise déclare des performances supérieures, ces résultats n’ont pas encore été vérifiés indépendamment [S2, S5].
Le concept de « goût de la recherche »
Inherent ne se contente pas d’optimiser pour la bonne réponse finale. Le cofondateur Edward Hughes explique que l’objectif est de développer le « goût de la recherche », qui est la capacité à identifier quelles expériences méritent d’être menées et comment les concevoir efficacement [S4, S5].
Pourquoi cela importe-t-il ? Un système qui suit simplement une procédure fixe peut vérifier un résultat, mais un véritable collaborateur scientifique doit décider quelles variables tester et quand les preuves sont suffisamment solides pour justifier une conclusion [5].
Pour cultiver cet instinct, Inherent a recours à l’apprentissage par renforcement [S4, S6]. Au lieu d’entraîner l’IA sur des données concernant le travail habituel des scientifiques, le système est récompensé lorsqu’il obtient des résultats utiles [5]. Cette approche encourage l’IA à privilégier les expériences présentant un fort potentiel d’impact scientifique plutôt que de suivre des règles rigides et prédéfinies [4].
Une approche modulaire de l’agence IA
Faraday ne tente pas d’être un outil monolithique qui fait tout. Au lieu de cela, il suit une architecture collaborative qui reflète la façon dont les chercheurs humains travaillent [5].
Par exemple, Inherent n’a pas construit d’outil de codage dédié pour Faraday. Au lieu de cela, l’agent utilise le Codex GPT-5.5 d’OpenAI pour ses tâches de codage [S4, S5]. Cela permet à l’agent de tirer parti d’outils existants hautes performances pour des fonctions spécifiques tout en concentrant ses propres capacités de raisonnement sur le workflow scientifique [5].
Cette stratégie suggère un changement dans le développement de l’IA. Plutôt que de construire un seul modèle massif, l’avenir des agents techniques pourrait résider dans la combinaison d’un modèle de raisonnement plus petit avec des outils spécialisés, des environnements d’expérimentation et des boucles d’évaluation [5].
Implications pratiques pour les équipes R&D
Pour les entreprises spécialisées dans la découverte de médicaments, la recherche sur les matériaux ou l’ingénierie, l’émergence d’agents spécialisés comme Faraday introduit un nouveau compromis entre la taille du modèle et son utilité spécialisée [5].
Les modèles plus petits peuvent être moins coûteux à déployer, ce qui est crucial lorsqu’un workflow nécessite des appels répétés à un modèle ou des milliers d’expériences simulées [5]. Toutefois, le coût total d’un agent ne se limite pas à la taille du modèle ; il inclut également le coût de l’utilisation des outils, de l’accès aux données et de la revue humaine [5].
Pour les équipes R&D, la valeur principale d’un tel système ne réside pas seulement dans la vitesse, mais aussi dans la création d’une piste de vérification vérifiable [5]. Dans les domaines scientifiques sensibles, un résultat séduisant a moins de valeur qu’un résultat pouvant être vérifié et reproduit [5].
Alors qu’Inherent étoffe son équipe à Londres, l’industrie observera pour voir si cette approche d’apprentissage par renforcement peut être étendue à plusieurs disciplines scientifiques [5].
Sources
- Inherent, fondée par des anciens de DeepMind, affirme que son IA « teammate » vient juste …
- La startup Inherent, fondée par des anciens de DeepMind, affirme que son IA teammate bat OpenAI, Anthropic
- Inherent, fondée par des anciens de DeepMind, affirme que son IA « teammate » vient juste …
- L’IA d’Inherent surpasse Anthropic, OpenAI
- Inherent affirme que son agent IA Faraday bat Anthropic et OpenAI à …
- L’IA des anciens de DeepMind bat OpenAI et Anthropic dans la réplication de la recherche …
- Inherent affirme que Faraday dépasse Claude, GPT-5.5 dans la réplication d’articles - AI Weekly
