Kemajuan ilmiah bergantung pada replikasi, proses mereproduksi eksperimen untuk memverifikasi validitasnya. Meskipun model AI tujuan umum telah lama digunakan untuk analisis data, sebuah agen khusus baru sedang mencoba mengotomatisasi proses sebenarnya dari penemuan ilmiah.
Inherent, sebuah startup yang berbasis di London dan didirikan oleh alumni DeepMind, baru-baru ini keluar dari mode stealth dengan putaran pendanaan awal sebesar 50 juta dolar AS [S4, S5]. Perusahaan ini memperkenalkan Faraday, sebuah agen AI yang dirancang untuk secara mandiri mereproduksi temuan dari makalah ilmiah yang telah dipublikasikan tanpa mengetahui jawaban yang diharapkan sebelumnya [S5, S6].
Bagaimana Faraday Berbeda dari Model Frontier
Sebagian besar sistem AI terkemuka mengandalkan skala masif untuk mencapai kinerja tinggi. Namun, Inherent mengklaim bahwa Faraday mengungguli model frontier yang jauh lebih besar, khususnya GPT-5.5 milik OpenAI dan Claude Opus 4.8 milik Anthropic, dalam mereplikasi penelitian [S1, S4, S6].
Gap kinerja ini menjadi penting karena perbedaan arsitekturnya. Faraday berjalan di atas Qwen 3.6, sebuah model dengan 27 miliar parameter [S4, S5]. Ukuran ini jauh lebih kecil dibandingkan arsitektur yang digunakan oleh para pesaingnya [4].
Untuk mencapai hasil tersebut, Inherent menggunakan benchmark spesifik bernama Replica, yang terdiri dari 310 tugas yang diambil dari 100 makalah AI-untuk-ilmu-pengetahuan dan pembelajaran mesin [7]. Meskipun perusahaan melaporkan kinerja yang superior, hasil ini belum diverifikasi secara independen [S2, S5].
Konsep “Research Taste” (Nilai Penelitian)
Inherent tidak hanya mengoptimalkan untuk jawaban akhir yang benar. Co-founder Edward Hughes menjelaskan bahwa tujuannya adalah mengembangkan “research taste”, yaitu kemampuan untuk mengidentifikasi eksperimen mana yang layak dilakukan dan bagaimana mendesainnya secara efektif [S4, S5].
Mengapa hal ini penting? Sistem yang hanya mengikuti prosedur tetap dapat memverifikasi sebuah hasil, tetapi kolaborator ilmiah sejati harus memutuskan variabel mana yang akan diuji dan kapan bukti sudah cukup kuat untuk mendukung sebuah kesimpulan [5].
Untuk mengembangkan naluri ini, Inherent menggunakan reinforcement learning [S4, S6]. Alih-alih melatih AI dengan data tentang bagaimana para ilmuwan biasanya bekerja, sistem ini diberi imbalan karena mencapai hasil yang bermanfaat [5]. Pendekatan ini mendorong AI untuk memprioritaskan eksperimen dengan potensi dampak ilmiah yang tinggi, bukan mengikuti aturan yang kaku dan telah ditentukan sebelumnya [4].
Pendekatan Modular terhadap Agensi AI
Faraday tidak berusaha menjadi alat monolitik yang melakukan segalanya. Sebaliknya, ia mengikuti arsitektur kolaboratif yang mencerminkan cara kerja para peneliti manusia [5].
Misalnya, Inherent tidak membangun alat coding khusus untuk Faraday. Sebagai gantinya, agen ini memanfaatkan GPT-5.5 Codex milik OpenAI untuk tugas-tugas pengkodeannya [S4, S5]. Hal ini memungkinkan agen untuk memanfaatkan alat-alat berkinerja tinggi yang sudah ada untuk fungsi-fungsi spesifik, sekaligus memusatkan kemampuan penalarannya pada alur kerja ilmiah [5].
Strategi ini mengindikasikan adanya pergeseran dalam pengembangan AI. Alih-alih membangun satu model masif tunggal, masa depan agen teknis mungkin terletak pada penggabungan model penalaran yang lebih kecil dengan alat-alat khusus, lingkungan eksperimen, dan loop evaluasi [5].
Implikasi Praktis bagi Tim R&D
Bagi perusahaan di bidang penemuan obat, penelitian material, atau teknik, kemunculan agen khusus seperti Faraday memperkenalkan pertimbangan baru antara ukuran model dan utilitas spesifiknya [5].
Model yang lebih kecil dapat lebih murah untuk diterapkan, yang sangat penting ketika sebuah alur kerja membutuhkan panggilan berulang ke sebuah model atau ribuan eksperimen simulasi [5]. Namun, total biaya sebuah agen bukan hanya ukuran modelnya, tetapi juga mencakup biaya penggunaan alat, akses data, dan tinjauan manusia [5].
Bagi tim R&D, nilai utama dari sistem semacam ini bukan hanya kecepatan, tetapi terciptanya jejak audit yang dapat diverifikasi [5]. Di bidang ilmiah yang sensitif, hasil yang menarik kemampuannya kurang berharga dibandingkan hasil yang dapat diperiksa dan direproduksi [5].
Seiring Inherent memperluas timnya di London, industri akan memperhatikan apakah pendekatan reinforcement learning ini dapat diterapkan di berbagai disiplin ilmu [5].
Sumber
- Inherent, didirikan oleh alumni DeepMind, mengatakan ‘rekan setim’ AI-nya baru saja…
- Startup Alumni DeepMind, Inherent, Mengklaim Rekan AI-nya Mengalahkan OpenAI dan Anthropic
- Inherent, didirikan oleh alumni DeepMind, mengatakan ‘rekan setim’ AI-nya baru saja…
- AI Inherent Mengungguli Anthropic dan OpenAI
- Inherent mengatakan agen AI Faraday-nya mengalahkan Anthropic dan OpenAI dalam…
- AI dari alumni DeepMind mengalahkan OpenAI dan Anthropic dalam replikasi penelitian…
- Inherent Mengatakan Faraday Mengalahkan Claude dan GPT-5.5 dalam Replikasi Makalah - AI Weekly
