O progresso científico depende da replicação, o processo de reproduzir experimentos para verificar sua validade. Embora modelos de IA de uso geral tenham sido amplamente utilizados para análise de dados, um novo agente especializado está tentando automatizar o próprio processo de descoberta científica.
A Inherent, uma startup sediada em Londres fundada por ex-alunos da DeepMind, recentemente saiu do modo stealth com uma rodada seed de US$ 50 milhões [S4, S5]. A empresa apresentou o Faraday, um agente de IA projetado para reproduzir de forma independente os resultados de artigos científicos publicados, sem conhecer previamente as respostas esperadas [S5, S6].
Como o Faraday Difere dos Modelos de Fronteira
A maioria dos principais sistemas de IA depende de escala massiva para alcançar alto desempenho. No entanto, a Inherent afirma que o Faraday supera modelos de fronteira muito maiores, especificamente o GPT-5.5 da OpenAI e o Claude Opus 4.8 da Anthropic, na replicação de pesquisas [S1, S4, S6].
Essa diferença de desempenho é notável devido à diferença de arquitetura. O Faraday roda no Qwen 3.6, um modelo com 27 bilhões de parâmetros [S4, S5]. Isso é significativamente menor do que as arquiteturas usadas por seus concorrentes [4].
Para alcançar esses resultados, a Inherent utilizou um benchmark específico chamado Replica, que consiste em 310 tarefas extraídas de 100 artigos de IA para ciências e aprendizado de máquina [7]. Embora a empresa relate desempenho superior, esses resultados ainda não foram verificados de forma independente [S2, S5].
O Conceito de “Research Taste”
A Inherent não está apenas otimizando para a resposta final correta. O cofundador Edward Hughes explica que o objetivo é desenvolver “research taste” (paladar para pesquisa), que é a capacidade de identificar quais experimentos valem a pena ser conduzidos e como projetá-los de forma eficaz [S4, S5].
Por que isso importa? Um sistema que simplesmente segue um procedimento fixo consegue verificar um resultado, mas um verdadeiro colaborador científico precisa decidir quais variáveis testar e quando as evidências são fortes o suficiente para justificar uma conclusão [5].
Para cultivar esse instinto, a Inherent utilizou aprendizado por reforço [S4, S6]. Em vez de treinar a IA com dados sobre como os cientistas normalmente trabalham, o sistema é recompensado por alcançar resultados úteis [5]. Essa abordagem incentiva a IA a priorizar experimentos com alto potencial de impacto científico, em vez de seguir regras rígidas e predefinidas [4].
Uma Abordagem Modular para Agentes de IA
O Faraday não tenta ser uma ferramenta monolítica que faz tudo. Em vez disso, segue uma arquitetura colaborativa que espelha a forma como pesquisadores humanos operam [5].
Por exemplo, a Inherent não construiu uma ferramenta de codificação dedicada para o Faraday. Em vez disso, o agente utiliza o GPT-5.5 Codex da OpenAI para suas tarefas de codificação [S4, S5]. Isso permite que o agente aproveite ferramentas existentes de alto desempenho para funções específicas, enquanto concentra suas próprias capacidades de raciocínio no fluxo de trabalho científico [5].
Essa estratégia sugere uma mudança no desenvolvimento de IA. Em vez de construir um único modelo massivo, o futuro dos agentes técnicos pode estar na combinação de um modelo de raciocínio menor com ferramentas especializadas, ambientes experimentais e loops de avaliação [5].
Implicações Práticas para Equipes de P&D
Para empresas em descoberta de medicamentos, pesquisa de materiais ou engenharia, o surgimento de agentes especializados como o Faraday introduz um novo trade-off entre o tamanho do modelo e a utilidade especializada [5].
Modelos menores podem ser mais baratos de implantar, o que é fundamental quando um fluxo de trabalho requer chamadas repetidas a um modelo ou milhares de experimentos simulados [5]. No entanto, o custo total de um agente não se resume ao tamanho do modelo; ele também inclui o custo de uso de ferramentas, acesso a dados e revisão humana [5].
Para equipes de P&D, o valor principal de tal sistema não é apenas a velocidade, mas a criação de um trilha de auditoria verificável [5]. Em campos científicos sensíveis, um resultado atraente é menos valioso do que um que pode ser verificado e reproduzido [5].
À medida que a Inherent expande sua equipe em Londres, a indústria estará observando se essa abordagem de aprendizado por reforço consegue escalar para múltiplas disciplinas científicas [5].
Fontes
- 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
