Стартап Inherent, собранный из сотрудников Google DeepMind, после выхода из режима скрытности с раундом $50 млн представил AI-агента Faraday. По заявлениям разработчиков, система превзошла более крупные модели Anthropic (Claude Opus 4.8) и OpenAI (GPT-5.5) в конкретной задаче: независимом воспроизведении результатов опубликованных научных работ без предварительных подсказок. Примечательно, что Faraday работает на основе модели Qwen 3.6 с 27 млрд параметров — значительно меньше, чем frontier-модели конкурентов.

На первый взгляд это выглядит как техническая демонстрация, но основатель и главный научный сотрудник Inherent Эдвард Хьюз видит здесь прямую аналогию с практикой обучения человеческих учёных. Воспроизведение результатов исследования — это стандартная упражнение для аспирантов, и на этом принципе строится первый этап научной подготовки. Однако Inherent ставит перед агентом более сложную задачу: не просто повторить результаты, но продемонстрировать то, что команда называет «научным вкусом» — интуицию в выборе перспективных экспериментов и навык их грамотного проектирования.

Сам процесс разработки здесь важнее, чем факт победы над конкурентами. Inherent использовала подход на основе reinforcement learning: система обучается не на явных правилах, а на награде за хорошие результаты. Вместо того чтобы с нуля создавать собственные компоненты (например, инструменты кодирования), Faraday опирается на существующие решения — как настоящий учёный использует готовые инструменты вместо изобретения велосипеда. Для написания кода агент задействует OpenAI Codex из GPT-5.5, что позволило команде сосредоточиться на более высокоуровневых аспектах — логике выбора экспериментов и проверке гипотез.

Хьюз подчёркивает, что конечная цель Inherent амбициознее, чем просто проверка результатов: компания строит AI-агента, способного самостоятельно открывать научное знание, а не только верифицировать старые выводы. Воспроизведение опубликованных работ — это промежуточный этап, однако он показывает, что агент может разбираться в логике исследования, находить и исправлять ошибки, то есть обладает критическим мышлением. Такой подход потенциально ускорит верификацию научных открытий и поможет исследователям быстрее выявлять недостатки в работах конкурентов или собственных экспериментах.

Стартап сознательно избегает создания систем, которые просто говорят пользователю то, что он хочет услышать. Вместо этого Inherent моделирует работу идеального коллеги: того, кто может сказать «я заинтересовался этим направлением, провёл дополнительные эксперименты — что ты думаешь о результатах?». Это философия сотрудничества, а не послушания, что должно помочь AI-агентам лучше приносить пользу в сложных исследовательских процессах.

Компания растёт быстро: команда из 12 человек планирует расширяться до 20-25 сотрудников к концу года. Все они работают в офисе в районе King's Cross в Лондоне — том самом месте, где присутствие Google DeepMind помогло превратить когда-то заброшенный район в один из ведущих мировых AI-хабов. Хьюз открыто критикует британскую практику «garden leave» — когда компании запрещают уходящим сотрудникам присоединяться к конкурентам на несколько месяцев. В США такого нет, что даёт американским стартапам преимущество при найме талантов. Это ограничение коснулось лично Хьюза, но он преодолел его и запустил Inherent вместе с тремя другими бывшими сотрудниками DeepMind. Текущие перемены в руководстве DeepMind (новая роль Демиса Хассабиса) создали в лаборатории некоторую неуверенность, что может сделать Inherent привлекательной точкой для уходящих сотрудников.

Для российского бизнеса интерес к работе Inherent актуален в нескольких направлениях. Отечественным компаниям, разрабатывающим свои LLM или специализированные агенты (например, в области биотеха, лабораторной автоматизации или верификации аналитических отчётов), есть чему учиться из подхода Inherent к обучению моделей меньшего размера через reinforcement learning. Это особенно важно в условиях ограничений на вычислительные ресурсы и импорт передовых чипов. Компании, работающие с научными данными и исследованиями, могут применить логику Faraday для создания собственных систем проверки результатов, анализа корректности выводов или поддержки принятия решений аналитиками. Если рассматривать более локальный применение — стартапы на платформах автоматизации контента или анализа данных (например, в рамках собственных AI-решений) могут адаптировать идею обучения «научному вкусу» — то есть способности системы не просто выполнять команду, но и предлагать нестандартные, полезные альтернативы.