小模型逆袭大巨头？伦敦AI初创公司Inherent以“科研品味”破局，270亿参数挑战前沿算力霸权

【科技24时区】在硅谷巨头们竞相堆砌万亿级参数、比拼算力规模的当下，一家来自伦敦的AI实验室却走出了一条截然不同的路径。由Google DeepMind前员工创立的Inherent近日宣布，其最新发布的AI智能体Faraday，仅凭极小的模型体量，便在特定科学任务上超越了Anthropic和OpenAI旗下那些庞大得多的前沿模型。这一消息在业界激起的涟漪，或许比单纯的性能榜单更值得玩味。

尽管在众多DeepMind校友创办的初创企业中，Inherent此前并未获得与其技术实力相匹配的关注度，但随着这家英国公司在几周前完成5000万美元种子轮融资并结束隐身模式，它开始向外界展示其真正的底牌。值得注意的是，当资金更为充裕的竞争对手尚处于“画饼”阶段时，Inherent团队已经拿出了实质性的成果。

Faraday的核心突破点在于一项极具挑战性的任务：独立复现已发表科学论文的研究结果，且全程不被告知最终答案。这听起来似乎只是某种炫技式的“派对把戏”，毕竟Inherent的终极愿景是构建能够发现全新科学知识、而非仅仅验证旧有结论的AI系统。然而，正如联合创始人兼首席科学家爱德华·休斯（Edward Hughes）所言，复现论文是人类科学家——尤其是博士生——入门时的标准训练动作。“许多博士生的科研生涯正是从这里起步的。”

对于休斯而言，击败其他AI系统并非最终目的，真正令团队兴奋的是达成这一目标的方式。他在接受TechCrunch采访时坦言：“最让我们感兴趣的，并不是战胜那些前沿智能体的结果——当然我们也为此感到高兴——而是我们构建这一系统的路径。”

这里有一个足以让投资者眼前一亮的数据对比：在与Anthropic的Claude Opus 4.8以及OpenAI的GPT-5.5这两款规模庞大、处于行业前沿的系统进行对标时，Faraday运行在一个名为Qwen 3.6的小型模型之上，该模型仅拥有270亿个参数。粗略来说，“参数”数量通常被视为模型规模及其训练成本的代理指标。这意味着，Inherent用不到对手几分之一的算力成本，实现了同等甚至更优的任务表现。

Inherent设定的成功标准远不止于准确性。除了复现结果，他们希望Faraday能展现出一种被称为“科研品味”（research taste）的能力——即直觉性地判断哪些实验值得开展，以及如何精心设计这些实验。教授这种难以量化的“品味”绝非易事，这正是强化学习发挥作用的地方。作为一种通过奖励良好结果而非硬性规定规则来训练AI的方法，强化学习成为了Inherent的技术基石。

与主要依赖研究“科学如何进行”的传统训练方式不同，Inherent押注于这种基于奖励的方法，认为它能更好地泛化至长期目标，即打造出能在多个科学领域做出贡献的智能体。“我们始终被‘构建AI科学家智能体并赋予其品味’这一北极星指引着，”休斯说道。

这种专注也塑造了Inherent“有所不为”的战略选择。例如，公司并未自行开发编码工具，而是让Faraday直接调用OpenAI的GPT-5.5 Codex。休斯解释称，这正如人类科学家倾向于利用现有软件而非事事亲力亲为一样。此外，Inherent极力避免打造那种只会迎合用户喜好的智能体。相反，他们的目标是模仿休斯心中理想的队友形象：那种会带着好奇心去探索，回来时说“我对这个很好奇，于是去做了一些实验，你怎么看这些结果？”的合作者。

这种协作本能延伸到了公司的运营层面。Inherent的十余名员工全部在国王十字车站（King’s Cross）的一间办公室内实地办公。这片曾经破败的伦敦街区，因Google DeepMind的入驻而蜕变为全球顶级AI枢纽之一。“我们相信伦敦是最佳之地，”休斯表示。他对伦敦密集的AI人才储备持乐观态度，但也公开呼吁废除英国常见的“花园假”（garden leave）制度——即禁止离职员工在数月内加入或创办竞争公司。相比之下，美国研究人员通常不受此限制，这使得美国初创企业在招聘离职人才方面拥有先发优势。

“这仅代表我个人观点，而非公司立场，但我确实深受‘花园假’问题的困扰，”休斯坦言。他最终克服了这一约束，与另外两名DeepMind校友及第四位联合创始人共同创立了Inherent。目前，这家初创公司并未放慢脚步，计划在今年年底前将员工人数扩充至20至25人。鉴于其在世界模型领域的雄心，加之Demis Hassabis的新角色变动导致部分DeepMind员工人心浮动，Inherent的招聘攻势可能使其成为那些考虑跳槽的DeepMind员工的理想落脚点。

从某种意义上看，Inherent的崛起不仅是一次技术上的以小博大，更是对当前AI研发范式的一种反思：在追求更大模型的狂热中，是否忽略了算法效率与“智能本质”的回归？当AI开始具备“品味”而非仅仅是计算能力时，科学发现的边界或许将被重新定义。