Faraday od Inherent má podle firmy překonávat Claude i GPT-5.5 při replikaci vědeckých výsledků

Londýnská AI laboratoř Inherent, kterou založili bývalí zaměstnanci Google DeepMind, představila agenta Faraday s 27 miliardami parametrů. Firma tvrdí, že Faraday dokáže bez předem poskytnuté odpovědi znovu vytvořit výsledky publikovaných vědeckých studií a že při tomto konkrétním úkolu překonal Anthropic Claude Opus 4.8 i OpenAI GPT-5.5. 259

Je to zajímavý výsledek, pokud se potvrdí v širším a nezávislém testování. Titulek je však potřeba číst s rezervou: Faraday byl hodnocen při replikaci již známých výsledků, nikoli při samostatném objevování nové vědecké znalosti.

Co Faraday skutečně testoval

Inherent vytvořil benchmark Replica, který vychází ze 100 článků z oblasti strojového učení a vědy využívající AI. Z nich vzniklo 310 úloh. V každé má agent znovu vytvořit konkrétní graf z odborného článku, aniž vidí původní podobu grafu a při omezeném čase i výpočetních kapacitách. 34

Nejde tedy jen o to článek shrnout nebo překreslit zveřejněný obrázek. Agent musí pochopit postup popsaný ve výzkumu, naprogramovat potřebné experimenty, rozumně nakládat s dostupnými zdroji a vyhodnotit, zda jeho výsledek dostatečně odpovídá původnímu zjištění.

Inherent uvádí, že Faraday v tomto benchmarku překonal Claude Opus 4.8 a GPT-5.5, přestože samotný model má výrazně méně parametrů. 158 Srovnání je ale třeba chápat jako tvrzení vztahující se ke konkrétnímu benchmarku, nikoli jako obecný žebříček schopností těchto systémů ve vědě, programování nebo jiné práci.

Proč firma mluví o „výzkumném citu“

Podle Inherent nestačí ve vědě pouze dojít ke konečnému výsledku. Schopný výzkumník musí také poznat, které experimenty stojí za to provést, správně je navrhnout, interpretovat nejednoznačné výsledky a změnit směr, když původní postup nefunguje. Tento soubor praktických úsudků firma označuje jako „research taste“, tedy výzkumný cit. 47

Rozdíl je důležitý. Model může vytvořit výstup, který vypadá přesvědčivě, aniž by postupoval spolehlivě a vědecky. Inherent tvrdí, že Faraday se díky dlouhodobému učení posilováním učí právě proces za dobrým výzkumem: formulovat hypotézy, testovat je, poučit se z neúspěchu a zvolit další produktivní krok. 4

Replikace publikovaných výsledků má být pro tento typ učení vhodným tréninkovým prostředím. Když se agent snaží výsledek zopakovat, musí často rekonstruovat praktické pokusy a omyly, které odborný článek nemusí podrobně popisovat. Inherent v tom vidí možný krok od ověřování známých zjištění k otevřenějšímu výzkumu. 49

Faraday používá GPT-5.5 Codex jako nástroj

Faraday není prezentován jako samostatná náhrada výkonného programovacího agenta. Funguje spíše jako dohledová vědecká vrstva, která během replikace řídí OpenAI GPT-5.5 Codex. Inherent toto uspořádání přirovnává k vědci, jenž používá programovacího asistenta: Faraday zajišťuje plánování a vědecký úsudek, zatímco Codex provádí velkou část implementace. 39

Tento přístup přesouvá pozornost od samotné velikosti modelu. Menší model může být užitečný tím, že rozhodne, co má větší nástroj udělat, kdy změnit strategii a jak výsledky posoudit. Uváděná výhoda Faradaye je proto částečně výhodou orchestrace — propojení vědeckého plánování s pokročilým programovacím systémem — nikoli důkazem, že 27miliardový model je obecně schopnější než větší systémy.

Cílem je vědecký spoluhráč, ne autonomní vědec

Inherent chce podle svých slov vyvíjet AI agenty, kteří budou s výzkumníky spolupracovat jako týmoví kolegové. Takový systém by mohl pomáhat plánovat, provádět, kriticky hodnotit a opakovat experimenty, zatímco lidé by si ponechali určování směru i dohled. 45

Faraday je nejlepší chápat jako ranou podobu této koncepce: model, který poskytuje vědeckou intuici a řídí výzkumný proces nad obecnými programovacími nástroji. Dlouhodobou ambicí firmy je vytvořit agenty schopné přispívat k objevování nových poznatků, současný výsledek však ukazuje pouze replikaci, nikoli objev. 34

Tato hranice je podstatná. Zopakovat známý výsledek je cenný test vědecké spolehlivosti, samo o sobě to ale neznamená, že agent dokáže formulovat důležité původní otázky, vytvářet skutečně nové hypotézy nebo ověřovat objevy v reálném světě.

Co výsledek říká o strategii Inherent

Inherent vystoupila z utajeného režimu s údajně 50milionovým seed kolem a prezentuje se jako londýnská výzkumná laboratoř založená absolventy Google DeepMind. 25 Firma se soustředí na oblasti, které se obecné modely nemusejí naučit automaticky: experimentální úsudek, rozhodování v delším časovém horizontu, vyhodnocování výsledků a koordinaci lidí se softwarovými nástroji.

Tomu odpovídá i využití externího programovacího systému. Inherent se nesnaží vybudovat všechny schopnosti v jediném modelu. Místo toho vyvíjí specializovanou vrstvu, která má stávající špičkové nástroje zefektivnit pro vědeckou práci. 39

Nejstřízlivější závěr tedy zní: Inherent tvrdí, že relativně malý model trénovaný dlouhodobým učením posilováním dokáže na pečlivě vymezeném benchmarku replikace překonat větší špičkové systémy. Zda stejný přístup povede i ke spolehlivým a původním vědeckým přínosům, zůstává otevřenou otázkou.