Faraday, l’agente AI da 27 miliardi di parametri che Inherent dice abbia superato GPT-5.5 e Claude Opus 4.8

La startup londinese Inherent, fondata da ex ricercatori di Google DeepMind, afferma che il suo nuovo agente scientifico Faraday abbia superato Claude Opus 4.8 di Anthropic e GPT-5.5 di OpenAI in un compito preciso: riprodurre autonomamente i risultati di articoli scientifici pubblicati, senza ricevere in anticipo la risposta corretta. 25

Il dato colpisce soprattutto per una ragione: Faraday è costruito sul modello Qwen 3.6, con 27 miliardi di parametri, una dimensione relativamente contenuta rispetto ai sistemi frontier impiegati nel confronto. 15

La cautela, però, è d’obbligo. Si tratta del risultato dichiarato da Inherent in una valutazione dedicata alla replica scientifica, non di una dimostrazione indipendente del fatto che Faraday sia, in generale, più capace di Claude o GPT-5.5.

In quale prova Faraday avrebbe superato i rivali

Il confronto riguardava la replica di ricerche scientifiche. Un agente riceve uno studio pubblicato e deve ricostruire abbastanza del metodo, degli esperimenti e dell’analisi da arrivare a risultati comparabili. Non deve limitarsi a riassumere il testo né a indovinare una risposta già nota.

Secondo Inherent, Faraday ha ottenuto risultati migliori di Claude Opus 4.8 e GPT-5.5 in questo scenario. 5 Un resoconto tecnico descrive Replica come un benchmark composto da 310 attività, incentrato sulla riproduzione di figure scientifiche. 8

È una distinzione importante: eccellere in un flusso di lavoro di ricerca ben definito può mettere in luce capacità utili senza dire nulla, da solo, sulle prestazioni in ambiti più ampi come ragionamento generale, programmazione, scrittura o scoperta scientifica originale.

Perché i 27 miliardi di parametri fanno notizia

Faraday funziona su Qwen 3.6, un modello da 27 miliardi di parametri. Inherent ha presentato questa caratteristica come un forte contrasto rispetto ai sistemi più grandi utilizzati per il confronto. 15

La conclusione non è che Qwen 3.6, preso isolatamente, abbia sostituito i principali modelli generalisti. Faraday è un sistema composto da un agente, un modello di base, addestramento aggiuntivo, strumenti e un flusso di lavoro progettato per la ricerca.

In altre parole, un modello più compatto può essere competitivo in un’attività specializzata se l’architettura che lo circonda è ottimizzata per quella specifica attività. È questo il punto strategico di Inherent: invece di inseguire il modello generalista più grande, la startup punta a combinare un modello relativamente piccolo con una migliore capacità di orientamento scientifico e con strumenti specialistici più potenti.

L’addestramento al “research taste”

Inherent descrive la capacità che vuole sviluppare come “research taste”, cioè il giudizio pratico necessario per capire quali esperimenti valga la pena eseguire, come progettarli, quando un risultato sia inconcludente e quando sia meglio cambiare direzione. 4

Per raggiungere questo obiettivo, l’azienda afferma di aver utilizzato il reinforcement learning, o apprendimento per rinforzo. Invece di prescrivere ogni singolo passaggio, l’addestramento premia la qualità complessiva del processo e dell’esito della ricerca.

È un obiettivo diverso da quello di un benchmark a risposta breve, nel quale la soluzione corretta è già definita. Nella ricerca, infatti, il valore sta anche nelle decisioni prese lungo il percorso: quali ipotesi scartare, quali prove tentare e come interpretare un risultato ambiguo.

Faraday, inoltre, non deve occuparsi personalmente di ogni fase operativa. Può utilizzare agenti di programmazione, incluso GPT-5.5 Codex di OpenAI, come strumenti. In questo modello di collaborazione, Faraday agisce più come un direttore della ricerca: stabilisce il piano e le priorità scientifiche, mentre un sistema specializzato contribuisce a trasformare quel piano in esperimenti eseguibili. 6

Il confronto va quindi letto a livello dell’intero sistema. L’eventuale vantaggio dichiarato da Inherent appartiene al flusso di lavoro completo di Faraday, non necessariamente al suo modello Qwen da 27 miliardi di parametri considerato da solo.

Perché la replica degli articoli è un punto di partenza

Replicare uno studio offre a un agente AI un esercizio concreto di metodo scientifico. Deve interpretare un articolo, formulare ipotesi sul metodo utilizzato, scegliere gli esperimenti, gestire i tentativi falliti e confrontare i propri risultati con quelli pubblicati.

La premessa di Inherent è che l’articolo finito mostri solo una parte del lavoro reale. Il tentativo e l’errore, gli approcci abbandonati e molte delle scelte pratiche che hanno portato al risultato finale restano spesso fuori dal testo. Ricostruire quel processo nascosto può diventare quindi un ambiente di addestramento controllato per il ragionamento scientifico. 5

La replica è anche più facile da valutare rispetto a una scoperta completamente originale. Esiste un obiettivo esterno — il risultato pubblicato — e si può verificare se l’agente lo ha riprodotto, oltre a giudicare se le sue decisioni sperimentali siano scientificamente sensate.

Per questo Inherent considera la replica una sorta di palestra: un passaggio intermedio prima di chiedere a un sistema AI di esplorare domande le cui risposte non sono ancora conosciute.

L’ambizione: costruire veri “scienziati AI”

La replica degli articoli non è il traguardo finale dichiarato dall’azienda. Inherent presenta Faraday come un primo passo verso agenti capaci di lavorare in diversi settori scientifici e, nel tempo, di contribuire alla produzione di conoscenza realmente nuova. 13

Si tratta però di un obiettivo molto più ambizioso della vittoria in un benchmark. Riprodurre un risultato pubblicato dimostra un comportamento di ricerca utile, ma una scoperta originale richiede anche di individuare domande importanti ancora senza risposta, generare ipotesi nuove, progettare verifiche affidabili e produrre risultati in grado di superare il controllo degli esperti.

La valutazione di Faraday può dunque essere considerata un’indicazione su una parte di questo percorso, non la prova che l’obiettivo più ampio sia già stato raggiunto.

Londra, assunzioni e concorrenza per i talenti AI

Inherent è emersa dalla modalità stealth — il periodo in cui una startup opera senza rendere pubblici prodotto e strategia — dopo aver raccolto, secondo quanto riportato, 50 milioni di dollari in un round seed. La società sta costruendo il proprio team a Londra, vicino all’ecosistema di talenti da cui provengono i suoi fondatori. 5

Il piano riferito di passare da circa una dozzina di dipendenti a 20-25 persone suggerisce un approccio ristretto e fortemente orientato alla ricerca, anziché una corsa a eguagliare il numero di dipendenti o i budget per l’addestramento dei grandi laboratori AI.

Edward Hughes, cofondatore e chief scientist, ha criticato le restrizioni britanniche sul cosiddetto garden leave. Il termine indica il periodo di preavviso in cui un dipendente, pur non lavorando più attivamente per l’azienda, può essere tenuto lontano dal nuovo datore di lavoro. Questi vincoli possono rallentare il passaggio di ricercatori esperti verso startup e concorrenti.

Per Inherent, il problema diventa rilevante nella competizione per il personale proveniente da DeepMind e da altri laboratori, soprattutto contro aziende con risorse finanziarie maggiori. 6

La strategia che emerge è quindi concentrata, non basata sulla scala: una squadra piccola, investimenti nel reinforcement learning e nel giudizio scientifico, un modello di base più compatto e strumenti esterni sempre più capaci. Se il metodo dovesse funzionare anche oltre la valutazione iniziale, potrebbe offrire alle startup un modo alternativo per competere nella ricerca sull’AI senza addestrare il modello generalista più grande del mercato.

Il punto essenziale

Inherent sostiene che Faraday abbia superato GPT-5.5 e Claude Opus 4.8 nella replica autonoma di risultati scientifici pubblicati, pur basandosi su un modello Qwen 3.6 da 27 miliardi di parametri. L’idea più significativa, tuttavia, non è soltanto che un modello più piccolo abbia vinto un confronto.

Il messaggio della startup è che, nel lavoro scientifico, la pianificazione della ricerca, l’apprendimento per rinforzo su orizzonti lunghi e il coordinamento degli strumenti possono contare quanto — o più di — la scala grezza del modello.

Per ora, le informazioni disponibili sostengono una conclusione più circoscritta: Faraday appare come un promettente sistema di ricerca AI nel compito valutato da Inherent. Non dimostrano una superiorità generale rispetto ai modelli di Anthropic o OpenAI, né provano che la replica di studi esistenti equivalga già alla scoperta scientifica autonoma.