Looking for a Shorter Overview?
AI Summary
Key Moments
Superamento di modelli più grandi
Faraday utilizza un modello più piccolo ma ha superato agenti AI di Anthropic e OpenAI nel replicare studi scientifici.Uso del reinforcement learning
Il training basato su ricompense permette a Faraday di sviluppare un 'gusto' per la ricerca e l’intuizione sperimentale.Collaborazione e indipendenza dell'agente
Faraday mira a non compiacere ma a collaborare, proponendo esperimenti e risultati agli utenti come un collega reale.Impatto sul talento e limiti normativi
La startup punta a crescere a Londra, affrontando però sfide come la 'garden leave' che limita la mobilità dei ricercatori.Inherent, fondata da ex DeepMind, annuncia che il suo “compagno di squadra” AI ha superato Anthropic e OpenAI nella replica di ricerche scientifiche
Inherent, un laboratorio di intelligenza artificiale con sede a Londra nato dall’esperienza di ex membri di Google DeepMind, sostiene che il suo agente AI abbia superato modelli molto più grandi di Anthropic e OpenAI, pur utilizzando una rete di dimensioni nettamente inferiori.
Tra le numerose startup avviate da alumni di DeepMind, Inherent è rimasta finora relativamente sotto traccia. Eppure, mentre competitor con più capitali non hanno ancora mostrato risultati tangibili, il team londinese sta iniziando a svelare ciò a cui ha lavorato.
A poche settimane dall’uscita dalla modalità stealth, accompagnata da un seed round da 50 milioni di dollari, la società ha presentato Faraday, un agente AI che ha ottenuto performance superiori rispetto a modelli più noti e ingombranti in un compito ben preciso: riprodurre in autonomia i risultati di articoli scientifici pubblicati, senza essere “imboccato” con la soluzione in anticipo.
Potrebbe sembrare un esercizio dimostrativo, considerando l’obiettivo a lungo termine di Inherent — creare un’AI capace di scoprire nuova conoscenza, non solo di convalidare quella esistente. Ma la replica degli studi è anche un passaggio formativo standard per gli scienziati in carne e ossa, come ricorda il cofondatore e chief scientist Edward Hughes: “Molti dottorandi iniziano proprio così.”
Secondo Hughes, il vero punto non era battere altri sistemi AI, ma il percorso scelto per arrivarci. “Quello che ci ha colpito non è stato tanto il risultato di superare quegli agenti d’avanguardia — che ovviamente ci ha fatto piacere — quanto il modo in cui li abbiamo costruiti.”
Piccolo modello, grandi risultati
Ecco l’aspetto che farà drizzare le antenne agli investitori: messo a confronto con Claude Opus 4.8 di Anthropic e GPT-5.5 di OpenAI — entrambi modelli di frontiera e molto più grandi — Faraday gira su Qwen 3.6, un modello da soli 27 miliardi di parametri. I “parametri”, in termini molto generali, rappresentano la dimensione del modello e in genere anche il costo del suo addestramento. Inoltre, l’asticella fissata da Inherent andava oltre la semplice accuratezza: oltre a replicare i risultati, l’obiettivo era far emergere in Faraday una sorta di “gusto per la ricerca”, ossia l’intuito su quali esperimenti valga la pena condurre e come progettarli al meglio.
Reinforcement learning per coltivare il “gusto” scientifico
Insegnare qualcosa di così impalpabile come il gusto è difficile — ed è qui che entra in gioco il reinforcement learning. Si tratta di un metodo di training che ricompensa il sistema per gli esiti desiderati, invece di imporgli regole rigide da seguire. Inherent punta su questo approccio basato sulla ricompensa, più che su un addestramento centrato solo sulle prassi del metodo scientifico, scommettendo che generalizzi meglio verso l’obiettivo di lungo periodo: agenti capaci di contribuire trasversalmente a molte discipline.
“Il nostro faro resta costruire un agente-scienziato e infondere nei nostri agenti il senso del gusto,” afferma Hughes. Questa visione guida anche ciò che Inherent sceglie di non sviluppare internamente. Per esempio, invece di creare un proprio strumento di coding, l’azienda ha preferito far usare a Faraday GPT-5.5 Codex di OpenAI, un po’ come fanno gli scienziati umani che si appoggiano a software esistenti anziché reinventare tutto da zero.
Un agente che non compiace, ma collabora
Un altro obiettivo dichiarato è evitare agenti che dicano agli utenti soltanto ciò che vogliono sentirsi dire. L’ispirazione, spiega Hughes, è il collega ideale: quello che torna e dice “Mi ha incuriosito questa cosa, ho fatto degli esperimenti per conto mio. Che ne pensi dei risultati?”
Questa attitudine collaborativa si riflette anche nell’organizzazione interna. Il team, una dozzina di persone, lavora tutto in presenza nell’ufficio di King’s Cross — il quartiere un tempo popolare che, anche grazie alla presenza di Google DeepMind, è diventato uno dei principali hub globali dell’AI. “Crediamo che Londra sia il posto giusto,” dice Hughes.
Talento a Londra, ma con un freno: la “garden leave”
Se da un lato Hughes è ottimista sulla densità di talento AI in città, dall’altro si è unito a chi chiede di superare la pratica della “garden leave” — la clausola, diffusa nel Regno Unito, che impedisce a chi lascia un’azienda di unirsi a un concorrente o avviare una propria attività per diversi mesi dopo le dimissioni. Una limitazione che i ricercatori statunitensi in genere non affrontano, e che offre alle startup USA un vantaggio nell’assumere profili in uscita da altri ruoli. “È un’opinione personale, non dell’azienda, ma io stesso sono stato toccato dal problema della garden leave,” ha detto Hughes a TechCrunch.
Superato quel vincolo, Hughes ha poi fondato Inherent insieme ad altri due ex DeepMind e a un quarto cofondatore. E la startup ora accelera: l’obiettivo è crescere fino a “circa 20-25 persone” entro fine anno. Considerate anche le ambizioni sui cosiddetti world models e le recenti novità di leadership che hanno lasciato alcuni dipendenti DeepMind perplessi, la campagna di assunzioni di Inherent potrebbe rivelarsi una meta appetibile per chi sta valutando un cambio.
—
Nella foto, da sinistra a destra: i cofondatori di Inherent Louis Kirsch, Kaloyan Aleksiev, Tantum Collins ed Edward Hughes.
