會指揮 GPT-5.5 的 270 億參數「AI 科學家」：Inherent 的 Faraday 與 Replica 基準深度解析

1821 年，Richard Phillips 請他的朋友邁克爾・法拉第（Michael Faraday）撰寫一篇關於新興電磁學領域的綜述。法拉第是個奇怪的選擇——他幾乎沒受過正規教育，在該領域經驗有限，但他是出了名的實驗高手。為了寫這篇綜述，法拉第決定親手重現過去的實驗結果。在皇家研究院燭光搖曳的地下室裡，他發現通電的導線會繞著磁鐵轉動。「非常令人滿意，」他在日記裡寫道。電動機就這樣誕生了。

兩個世紀後，一家名為 Inherent 的倫敦 AI 實驗室同時借用了這個名字和方法。8 月 14 日，該公司發表研究，介紹了 Faraday——一個 270 億參數的「AI 科學家」代理。在重現已發表研究這項任務上，它擊敗了 Anthropic 的 Claude Opus 4.8 和 OpenAI 的 GPT-5.5，而這兩個模型的規模比它大上幾個數量級。一週後，TechCrunch 對這家公司做了深度報導，主流輿論才跟上。但這些結果值得比頭條更深入的審視。

Faraday 究竟做什麼

任務定義很明確：給定一篇研究論文，重現其中一張圖表——在有限的時間與運算預算內，而且看不到原始圖形。沒有答案可以對照。代理必須讀懂方法章節、設計實驗、撰寫程式、執行程式，最後產出一張忠實重現論文結果的圖。

為了讓這件事可以大規模訓練，Inherent 推出了 Replica 基準：從 100 篇機器學習與 AI-for-science 論文中提取的 310 項任務，橫跨自然語言處理、材料科學、結構生物學、天氣預測與元學習（meta-learning）。這是一個刻意設計成「規格不完備」的長程挑戰——恰恰是前沿代理歷來最容易失手的問題類型。

數字相當驚人：在 Replica 的分布內任務上，Faraday 在 73% 的任務中勝過 Claude Opus 4.8，並且在保留的（held-out）AI-for-science 論文上維持領先——這些是基礎模型在預訓練時從未見過的研究。優勢在元學習、結構生物學與材料科學領域最為明顯。更值得注意的是，面對最新的研究，Faraday 比前沿基線模型退化得更少——這暗示它學到的是可遷移的科學能力，而不是把文獻背進了權重裡。

反直覺的架構

真正值得重新思考代理設計的是這一點：Faraday 把 GPT-5.5 Codex 當工具用。

這個 270 億參數的「科學家」自己並不寫太多程式。就像依賴編碼代理的人類博士後一樣，Faraday 負責拆解問題、決定哪些實驗值得跑，然後把實作工作委派給 OpenAI 的前沿編碼模型。更不可思議的是，Inherent 展示了 Faraday 能在測試時泛化到指揮一個更強的代理——它訓練時只搭配過 GPT-5.4-mini，卻能無縫適配 GPT-5.5 Codex。

換句話說，小模型不是在跟前沿模型競爭，而是在管理前沿模型——而且這個組合打得贏單獨作業的前沿模型。Inherent 的論點是：隨著編碼代理持續進步，坐在其上的那一層——科學判斷力——價值只會越來越高。這是今年夏天整個代理生態系裡悄然成形的「編排勝過規模」論點中，一個早期而具體的數據點。

用評分細則教「品味」，而不是教答案

最深層的技術貢獻，在於 Inherent 如何處理 AI 科學的核心難題：開放式研究無法自動驗證。 一張像素級完美的重現圖仍然可能是糟糕的科學——實驗設計不良、對論文主張的詮釋失真、運算資源浪費。好的重現需要研究者所說的「研究品味」（research taste）。

Inherent 的解法是設計一個 LLM 評審，依據自動生成的逐任務評分細則（rubric）打分，並用一項專家人類研究驗證這個評審確實捕捉了專家偏好。原始的 LLM 評審出了名地不穩定——評審模型本身的隨機性會讓獎勵訊號抖動，進而破壞長程強化學習的穩定性。逐任務細則降低了這種雜訊。另外兩項訓練期修改——多次取樣聚合（multi-sample aggregation）與回合級功勞分配（turn-level credit assignment）——則馴服了通常會讓數週長的訓練失控的不穩定性。

最終成果是一個透過長程強化學習內化了科學嚴謹性的代理：不需要人工編寫的演化式框架（evolutionary harness），也沒有測試時獎勵。早期那些「AI Scientist」系統（Sakana 那一脈）依賴外部程式化的搜尋迴圈；用 Inherent 的說法，Faraday 的發現行為是內在的——是學出來的，不是寫死的。

從重現到創新

重現看起來像墊腳石，而 Inherent 也明說它就是。論文只描述有效的做法，從不寫出作者一路走來的負面結果。要重現論文，代理必須找回那「從不出現在紙面上的 99% 汗水」——而這需要的假設驅動探索，正是產生真正新科學的同一種能力。

Replica 的任務空間就是為了層層升級而設計的：從給代理的論文裡移除更多特徵、收緊或放寬資源限制，最終甚至給代理想像出來的論文——該公司說，這會讓同一個 Faraday 模型「在不知情的狀態下創新」。

背後的公司

Inherent 於 2026 年 5 月走出隱身狀態，完成由 Index Ventures 領投、Radical Ventures 跟投的 5,000 萬美元種子輪。這家位於倫敦國王十字車站附近的實驗室由四位 DeepMind 前研究員創立——首席科學家 Edward Hughes、Louis Kirsch、Kaloyan Aleksiev，以及曾在拜登白宮參與 AI 政策的 Tantum Collins。公司以公共利益企業（public benefit corporation）形式運作，目前約十來人，計劃年底前擴編至 20–25 人——在 DeepMind 重組後的人才動盪中，這裡成了頗具吸引力的落腳處。

Hughes 這樣定位目標：不是做一個只會說好聽話的 AI，而是做一個會回來對你說「我對這件事起了好奇心，自己去跑了這些實驗，你覺得這些結果如何？」的隊友。

不能忽略的但書

Replica 是 Inherent 自家的基準，由 Inherent 自己執行、自己評分。Claude Opus 4.8 與 GPT-5.5 的比較至今沒有獨立第三方重跑過，而那 47 頁方法論的前提是「該公司的評審確實捕捉了專家品味」。最顯而易見的質疑——Replica 那 100 篇來源論文有多少可能早已存在 Qwen 3.6 基礎模型的預訓練資料裡——雖然在某種程度上被保留集結果回應了，但若能在 MLE-Bench 這類公開基準上看到第三方重跑，說服力會大得多。

不過方向是對的，而且架構本身就是故事：一個小型的開放權重模型，後訓練出判斷力，去編排那些單獨作業時會被它擊敗的前沿編碼器。如果這個模式成立，AI 輔助科學裡的稀缺資源將不再是寫程式的能力，而是知道什麼值得嘗試——而 2026 年這批 AI 科學家，已經開始學的正是這件事。