Inherent推出科研复现智能体Faraday，小模型大智慧

科研工作者常需复现他人研究以验证新想法，但这过程耗时费力。Inherent由DeepMind校友创立，目标是构建能自主发现科学知识的AI。其首席科学家指出，论文复现是训练AI科学家的标准步骤，类似博士生初期工作。团队发现，通过强化学习训练小参数模型，能有效掌握科研品味，而非依赖巨量参数。Faraday的成功复现展示了以较小资源实现高难度任务的可行性，为科研自动化铺路。

Inherent已获得5000万美元种子轮融资，其AI智能体Faraday在独立复现科研论文任务上，以27B参数的Qwen 3.6模型，超越Anthropic的Claude Opus 4.8和OpenAI的GPT-5.5。团队计划年底扩至20-25人。

1. 1基于开源小参数模型（如Qwen-27B）进行微调，专注于论文复现任务，通过强化学习优化实验设计能力。
2. 2开发核心功能：输入论文PDF，自动提取实验方法、参数和数据集，生成可执行的实验脚本。
3. 3集成模拟实验环境（如计算化学、生物信息学工具），在云端沙箱中运行验证，返回结果对比报告。
4. 4针对2-3个热门领域（如材料科学、药物研发）邀请种子用户试用，收集反馈并迭代模型和界面。
5. 5建立科研论文复现案例库，在学术社区（如知乎、公众号、学术会议）分享成功案例，吸引早期用户。

技术可行性：基于开源模型微调可行，但需在特定领域的数据和强化学习上投入，需验证效果。数据可得性：公开论文和实验数据可获取，但结构化程度低，需自行清洗，部分领域数据少。获客渠道：可通过学术社群、科研工具平台（如科研通、小木虫）推广，与实验室合作。合规要求：需注意学术诚信，避免抄袭风险，建议标注AI辅助，符合国内数据安全法。竞争格局：国内暂无直接竞品，但通用AI（如文心一言）可能延伸，需差异化。

窗口期：现在正好。国内科研AI工具刚起步，政策支持AI赋能科研，市场处于空白期。美国已有类似探索，但国内尚未有成熟产品，此时切入可抢占先机，随着AI科研热度上升，窗口期可能缩短。

技术风险：模型复现准确性可能不足，需大量调优；数据风险：论文实验细节缺失可能导致失败；市场风险：用户付费意愿可能低，需验证商业化模式；合规风险：涉及学术伦理，需谨慎处理。