Inherent, fundada por exalumnos de DeepMind, dice que su 'compañero' de IA superó a Anthropic y OpenAI replicando investigación

Inherent, un laboratorio de IA de Londres fundado por exalumnos de Google DeepMind, dice que su agente de IA acaba de superar a modelos mucho más grandes de Anthropic y OpenAI utilizando una fracción del tamaño. De todas las startups lanzadas por exalumnos de Google DeepMind, Inherent ha recibido relativamente poca atención. Pero mientras que rivales mejor financiados aún no han mostrado nada concreto al mundo, el equipo basado en Londres está comenzando a compartir lo que ha estado construyendo.

Faraday y sus capacidades

Apenas semanas después de salir de modo sigiloso con una ronda semilla de 50 millones de dólares, la startup británica dice que su agente de IA recientemente lanzado, Faraday, ha superado a modelos más grandes y bien conocidos en una tarea específica: reproducir independientemente los hallazgos de artículos científicos publicados sin ser informado de la respuesta de antemano.

Eso puede parecer un mero truco de fiesta dada la meta mucho más ambiciosa de Inherent: construir IA que pueda descubrir nuevo conocimiento científico y no solo verificar resultados antiguos. Pero la replicación de artículos es un ejercicio de entrenamiento estándar para científicos humanos también, dijo el cofundador y científico jefe Edward Hughes. "Muchos estudiantes de doctorado en realidad comienzan haciendo esto".

Superar a otros sistemas de IA en la tarea no fue el punto, le dijo Hughes a TechCrunch; cómo llegaron allí lo fue. "Lo que fue más interesante para nosotros sobre esto no fue tanto el resultado de vencer a esos agentes de frontera, lo cual por supuesto nos gustó, sino en realidad la forma en que hicimos esto".

Ventaja técnica de Inherent

Aquí está la parte que debería captar la atención de un inversor: medido contra Claude Opus 4.8 de Anthropic y GPT-5.5 de OpenAI, ambos sistemas mucho más grandes a escala de frontera, Faraday se ejecuta en un modelo comparativamente diminuto llamado Qwen 3.6 que tiene apenas 27 mil millones de parámetros. Aproximadamente hablando, "parámetros" es un proxy para el tamaño de un modelo y, típicamente, también sus costos de entrenamiento.

El criterio de éxito de Inherent también fue más alto que simplemente precisión. Más allá de replicar resultados, quería que Faraday demostrara "gusto en investigación", un instinto para qué experimentos vale la pena ejecutar y cómo diseñarlos bien. Enseñar algo tan intangible como el gusto es difícil, que es donde entra el aprendizaje de refuerzo.

Este logro sugiere que los métodos de entrenamiento más eficientes, no solo modelos más grandes, pueden ser la clave para sistemas de IA más capaces en tareas especializadas como la investigación científica.

Fuente: TechCrunch