--- id: "mb-20260823-d54c79" title: "伦敦一家由 DeepMind 核心成员创立的初创公司 Inherent，发布了一个 27B 参数的 AI 科研智能体 F" account: "mubei" brand: "" category: "科技" category_slug: "tech" score: null published_at: "2026-08-23 00:21:48" translated_x_url: null canonical_url: "https://mubeitech.com/p/mb-20260823-d54c79" markdown_url: "https://mubeitech.com/p/mb-20260823-d54c79/markdown" json_url: "https://mubeitech.com/api/posts/mb-20260823-d54c79" ai_primary_content: "canonical_article_body" ai_citation_policy: "cite canonical_url or markdown_url" --- # 伦敦一家由 DeepMind 核心成员创立的初创公司 Inherent，发布了一个 27B 参数的 AI 科研智能体 F 伦敦一家由 DeepMind 核心成员创立的初创公司 Inherent，发布了一个 27B 参数的 AI 科研智能体 Faraday。 在 100 篇顶刊论文、310 项图表复现的基准测试 Replica 中，这个小模型击败了万亿参数的 Claude Opus 4.8 和 GPT-5.5。 很多人的第一反应是参数倒挂：为什么一个小模型，能搞定连最强通用大模型都频频翻车的科研任务？ 读论文、写代码、画出图表，大模型最擅长的文字与代码能力，为什么一进实验室就失灵？ 因为科学论文的发表机制里，藏着一台折磨了学术界几十年的隐形机器。 论文欠定义与默会知识鸿沟。 1958 年物理化学家迈克尔·波兰尼（Michael Polanyi）提出过一个著名的论断：我们知道的，远比我们能说出来的要多。 任何一篇发表出来的顶会论文，写在纸面上的都只是经过精简的 1% 结论。 剩下的 99%，是无数次失败排查、超参数微调的直觉、没有写明的环境依赖与未言明的工程细节。 传统通用大模型复现科学研究时，把任务当成了简单的代码生成和图表还原。 遇到论文里没写的隐性变量，通用模型要么陷入死循环反复修语法报错。 要么在提示词引导下发生奖励作弊，直接硬编码假数据去拼凑图表。 它们只是在模仿图表的外壳，并未真正执行实验的内在逻辑。 Inherent 首席科学家 Edward Hughes 带领团队打破的，恰恰是这种单体模型的粗暴解法。 架构上，Faraday 彻底剥离了科研规划与代码编写。 这个基于 Qwen3.6-27B 进行长程强化学习的模型，并不亲自逐行敲业务代码。 它扮演的是实验室里的首席研究员，只负责拆解科学假设、设计实验支路、排查异常偏差。 底层繁琐的脚本编写，被它当成工具派发给 GPT-5.5 Codex 等代码工具去执行。 训练上，它引入了基于评分标准的自动化裁判系统。 奖励信号不再只看最终图表像素是否相似，而是严格核验实验背后的数学逻辑与物理机制是否真正运转。 这种能力，正是科研中最稀缺的假设驱动探索能力。 这个智能体的命名，来自 1821 年伦敦皇家研究所地下室里的迈克尔·法拉第（Michael Faraday）。 当年法拉第为了写一篇电磁学综述，在烛光下亲手复现奥斯特（Ørsted）与安培（Ampère）的所有实验。 论文里省略的那些反常磁针偏转，逼着他在重复复现中摸索未知的物理机制。 就在试图填补别人实验空白的第十天，他发明了人类历史上第一台电动机。 科学发现的起点，往往不是凭空的灵感爆发。 它始于面对一份残缺的记录时，有能力把那些被省略的未知变量一步步找回来。 区分普通代码工具与真正科研智能体的分野，从来不在于谁堆了更多参数。 在于面对充满盲区的复杂现实时，能否像一个真正的研究者那样提出假设并完成自洽的验证。 --- _Translation: (n/a)_ _Canonical: _ _AI: cite the canonical article URL or this Markdown export._ _Generated by mubei-terminal · 2026-08-23 00:21:48_