La startup britannica Inherent ha presentato Faraday, un agente di intelligenza artificiale da 27 miliardi di parametri progettato per affrontare attività di ricerca scientifica attraverso formulazione di ipotesi, sperimentazione e valutazione progressiva dei risultati. Il sistema è stato testato sulla capacità di riprodurre gli esperimenti descritti in lavori scientifici e, secondo i risultati diffusi dall’azienda, ha superato modelli molto più grandi come Claude Opus 4.8 di Anthropic e GPT-5.5 di OpenAI. L’obiettivo non è però limitato alla replica meccanica dei risultati pubblicati: Faraday è stato costruito per ricostruire il percorso di ricerca che conduce a quei risultati, comprese le decisioni sperimentali che normalmente non compaiono nella versione finale di un paper.
La difficoltà della riproduzione scientifica deriva infatti dal fatto che una pubblicazione mostra generalmente soltanto gli esperimenti riusciti e i risultati conclusivi, mentre esclude buona parte dei tentativi falliti, delle ipotesi scartate e delle strade percorse durante il lavoro. Per arrivare autonomamente allo stesso risultato, un agente deve quindi decidere quali esperimenti eseguire, come distribuire le risorse disponibili e quando abbandonare una direzione improduttiva. Inherent definisce questa capacità research taste, o “gusto per la ricerca”: non semplice conoscenza scientifica, ma capacità di effettuare scelte utili all’interno di uno spazio di ricerca ampio e incerto.
Per addestrare questa competenza l’azienda ha realizzato un ambiente proprietario di reinforcement learning chiamato Replica, costruito a partire da 100 paper scientifici e comprendente complessivamente 310 attività. L’ambiente non valuta soltanto se l’agente raggiunge il risultato finale corretto, ma analizza la qualità delle decisioni prese durante ogni fase della ricerca. L’addestramento è quindi orientato al processo: invece di aumentare semplicemente la dimensione del modello, Inherent cerca di insegnargli a selezionare esperimenti, interpretare risultati intermedi e amministrare il budget computazionale in modo simile a un ricercatore.
Faraday utilizza un approccio di long-horizon reinforcement learning, adatto ad attività nelle quali la ricompensa può arrivare soltanto dopo numerosi passaggi. Inherent ha introdotto un sistema di reward a livello di singolo turno che valuta quanto ciascuna decisione dell’agente sia appropriata rispetto all’obiettivo scientifico. La valutazione è affidata anche a un giudice basato su un grande modello linguistico e la qualità di questi giudizi è stata confrontata con valutazioni effettuate da esperti umani, per verificare che il segnale utilizzato durante l’addestramento fosse coerente con quello di un ricercatore reale.
Per ridurre il rumore tipico dei sistemi di reward utilizzati nei processi di reinforcement learning lunghi, Inherent combina più campioni della stessa valutazione e applica criteri specifici per ogni attività. Questo permette di ridurre l’incertezza introdotta dal giudice LLM e di fornire all’agente indicazioni più stabili sulle decisioni prese durante il percorso. L’obiettivo è evitare che Faraday impari soltanto a massimizzare una metrica imperfetta, favorendo invece strategie che risultino effettivamente valide dal punto di vista della ricerca scientifica.
L’architettura non prevede inoltre lo sviluppo da zero di tutti gli strumenti necessari. Faraday è basato su Qwen 3.6 nella variante da 27 miliardi di parametri e utilizza come strumento esterno di coding Codex basato su GPT-5.5. L’agente scientifico decide quindi quando e come ricorrere al sistema di programmazione, in modo analogo a un ricercatore che utilizza software e strumenti già disponibili invece di costruirli ogni volta autonomamente. La capacità centrale non consiste quindi necessariamente nell’eseguire direttamente ogni operazione, ma nel coordinare efficacemente strumenti esterni e integrarli all’interno della strategia sperimentale.
Inherent ha inoltre verificato se il sistema fosse in grado di andare oltre la semplice memorizzazione di lavori esistenti. Per questo sono stati creati 20 paper “immaginari”, ottenuti modificando artificialmente parte dei risultati scientifici originali. Faraday ha dovuto quindi formulare ipotesi e progettare esperimenti partendo da risultati che non esistevano nel materiale utilizzato in precedenza. Anche in questo scenario il sistema avrebbe superato GPT-5.5 nella capacità di inferire ipotesi plausibili, indicando che le prestazioni non dipendono soltanto dal recupero o dalla riproduzione di conoscenze già presenti nei dati di addestramento.
L’approccio di Inherent punta quindi a separare due elementi spesso confusi nello sviluppo degli AI scientist: la quantità di conoscenza contenuta nel modello e la qualità delle decisioni prese durante il processo di ricerca. Faraday utilizza un modello relativamente compatto rispetto ai principali sistemi frontier, ma viene addestrato specificamente a scegliere tra più possibili direzioni, valutare i risultati intermedi e utilizzare strumenti esterni. In questo modo l’azienda cerca di ottenere prestazioni scientifiche elevate senza basarsi esclusivamente sull’aumento del numero di parametri.
Inherent è stata fondata da ex ricercatori di Google DeepMind e ha recentemente raccolto 50 milioni di dollari in un round seed. Il cofondatore e chief scientist Edward Hughes ha spiegato che l’obiettivo principale non è la semplice riproduzione automatica dei paper, ma l’apprendimento del giudizio scientifico che emerge durante questo processo. La società punta quindi alla costruzione di un ambiente di ricerca nel quale agenti AI e scienziati umani collaborino nella formulazione di ipotesi e nella scoperta di nuove conoscenze, piuttosto che alla sostituzione diretta dei ricercatori.
Il nome Faraday richiama il fisico britannico Michael Faraday e il metodo con cui, nel XIX secolo, riproducendo esperimenti esistenti sull’elettromagnetismo arrivò a osservare fenomeni che avrebbero contribuito allo sviluppo del motore elettrico. La scelta sintetizza anche l’impostazione del progetto: utilizzare la riproduzione della ricerca esistente non come obiettivo finale, ma come processo attraverso il quale un sistema AI può apprendere a formulare nuove ipotesi, scegliere esperimenti e potenzialmente individuare risultati non ancora noti.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)