让AI长出“科研大脑”，Inherent获5000万美元种子融资｜AlphaFounders

AI for Science正从执行层走向科研决策层。2024年，AlphaFold2获诺贝尔化学奖，但它本质上是强预测模型，无法判断研究价值，也无法在过程中即时学习。现有系统更擅长在定义清晰的问题空间内加速执行，而非探索真正的未知。

Inherent由前Google DeepMind AI Scientist团队负责人及多位成员创立，目标是打造能进行开放式探索的AI，为现有系统加上“科研品味”和“大脑”。公司近期完成5000万美元种子轮融资，由Index Ventures和Radical Ventures领投，NVentures、Metaplanet等机构及多位个人投资人参投。

创始团队包括CEO Tantum Collins（曾研究用机器学习帮助机构判断技术趋势）、首席科学家Edward Hughes（共同领导LLM-based AI Scientist团队，参与Genie 1和AlphaProof）、Louis Kirsch（研究自动发现学习算法，曾让系统重新发现反向传播）及CTO Kaloyan Aleksiev（曾在Microsoft和Reka AI工作）。

AI进入科研的方式正从执行走向研究过程本身，这也是RSI（递归自我改进）的现实形态。DeepMind的AlphaEvolve已让Gemini生成程序并自动评估优化，用于改进数据中心和模型训练。另一层变化是AI进入科研决策循环：以LLM为“思考引擎”，让Agent完成“提出假设-设计实验-分析结果-再假设”的闭环。

Inherent认为，基础模型可编码人类知识，结合计算机模拟和实验室自动化，若赋予AI科学直觉，系统能以前所未有规模深化对宇宙的理解。Edward Hughes表示，团队目标是打造具备科研品味的AI科学家智能体。

Inherent的第一步答案是Faraday，定位为Coding Agent之上的“科学智能层”。它基于Qwen3.6-27B后训练，负责判断研究什么、如何设计实验及验证结果；具体代码执行则调用GPT-5.5 Codex作为工具。

为训练科研判断，Inherent构建了Replica，将论文复现变成可规模化训练的强化学习任务。初始任务空间含100篇论文的310项任务，其中242项训练，68项AI for Science任务留作测试。每项任务删除论文中一张结果图，要求Agent在60分钟和有限算力下完成“最忠实的缩小版实验”，不能照抄论文，必须自行判断关键条件。

评分不只看图是否相似，而是为每项任务生成五维度细则：视觉结果、核心主张复现、实现忠实度、算力合理性和科研规范。GPT-5.5 Codex作为评判模型，可查看代码、Git记录和操作轨迹。Inherent引入多样本聚合和轮次级信用分配，评判模型会判断哪些步骤真正影响成败并给予更高权重；去掉该机制训练会失稳。

在预留的AI for Science测试集上，Faraday平均得分0.791，高于Claude Opus 4.8的0.748和GPT-5.5 Codex的0.729，并在60%任务中同时超过两者。分析显示，Faraday更愿实现论文结论背后的机制、忠实缩小实验，优势在科研判断而非代码能力。其判断还具泛化性：用GPT-5.4-mini训练的Faraday，测试时换用GPT-5.5 Codex无需重训即可提升。

复现论文只是第一步。Inherent计划逐步增加任务不完整性，如删去更多信息、改变预算甚至构造不存在论文，让Faraday在无标准答案下探索。长远看，公司希望AI Scientist能判断“该问什么问题”，并将RSI从单个Agent扩展到整个实验室，涵盖讨论、资源分配、基础设施和算法改进，形成“递归式集体自我改进”。

RSI真正改变的是AI研发效率上限。一旦自动研究闭环跑通，AI研发速度将不再取决于研究员数量，而取决于算力、实验效率和验证能力。目前难点已从实验执行转向科研判断：什么值得研究、什么结果可信、下一步往哪走。这一方向仍早期，但已有前沿实验室开始探索不同路径。