当全球科技巨头竞相追逐更大规模参数时，一家伦敦初创公司Inherent推出的智能助手Faraday，却凭借仅270亿参数的小模型，在科学论文复现任务中击败了GPT-5.5与Claude Opus 4.8。这一结果不仅令人意外，更引发了对AI技术发展路径的深刻反思。
小参数大能量：Faraday凭什么击败前沿大模型？
在AI技术领域，参数规模长期被视为模型能力的重要标尺。从GPT系列到Claude系列，大模型厂商不断将参数推向数千亿甚至万亿级别，似乎“更大”才意味着“更强”。然而Inherent公司推出的智能助手Faraday，却用一场漂亮的实验击碎了这一固有认知。
Faraday仅基于Qwen 3.6模型，参数规模只有270亿，而它的对手——Anthropic的Claude Opus 4.8和OpenAI的GPT-5.5——都是参数规模庞大的前沿系统。在事先不知道答案的情况下，Faraday自主复现已发表科学论文中的研究结果，其表现竟然超越了这两位“巨无霸”。
这看似违背直觉的结果，恰恰说明了模型能力并不完全取决于参数数量。大模型训练通常意味着高昂的计算成本和海量数据消耗，但小参数模型如果训练得当，完全可以在特定任务上实现更高效率。Inherent的成功提示我们，AI竞争正在从“军备竞赛”转向“巧智胜出”。
更重要的是，Faraday的胜利并非偶然。团队在模型架构、训练方法和任务设计上做了大量针对性优化，使得小模型能够精准聚焦科学复现这一具体场景。这让我们意识到，在AI Agent技术快速迭代的今天，单一维度的参数比拼正在变得过时，真正的智能来自对问题的深刻理解和高效的目标导向训练。
毕竟，对多数科技产品而言，用户需要的并不是一个“什么都懂一点”的庞然大物，而是一个在关键任务上可靠、高效的助手。Faraday用实际表现证明了小参数模型的巨大潜力。
强化学习：培养AI的“研究品味”
如果说科学复现是Faraday的“杀手锏”，那么强化学习则是支撑这一能力的核心引擎。与传统监督学习不同，强化学习并不给模型提供明确的规则或标准答案，而是通过奖励机制引导模型从试错中学习更优策略。
Inherent联合创始人兼首席科学家Edward Hughes指出，真正的难点并不是让AI记住论文步骤，而是培养所谓的“研究品味”——即判断哪些实验值得做、如何设计实验更合理的能力。这种难以量化的能力，恰恰是优秀科学家的核心素养，也是强化学习能够发挥作用的地方。
在训练Faraday时，Inherent没有让它仅仅学习海量科研文献，而是更依赖基于结果奖励的强化学习路径。当模型成功复现一篇论文时，它会得到正向反馈；当实验设计不当时，则受到抑制。经过大量迭代，Faraday逐渐学会了如何规划实验流程，甚至能对实验步骤进行自主调整。
这种训练方式与人类博士生的成长路径颇为相似。Hughes表示，很多博士生刚开始科研时，就是从复现他人论文做起，在这一过程中逐渐培养学术品味。Faraday本质上是在模拟这种“科研学徒”机制，只不过它学习的速度远超人类。
值得注意的是，强化学习的应用正在从游戏、机器人等领域扩展到科学发现。如今，AI工具导航平台上已经能看到不少基于强化学习的AI产品，它们正在帮助研究者优化实验方案、筛选候选药物分子。Faraday的成功，为这一趋势提供了新的注脚。
在AI技术走向成熟的过程中，强化学习正成为连接“数据拟合”与“真实价值”的桥梁。它让AI不再只是被动地学，而是主动地探索——这对科学发现而言至关重要。
不造轮子：专注科学发现的独特产品哲学
在AI创业公司中，许多团队倾向于“全栈自研”，从基础模型到上层应用都要自己打造。但Inherent却反其道而行之。最典型的例子是，Faraday并没有使用自研的编程工具，而是直接调用OpenAI的GPT-5.5 Codex来完成相关任务。
这种“不造轮子”的理念，源于他们对目标的高度专注：打造能够发现全新科学知识的AI，而不是卷入AI编程工具的军备竞赛。Hughes表示，科学家使用现成的软件工具是天经地义的事，AI智能体也可以采取同样的策略。
这种务实的产品哲学，让Inherent能够把有限资源集中在核心算法和训练策略上。要知道，这家公司刚完成5000万美元的种子轮融资，团队仅有12人左右。相比之下，那些动辄数千人的大模型公司，很难在细粒度科学任务上投入如此专注的精力。
与此同时，Inherent还刻意避开“讨好型AI”的陷阱。许多聊天式智能助手倾向于迎合用户观点，给出用户想听的答案。但Faraday被训练成更接近“敢说真话的队友”——它会主动告诉研究者：“我对这个问题产生了兴趣，自己做了这些实验，你看看结果怎么样？”
这种协作风格，源于Hughes对科研团队文化的理解。他希望智能助手能够成为真正的研究伙伴，而不是一个只会附和的声音。这种定位，让Faraday在众多AI工具箱中的效率类产品中显得格外另类，却也更接近科学研究的本质。
从科技产品的设计哲学看，Inherent并不想包揽一切，而是专注于“AI科学家智能体”这一细分领域。这种克制，或许正是小团队在巨头夹缝中生存的关键。
伦敦AI生态：人才与制度的竞速
Inherent选择将办公室设在伦敦国王十字区，这并不是偶然。过去几年，随着Google DeepMind在当地的发展，国王十字区已经从破败社区转变为全球AI创新中心之一。人才密度、学术氛围、创意资本，在这里形成了独特的叠加效应。
“我们相信，伦敦就是最适合发展的地方。”Hughes这样解释团队的选择。他认为，伦敦拥有高度密集的AI人才，尤其是在深度学习、强化学习等方向上有深厚积累。对于一家需要顶尖研究人员的初创公司来说，地理位置的战略意义甚至超过融资额。
事实上，Inherent的三位联合创始人均来自前DeepMind。这种“前DeepMind系”的身份，让他们能迅速获得资本和行业关注。但伦敦的人才生态也并非没有隐忧。Hughes公开呼吁英国取消“竞业休假”（garden leave）制度——这一制度允许离职员工在数月内不得加入竞争对手或创办竞争企业。
在美国，研究人员通常不受类似限制，这使得美国初创公司在招揽刚刚离职的AI人才时更具先发优势。Hughes本人也曾经历过“竞业休假”的束缚，最终才找到办法绕开限制，与伙伴们共同创立Inherent。
不过，随着Demis Hassabis出任新职，一些DeepMind员工的未来出现不确定性。Inherent计划在年底前将团队扩大到20至25人，这家快速成长的公司，或许会成为考虑离开DeepMind的员工的新去处。在AI Agent技术人才争夺战愈演愈烈的当下，伦敦能否维持其创新地位，将取决于制度与市场的协同演进。
从复现到创造：智能助手的下一站
复现论文只是Faraday的第一步。Inherent的终极愿景，是让AI智能体像人类科学家一样发现全新的科学知识，而不仅仅是验证已知结果。听起来像是“小把戏”的论文复现，实际上是通往这一宏大目标的关键训练场。
“很多博士生实际上都是从这件事开始的。”Hughes用这句话来强调复现对于科研训练的价值。如果AI能够稳定地复现各类论文中的实验，那么它就已经掌握了科学方法的基本框架。接下来，只需将目标从“验证已知”切换到“探索未知”，AI科学家便有了可能与人类并肩。
为了实现这一跨越，Faraday需要具备更强的跨域泛化能力。Hughes透露，团队始终以“赋予智能体研究品味”为北极星目标，通过强化学习让模型在长期目标上不断优化。这意味着，Faraday不仅要学会做实验，还要学会判断问题价值、设计研究路径、甚至提出新假设。
这种能力一旦成熟，将彻底改变科研范式。想象一下，当科学家提出一个想法，智能助手可以立即生成实验方案、模拟可能结果、指出潜在风险——就像一位不知疲倦的合作者。在未来的实验室里，也许会出现大量像AI画图那样直观易用的科研智能工具，让研究者从重复劳动中解放出来，专注于创造性思考。
当然，从复现到创造之间还有很长的路要走。但Faraday已经证明，只要方向正确，小模型也能撬动大变革。对于创业者而言，这无疑是一个令人振奋的信号：不必追逐最大的参数，专注于最有价值的问题，同样能创造奇迹。
小模型路线：科技产品的新想象
Faraday的崛起，给科技产品行业提供了一个值得深思的案例。长期以来，业界默认“更大更全”的模型才能代表未来，但Inherent用“小而精”的策略打开了一条新路。
从成本视角看，小参数模型对算力要求更低，训练和推理开销都显著减少。这意味着创业公司可以用相对有限的资源，打造出在特定领域表现出色的AI产品。对于多数应用场景而言，“够用且好用”可能比“通用且昂贵”更有市场价值。
从用户体验看，小模型更容易针对具体领域做深度调优。Faraday在科学复现任务上的表现，就超越了尚未针对性优化的通用大模型。这提醒我们，在AI技术融入各行各业的过程中，垂直化、专业化将是不可忽视的方向。
同时，小模型路线也降低了AI产品化的门槛。未来，更多的独立开发者和小团队或许可以借助开源基础模型，结合自己的领域数据，迅速构建出高价值应用。就像使用AI图片生成工具来快速产出创意素材一样，人们也将能更灵活地调配AI组件，组装出适合自己的科技产品。
当然，这并不意味着大模型会失去地位。在需要广泛知识和复杂推理的场景中，大模型仍然不可替代。但Faraday的案例让我们看到，未来的AI生态应当是多元共生的：既有通用巨人，也有垂直精灵。
或许在不久之后，我们都会像使用AI工具箱那样，按需选择不同规模的智能助手，让AI技术真正服务于千万个具体的需求。那才是科技产品最迷人的未来图景。