DeepMind出身者が設立したロンドンのAIラボInherentが、科学論文を独立して複製するエージェント「Faraday」を公開し、AnthropicのClaude Opus 4.8とOpenAIのGPT-5.5を論文複製タスクで上回ったと発表しました。勝因はモデルのサイズではなく、報酬ベースの強化学習で「研究のセンス」を仕込んだことだと創業者は述べています。中小企業が真似できるのはモデルの大小ではなく、その設計判断です。
何が起きたのか
出典はTechCrunch AIの2026年8月22日の報道です。要点を並べます。
- Inherentはステルスを抜けてから数週間、シード調達額は5,000万ドル。
- 公開したエージェントFaradayは、答えを事前に教えられずに公開論文の結論を独立して再現します。
- 論文複製は人間の科学者にとっても標準的な訓練で、共同創業者兼チーフサイエンティストのEdward Hughes氏は「多くの博士課程の学生が最初にこれをやる」と述べています。
- Hughes氏いわく、注目点は「フロンティアのエージェントに勝ったこと自体ではなく、そこに至る作り方」です。
- 自前のコーディングツールは作らず、FaradayにはOpenAIのGPT-5.5 Codexを使わせています。人間の科学者が既存ソフトに頼るのと同じ発想だと同社は説明しています。
- 従業員は十数名で全員がロンドン・King's Crossのオフィスに出社。年末までに「約20〜25名」へ増やす計画です。
- 共同創業者はLouis Kirsch、Kaloyan Aleksiev、Tantum Collins、Edward Hughesの各氏。DeepMind出身者3名と4人目の共同創業者で立ち上げています。
報道の数字が食い違っている（27億か270億か）
見出しは「小さいモデルが勝った」です。しかしモデルの規模を示す数字が、素材の中で食い違っています。
素材の日本語部分は「27億パラメータのQwen 3.6」と書き、英語原文は「Qwen 3.6 that has just 27 billion parameters（270億パラメータ）」と書いています。27億と270億という二つの数字が併記されており、どちらが正しいのかは素材からは確定できません。当社が確認できるのは「Qwen 3.6で動く」「Claude Opus 4.8とGPT-5.5より小さい」という相対的な事実までで、正確なパラメータ数は素材からは確定できません。
| 項目 | Faraday | Claude Opus 4.8 | GPT-5.5 |
|---|---|---|---|
| 提供元 | Inherent | Anthropic | OpenAI |
| 基盤モデル | Qwen 3.6 | 非公開 | 非公開 |
| パラメータ数 | 27億／270億（素材内で食い違い） | 「much larger」と記載のみ | 「much larger」と記載のみ |
| 論文複製タスクの結果 | 上回った（と発表） | 下回った | 下回った |
| コーディングツール | GPT-5.5 Codexを借用 | 素材に記載なし | 素材に記載なし |
規模の絶対値は分からなくても、「相手より数倍小さいモデルで勝った」という主張の構図は変わりません。ただし数字を丸めて概算に置き換えることはできません。
「勝った」の中身──サイズではなく報酬設計
Inherentが狙ったのは正確さだけではありません。Faradayに「research taste（研究のセンス）」──どの実験に価値があり、どう設計すべきかという勘──を持たせることを成功の条件にしています。
この無形の「センス」を教える手段が強化学習です。ルールを列挙する代わりに、良い結果に報酬を与えて学ばせる方法です。Inherentは科学の進め方そのものを教え込むより、この報酬ベースの方式が長期目標に汎化しやすいと賭けています。さらに、ユーザーに迎合するだけのエージェントを避け、「気になったので実験してみた、この結果をどう思う？」と返してくる同僚を理想像に置いています。
中小企業への含意はここです。大規模モデルの契約コストに圧倒される必要はないという話ではなく、自社の業務に合わせて報酬の軸を作り込めれば、小さなモデルを特定業務の「勘の良い部下」に寄せられる可能性がある、という設計の話です。ただしこれは可能性であって、成果を保証するものではありません。
中小企業にとって何が変わるのか
Faradayの作り方には、モデルの大小と無関係に真似できる判断が2つあります。
- 借りる判断：Inherentはコーディングツールを自作せずGPT-5.5 Codexを借りました。中小企業も「何を作り、何を借りるか」を最初に切り分けられます。詳しくは話題のAIは「自前のコードツールを作らなかった」──中小企業はAIで何を作り、何を借りるべきか？で扱いました。
- 絞る判断：汎用の大型モデルは間口が広い分、特定業務ではカスタマイズした小さいモデルがトークンコストと実行速度で有利になりうる、という主張です。この論点は27億のモデルが270億級に勝った？──中小企業は「小さくて勘の良いAI」を業務に絞って持てるのかと小さいモデルが大型モデルに勝った──中小企業は「勘の良い部下」を安く育てられるのか？で先に整理しています。
当社の実測と突き合わせる
株式会社TOE（AIの鬼を運営）はAI検索対策・AI導入支援を売りうる立場です。その前提で、手元の数字と突き合わせます。
「センスの良さ＝抽象より具体」という構図は、当社のAI検索の実測と一致します。2026年7月18日にPerplexityへ3クエリを投げたところ、引用されたのは「0.03mm〜1.0mmの極薄板溶接に対応」「1点から製作」のような具体的な記述の箇所で、「高品質」「短納期」のような抽象的なキャッチコピーは引用されませんでした。プリンストン大学ほかの「GEO」（KDD 2024、10,000クエリ・9手法）でも、記述の具体化と数値・出典の追加で可視性が30〜40%向上したと報告されています。報酬でも検索でも、報われるのは具体のほうだという点は共通します。
一方で、コストの側は当社の数字が控えめに使えるだけです。当社は社内業務の自動化を27本動かし、運用中のAI API課金は0円です。ただしこれは既存の仕組みを組み合わせた結果であって、小さいモデルを自前で学習・微調整して安く育てた実測ではありません。Inherentが示した「報酬設計で小型モデルにセンスを仕込む」効果を、当社は測っていません。
この記事で言えないこと
- FaradayのQwen 3.6が27億か270億パラメータか。素材の日本語と英語で食い違い、確定できません。
- 「上回った」の具体的な数値差（何ポイント、何%勝ったか）。素材に記載がありません。
- Claude Opus 4.8・GPT-5.5の正確なパラメータ数。「much larger」とあるだけです。
- 小さいモデルが実業務でコスト・速度に有利になる度合い。当社は小型モデルの学習・微調整を測っていません。
- Faradayが中小企業向けに提供されるか、価格や利用条件。素材に記載がありません。
- 同じ出来事を扱った他社の報道は0件で、突き合わせる別報道がありません。
まとめ
- Inherentが論文複製エージェントFaradayでClaude Opus 4.8とGPT-5.5を上回ったと発表。勝因はサイズではなく報酬設計で仕込んだ「研究のセンス」だとしています。
- 基盤のQwen 3.6の規模は素材内で27億とも270億とも書かれ、食い違っています。丸めた概算は書けません。
- 中小企業が真似できるのはモデルの大小ではなく、「借りる判断（GPT-5.5 Codexを借用）」と「絞る判断（特定業務にモデルを寄せる）」の2つです。
- 「抽象より具体が報われる」構図は、当社のPerplexity引用元実測やGEOの調査と一致します。
- ただし小型モデルを安く育てられるかは当社の実測外で、成果は保証しません。まず自社業務のどこを借り、どこに絞るかを決めるのが先です。
この記事はTechCrunch AIの報道を素材に、当社のPerplexity引用元実測（2026年7月18日）と、プリンストン大学ほか「GEO: Generative Engine Optimization」（KDD 2024）とあわせて書きました。
