「大きいモデルほど賢い」という常識に、小さいモデルが一撃を入れました。DeepMind出身者が立ち上げたロンドンのAIラボInherentが、科学論文を独立して複製するAIエージェント「Faraday」を公開し、論文複製タスクでAnthropicのClaude Opus 4.8とOpenAIのGPT-5.5を上回ったと発表しました。Faradayが使うのは270億パラメータのQwen 3.6。相手は「はるかに大きい」フロンティア級です。中小企業にとっての読みどころは、性能そのものより「どうやって勝ったか」にあります。
何が起きたのか
配信元のTechCrunch AIによれば、事実関係はこうです。
- Inherentはロンドン・King's Cross拠点、DeepMind出身者らが設立。従業員は約12人で全員が対面勤務。年内に「20〜25人程度」へ増やす計画。
- ステルスを抜けて5,000万ドルのシードを調達した数週間後に、AIエージェントFaradayを公開。
- Faradayは、答えを事前に教えられずに、公開済み論文の結論を独立して再現する。
- 論文複製タスクで、Claude Opus 4.8とGPT-5.5を上回った。ただしFaradayが動くのは270億パラメータのQwen 3.6で、両者より「はるかに小さい」。
- 共同創業者兼チーフサイエンティストのEdward Hughes氏いわく、面白いのは「勝った結果」ではなく「どう作ったか」。
同じ出来事を扱った他社の報道は、今回集めた素材には0件でした。ですので本記事は、複数報道の食い違いを突き合わせる形ではなく、TechCrunch AIの1本を素材に、当社の実測と照らして読み解きます。他社がこの数字をどう検証したかは、素材からは分かりません。
| 項目 | Faraday | 比較対象 |
|---|---|---|
| モデル | Qwen 3.6 | Claude Opus 4.8 / GPT-5.5 |
| パラメータ | 270億 | 「はるかに大きい」（具体数は素材からは分からない） |
| タスク | 論文の独立複製 | 同左 |
| 結果 | 上回った（Inherent発表） | ― |
| コーディング | GPT-5.5 Codexを外部利用 | ― |
表のとおり、パラメータの具体数が出ているのはQwen 3.6の270億だけです。Claude Opus 4.8とGPT-5.5が何倍大きいのか、比較がどんな条件で行われたのかは、素材に書かれていません。
小さいモデルが勝った、の本当の意味
Inherentが狙ったのは「精度」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、どう設計すべきかの勘──を持たせることを目標にしたと書かれています。センスのような曖昧なものをどう教えるか。ここで使われたのが強化学習です。ルールを事細かに書く代わりに、良い結果に報酬を与える。報酬ベースの手法のほうが、多分野に広がる長期目標に汎化しやすいと賭けている、とHughes氏は述べています。
Inherentは、科学そのものがどう営まれているかを主教材にする代わりに、この報酬ベースの手法に軸足を置いています。目指すのは「多くの科学分野に貢献できるエージェント」であり、その北極星から逆算して設計している、というのが素材の説明です。
Inherentが「作らない」と決めたもの
Inherentの設計は、何を作るかより、何を作らないかがはっきりしています。
まず、自前のコーディングツールを開発せず、Faradayに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を使うのと同じ、という理屈です。つまり「小さく賢いコア＋既存の道具」という組み方をしています。
もう一つ作らないと決めているのが、ユーザーの聞きたいことを言うだけのエージェントです。Hughes氏が理想に挙げたのは、彼の好きなタイプの同僚──「これが気になって、自分で実験してみた。この結果、どう思う？」と返してくる同僚だと素材にあります。指示に従うだけでなく、自分で問いを立てて戻ってくる。この方向性は、中小企業のAI導入の順番と、そっくりです。既存ツールをそのまま使い、賢いコアだけを自社に合わせて仕込む組み方は既存ツールをそのまま使いながらAIが画面を操作する時代──Grok Botは中小企業の「システム刷新」問題を解くのかでも扱いました。
中小企業にとって何が変わるのか
この話を「大型モデルの契約は高いから解約せよ」と読むのは早すぎます。素材はコスト削減額を測っていません。言えるのは次の点です。
- 汎用の大型モデルは間口が広い分、どんな相談にも一応答えます。中小企業の「まず試す」には向いています。
- 一方、特定の業務に絞れば、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の両面で有利になり得る、という選択肢が現実味を帯びています。ただしFaradayの具体的なコスト・速度の数値は素材からは分かりません。
- 小さいモデルを「調べ屋」として使うなら、その前に「何を良しとするか（報酬の軸）」を業務に合わせて作り込む投資が効いてきます。汎用の賢さを買うより、自社の勘を仕込む発想です。
AIコストが「固定」から「変動」へ動く構造はAIコンピュート費用が「固定」から「変動」へ──GPU先物市場が動き出すと中小企業のAIコスト計画はどう変わるのかにまとめています。「大型を月額で買い続ける」以外の道が広がるほど、コストの前提そのものが揺れます。
当社の実測と突き合わせる
Faradayが示した「具体を報酬にすると効く」という筋は、当社（株式会社TOE / AIの鬼。当社はAI検索対策・AI導入支援を売りうる利害関係者です）の実測とも噛み合います。
- 2026年7月18日、Playwright経由でPerplexityに3クエリを投げた実測では、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した。「高品質」「短納期」といった抽象的なキャッチコピーは引用されていません。具体を書くほど拾われる、というのはInherentの「具体的な報酬設計が効く」と同じ向きの話です。
- 外部調査でも、プリンストン大学ほか「GEO: Generative Engine Optimization」（KDD 2024、10,000クエリ・9手法）は、記述の具体化や数値・出典の追加で可視性が30〜40%向上したと報告しています。抽象を具体に置き換える投資が効く、という点で一致します。
- 当社は運用中のAI API課金が0円で、社内業務の自動化は27本、日次の自動更新は29日分回っています。収集済みニュース3000件・自社要約つきニュース1514件・記事253本も、人手を介さず毎日自動で動いています。「大きいモデルに月額を払う」以外の道でも、業務は回ります。ただしこれは当社の運用実績であり、貴社で同じコストになる保証はありません。
なお、当社は「小さいモデルに報酬を仕込めば大型モデルに勝てる」ことを自分では測っていません。Faradayの複製精度・コスト・速度は、当社が検証したものではなく、Inherentの発表です。
この記事で言えないこと
- Faradayが「何倍小さいモデルで勝ったか」。相手のパラメータ数は「はるかに大きい」としか素材になく、具体数は分かりません。
- 比較の条件・複製の成功率・使ったベンチマークの詳細。素材に書かれていません。
- Faradayのトークンコストや実行速度が実際に何割安いか。素材は測っていません。当社も測っていません。
- 中小企業が小さいモデルを自社業務に載せたとき、いくら安くなるか。当社は測っていません。効果は保証できません。
- 同じ出来事の他社報道との食い違い。今回の素材に他社報道は0件のため、突き合わせができません。
まとめ
- Inherentが270億パラメータのQwen 3.6で動くFaradayを公開し、論文複製でClaude Opus 4.8とGPT-5.5を上回ったと発表しました（第三者検証は素材からは分かりません）。
- 鍵は大きさではなく、強化学習で「研究のセンス」を報酬として仕込んだこと。自前のコーディングツールは作らず、GPT-5.5 Codexを外部利用しています。
- Inherentは「聞きたいことを言うだけのAI」も作らないと明言し、自分で問いを立てて戻ってくる同僚を理想に据えています。
- 中小企業への含意は「大型を解約せよ」ではなく、特定業務に絞れば小さいモデルがコスト・速度で有利になり得るという選択肢が増えたこと。
- 当社実測では、AIに拾われるのは「0.03mm〜1.0mmの極薄板溶接」のような具体的記述で、抽象コピーではありません。GEO研究の30〜40%向上とも同じ向きです。ただしFaradayのコスト・速度・複製精度は当社が測ったものではなく、効果は保証できません。
この記事はTechCrunch AIの報道を素材に、当社（株式会社TOE / AIの鬼）のPerplexity引用元の実測（2026年7月18日）とAI API課金・自動化の運用実績、および外部調査「GEO: Generative Engine Optimization」（プリンストン大学ほか・KDD 2024）とあわせて書きました。
