企业官网建设流程全解析

AI for Science成重要方向，AlphaFold有局限

AI for Science已成为AI最重要的应用方向之一。2024年，Google DeepMind的Demis Hassabis和John Jumper凭借以AlphaFold2为核心的蛋白质结构预测工作获诺贝尔化学奖。但本质上，AlphaFold更多是执行层面的，它是强大的科学预测模型，能计算并预测蛋白质或分子复合物的三维结构。然而，现有的大多数AI for Science系统，无法判断哪些问题值得研究，也无法在过程中即时学习，更擅长在定义清晰的问题空间里加快探索和执行速度，却无法在科学的边界探索真正的未知。

Inherent创立，目标催生新发明

Inherent由前Google DeepMind AI Scientist团队负责人及多位DeepMind成员共同创立，其核心目标是打造能够进行开放式探索的AI，催生一波全新的发明。形象地说，就是给现有AI for Science系统加上研究品味和“大脑”，让系统不仅知道怎么干，还知道应该干什么。

Inherent获5000万美元种子轮融资

Inherent近期获得5000万美元的种子轮融资，由Index Ventures和Radical Ventures领投，NVentures、Ex/Ante、Metaplanet、Macroscopic Ventures、Mythos Ventures等机构投资人，以及Charlie Songhurst、Mike Chalfen、David Luan、Dwarkesh Patel、Thomas Wolf、Jakob Foerster和Max Jaderberg等个人投资人参投。

强大创始团队，推动AI科研升级

Inherent由Tantum Collins（CEO）、Edward Hughes（首席科学家）、Louis Kirsch和Kaloyan Aleksiev（CTO）联合创立。Tantum Collins此前在DeepMind研究如何利用机器学习、文献计量和科研数据帮助研究机构判断技术趋势、配置资源和改进组织决策。Louis Kirsch长期研究自动发现学习算法、meta - learning和递归自我改进，曾让系统重新发现类似反向传播的学习机制，加入Google DeepMind后，创建并领导LLM - based AI Scientist团队，Edward Hughes随后共同领导这支团队，Hughes此前还完成了Genie 1世界模型的最终实现，并参与AlphaProof相关工作。Kaloyan Aleksiev曾在Microsoft和Reka AI工作，补足团队在模型工程与基础设施上的经验。

AI科研进入新阶段，多方面有变化

AI进入科研的方式正在从执行逐渐走向更上层的研究过程，甚至开始进入AI研发本身，这也是RSI（Recursive Self - Improvement，递归自我改进）目前最现实的形态之一。如DeepMind的AlphaEvolve让Gemini不断生成程序，由自动评估器实际运行、打分，再保留更好的方案继续变异，已优化Google数据中心、TPU和Gemini模型训练，部分改进反过来提高了训练其自身底层模型的效率。另一层变化是AI开始进入科研决策循环，Kirsch公开的LLM - based AI Scientist研究框架，是以大语言模型作为“思考引擎”，让Agent不断完成“提出假设 - 设计和运行实验 - 分析结果 - 提出下一轮假设”的循环，并直接通过实验反馈学习下一步该研究什么。

新科学探索范式将至，AI需科学直觉

Inherent认为，行业正站在新科学探索范式的门槛上。基础模型能对人类知识进行编码，不受单个人脑局限性的制约，计算机模拟研究范围的扩大，加上物理实验室自动化程度的提高，正推动高通量、低延迟实验能力的急剧提升。若赋予AI科学直觉，整个系统就能以前所未有的规模深化和拓展对宇宙的理解。Edward Hughes表示：“我们始终受一个北极星目标的指引：打造AI科学家智能体，并赋予它们科研品味。”那么，如何训练出具备范式转换洞察力的AI？在探索新知的过程中，“AI科研品味”究竟是怎样的？

Faraday：迈向新范式的第一步

Inherent认为下一场科学革命取决于培养具备好奇心的AI，让它们不仅能回答定义明确的问题，还能判断应该提出哪些问题，并在人类协作下进入没有唯一最优下一步的开放研究空间。Faraday就是Inherent对这个问题给出的第一步答案，它定位是位于Coding Agent之上的一层“scientific intelligence”，可理解为AI科学研究系统的大脑。Faraday基于Qwen3.6 - 27B进行后训练，负责判断应该研究什么、怎样设计实验、如何在有限预算下缩小实验，以及结果是否真正验证了论文的主张；具体写代码、调试和运行实验，则把GPT - 5.5 Codex当作工具使用，就像人类研究人员使用Coding Agent一样。

Replica：训练科研决策能力

“科研判断”很难直接用强化学习训练，为此Inherent构建了Replica，把论文复现变成一个可以规模化训练的强化学习任务空间。初始任务空间包含来自100篇机器学习和AI for Science论文的310项任务，其中242项用于训练，68项AI for Science任务完全留作测试。每项任务都会把论文中的一张结果图删除，让Agent在看不到原图的情况下，用60分钟和一张H200的1/7 MIG切片重新完成实验；若原始实验规模太大，则要求它做“最忠实的缩小版实验”。这种限制是有意设计的，Agent不能简单照抄论文，必须自己判断哪些实验条件必须保留、哪些可以缩减，以及怎样在有限资源下仍然验证原论文最重要的结论。换句话说，Replica通过论文复现任务，训练Agent面对一个信息不完整的问题时如何做科研决策。因此，最后的图画得像不像也不能直接作为奖励，一个Agent完全可以硬编码几个数字，或者绕过论文真正的实验机制，得到一张很像的图。Inherent为每个任务单独生成一套评分细则，评价五个方面：视觉结果、是否复现论文的核心主张、实验实现是否忠实、算力使用是否合理，以及是否遵守科研规范。GPT - 5.5 Codex作为评判模型（Judge），可以查看完整代码、Git记录、Agent操作轨迹和原始结果，甚至重新运行代码。Inherent把这些要求归结为一个词：科研品味（research taste）。

训练优化，Faraday表现出色

为让长周期强化学习更稳定，Inherent加入了多样本聚合和轮次级信用分配，评判模型不仅看最终结果，还会判断研究过程中哪些步骤真正影响了实验成败，并给予这些关键决策更高的训练权重。实验显示，去掉轮次级信用分配后，训练很快失稳；保留之后，Faraday能够逐渐学会更有效地设计实验和调用Coding Agent。最终，在完全预留的AI for Science测试集上，Faraday平均得分达到0.791，高于Claude Opus 4.8的0.748和GPT - 5.5 Codex的0.729，并在60%的任务中同时超过两者。论文对具体轨迹的分析发现，Faraday更愿意真正实现论文结论背后的机制、忠实地缩小实验，并避免为了得到漂亮结果而走捷径，它的优势更多体现在科研判断上，而非单纯的代码能力。Faraday的科研判断还表现出较好的泛化能力，一个只使用GPT - 5.4 - mini训练的Faraday，在测试时无需重新训练，直接换用更强的GPT - 5.5 Codex，表现就能进一步提升，说明Faraday学到了一套相对独立的科研决策能力，可以泛化到不同Coding Agent，并随着底层执行工具变强继续受益。

持续探索，迈向新范式

复现论文只是第一步，Inherent希望逐步增加任务的不完整性，删去更多论文信息、改变实验预算，甚至构造不存在的论文，让Faraday在没有标准答案的情况下继续探索。Inherent将Faraday视为迈向这一新范式的第一步，把科学直觉（scientific intuition）与不断进步的Coding Agent结合起来。更长远看，公司希望AI Scientist不仅能回答定义明确的问题，还能判断“应该问什么问题”，进入没有唯一最佳下一步的开放研究空间。

对RSI理解不同，有望提升研发效率

Inherent对RSI的理解有所不同，希望把递归自我改进从单个Agent扩展到整个实验室，研究讨论、资源分配、硬件基础设施、训练数据和学习算法，都可由AI参与改进，并形成复合效应，Inherent将这种思路称为“Recursive Collective Self - Improvement”（递归式集体自我改进）。RSI真正改变的是AI研发的效率上限，过去模型进步很依赖顶尖研究员，人来判断方向、设计实验，再一轮轮验证。若AI连科研判断也能逐步接手，AI研发就有机会从“人定方向、AI做实验”，走向更完整的自动研究闭环。一旦这个循环跑起来，速度会继续叠加，AI帮助开发更好的模型、算法和基础设施，更强的AI又能参与下一轮研发。到这个阶段，AI研发速度就不再主要取决于有多少研究员，而会越来越取决于算力、实验效率和验证能力。所以，RSI接下来的难点，已经从实验执行转向科研判断：什么值得研究、什么结果可信，以及下一步该往哪里走。

前沿探索，中国市场潜力大

目前这一方向仍然很早期，但已有一些前沿实验室开始探索不同路径。Recursive Superintelligence开发了一套自动AI研究系统，围绕目标持续完成“提出想法 - 实现 - 运行实验 - 验证结果 - 选择下一项实验”的循环，并行维护多个研究分支。Sakana的AI Scientist已可以自动完成一套较完整的科研流程，包括提出研究想法、编写代码、运行实验、分析结果、撰写论文和进行同行评审。Anthropic代码库中超过80%的代码由Claude编写；在目标和评价标准明确的模型训练优化实验中，Claude已可以自主修改代码、运行实验并持续优化。在中国市场，过去两年，中国AI创业的主流方向是物理AI和Agent，整体都在试图往AI的实际应用走得更深。RSI方向已有一些前沿实验室在探索，例如字节Seed和Kimi，但创业公司做这个方向的还不多，当然，这个领域本身也还很早期。但这个方向的潜力很大，一旦这样的循环开启，AI自身，以及AI能够影响到的各个领域，迭代速度都会进一步加快。阿尔法公社已完成对光帆科技（Lightwear）、诺亦腾机器人（Noitom Robotics）、光智时空（Looki）、清智元视（Pixboom），玄源科技（X - Origin - AI）、湃锐创新（Breezenith），寅谱计算（Infplane）、安纳智芯、共绩科技等AI软硬件初创公司的早期投资，多家公司一年内完成数轮后续融资，有更多优秀企业围绕着AI产业革命不断涌现。那么，创业者能否在这个领域带来更多创新呢？