Inherent: IA menor supera big techs na automação da ciência
Com US$ 50 mi e um modelo de 27B parâmetros, a Inherent ensina seu agente de IA a ter 'gosto por pesquisa', superando gigantes em testes de replicação de estudos científicos.
A startup londrina Inherent, fundada por ex-pesquisadores do Google DeepMind, anunciou que seu agente de IA, Faraday, superou o desempenho de modelos muito maiores da OpenAI e Anthropic. O feito foi alcançado em uma tarefa específica: reproduzir de forma independente os resultados de artigos científicos publicados, utilizando um modelo com apenas 27 bilhões de parâmetros, uma fração do tamanho dos sistemas concorrentes.
A demonstração, realizada semanas após a empresa sair do modo stealth com um aporte semente de US$ 50 milhões, não teve como objetivo principal a competição, mas sim a validação de uma abordagem arquitetônica e metodológica distinta. Segundo Edward Hughes, cofundador e cientista-chefe da Inherent, a replicação de estudos é um exercício padrão na formação de cientistas humanos, e o sucesso do Faraday neste teste valida a estratégia da empresa de focar na eficiência e na autonomia do agente.
O segredo não está no tamanho, mas na metodologia
O resultado da Inherent desafia a noção predominante de que o desempenho de um modelo de IA é diretamente proporcional ao seu tamanho e custo de treinamento. Enquanto o Faraday opera sobre o Qwen 3.6, um modelo de 27 bilhões de parâmetros, ele foi medido contra sistemas de fronteira como o Claude Opus 4.8 da Anthropic e o GPT-5.5 da OpenAI. Para a Inherent, o ponto central não foi vencer, mas sim como venceu.
A companhia aposta que, para tarefas complexas como a pesquisa científica, a arquitetura do agente e seu método de treinamento são mais críticos do que a força bruta computacional. A estratégia não é apenas treinar o modelo no conteúdo de como a ciência é feita, mas desenvolver uma capacidade mais fundamental e generalizável para o raciocínio científico.
Ensinando a IA a ter 'gosto por pesquisa'
Gostou desta análise? Receba a próxima primeiro.
Edição diária da IA News com impacto real para empresas — grátis no seu e-mail.
A principal inovação da Inherent é o esforço para embutir no seu agente Faraday o que os fundadores chamam de "gosto por pesquisa". Trata-se de uma intuição para identificar quais experimentos valem a pena ser realizados e como desenhá-los de forma eficaz. Para ensinar um conceito tão intangível, a empresa utiliza intensivamente o aprendizado por reforço (Reinforcement Learning - RL).
Em vez de seguir regras pré-definidas, o treinamento por RL recompensa o sistema de IA por resultados positivos, incentivando-o a aprender por exploração e a desenvolver um senso de direção. Essa abordagem é guiada pelo objetivo de longo prazo da startup, sua "estrela-norte": construir um agente de IA capaz de descobrir conhecimento científico novo, e não apenas verificar resultados antigos.
A comparação entre a abordagem da Inherent e a estratégia mais comum das big techs evidencia caminhos distintos para o desenvolvimento de IA:
- Modelo: A Inherent utiliza um modelo comparativamente pequeno e especializado (Qwen 3.6, 27B parâmetros), enquanto gigantes tendem a focar em modelos de uso geral com centenas de bilhões ou trilhões de parâmetros.
- Treinamento: O foco da startup está no aprendizado por reforço para desenvolver "gosto" e autonomia, em contraste com o pré-treinamento massivo em dados textuais que caracteriza os grandes modelos de linguagem.
- Objetivo do Teste: A Inherent buscou validar uma metodologia de agente autônomo e eficiente, enquanto benchmarks de modelos maiores frequentemente visam demonstrar capacidade de seguir instruções com precisão.
- Estratégia de Ferramentas: O Faraday foi projetado para usar ferramentas externas, como o GPT-5.5 Codex da OpenAI para programação, replicando o comportamento de cientistas humanos que utilizam softwares existentes.
Um 'colega de equipe' que desafia o status quo
A filosofia da Inherent é criar um agente que funcione como um "colega de equipe". O objetivo não é um sistema que apenas executa ordens, mas um que tenha iniciativa. Hughes descreve o agente ideal como aquele que retorna e diz: "Fiquei curioso sobre isso, fiz estes experimentos por conta própria. O que você acha dos resultados?".
Essa mentalidade colaborativa se reflete na operação da empresa. Seus doze funcionários trabalham presencialmente em um escritório em King's Cross, bairro de Londres que se tornou um dos principais polos de IA do mundo, em grande parte pela presença do Google DeepMind. A startup planeja crescer para "cerca de 20 a 25" pessoas até o final do ano, potencialmente atraindo mais talentos da DeepMind.
O próprio Hughes, no entanto, aponta para desafios estruturais que podem frear a inovação no Reino Unido, como a prática do "garden leave", que impede funcionários de se juntarem a um concorrente por meses após a demissão. Segundo ele, essa é uma desvantagem competitiva em relação ao ecossistema de startups dos EUA, onde tais restrições são menos comuns.
Análise IA News
A leitura da nossa redação
O resultado da Inherent é um forte sinal de que o axioma de que "maior é melhor" no universo da IA tem limites claros, especialmente em domínios especializados. A inovação aqui não está no hardware ou na escala de dados, mas é primariamente arquitetônica e metodológica. Ao se concentrar em como um agente raciocina — desenvolvendo "gosto" via aprendizado por reforço — em vez de apenas o que ele sabe por meio de dados massivos, a Inherent desenha um caminho com maior eficiência de capital para atingir alta performance em tarefas complexas.
Dois cenários prováveis emergem a partir daqui. O primeiro é o nascimento de uma nova categoria de agentes de IA verticais e altamente eficientes para mercados como farmacêutico, novos materiais e engenharia, onde o "gosto por pesquisa" é um diferencial competitivo claro. O segundo é uma reação das big techs, que podem começar a incorporar arquiteturas de agentes e técnicas de RL mais sofisticadas em seus modelos de fronteira, buscando evoluir de simples seguidores de instrução para parceiros proativos de raciocínio. Por ora, startups como a Inherent possuem uma vantagem inicial importante nesta abordagem.
O principal risco para a tese da Inherent é a escalabilidade do conceito para a descoberta genuína. Replicar pesquisas existentes, embora complexo, é um problema estruturado com uma resposta conhecida. A questão fundamental é se o "gosto por pesquisa" aprendido neste contexto pode ser generalizado para a descoberta de conhecimento científico inédito, um desafio aberto e não estruturado. Os próximos passos da empresa serão cruciais: a aplicação do Faraday em problemas científicos ainda não resolvidos será o teste definitivo de sua abordagem. O que observar nos próximos meses é o fluxo de talentos de pesquisa; se mais nomes de peso da DeepMind se juntarem à Inherent, será uma forte validação de sua tese.
— Análise da redação do IA News
Contexto para empresários e decisores
O mercado de IA para Pesquisa & Desenvolvimento (P&D) é nascente, mas com altíssimo potencial, especialmente em setores com ciclos de descoberta longos e caros, como o farmacêutico e o de novos materiais. A Inherent compete não apenas com outras startups especializadas, mas indiretamente com as plataformas de P&D das próprias big techs, como as da DeepMind. O custo de desenvolvimento, embora menor que o de modelos de fronteira, ainda demanda capital significativo, como prova o aporte de US$ 50 milhões. A regulação sobre agentes autônomos ainda é incipiente, mas questões sobre propriedade intelectual das descobertas e ética da pesquisa surgirão. No Brasil, a adoção é experimental, restrita a grandes corporações e institutos de pesquisa com orçamentos de inovação dedicados.
Impactos para empresas
- 1Aceleração do ciclo de P&D: Resulta na redução do tempo de validação de hipóteses e replicação de estudos, diminuindo o time-to-market para novas descobertas e produtos.
- 2Otimização de custos de pesquisa: Permite que equipes de P&D testem mais caminhos de pesquisa com menor alocação de recursos humanos e laboratoriais, melhorando o ROI de projetos de inovação.
- 3Descentralização da capacidade de inovação: Demonstra que modelos menores e mais inteligentes podem competir com gigantes, permitindo que empresas de menor porte adotem ferramentas de IA de ponta para P&D sem depender exclusivamente do ecossistema das big techs.
- 4Aumento da eficiência de talentos: Libera pesquisadores de tarefas repetitivas de validação, permitindo que se concentrem na formulação de hipóteses criativas e na interpretação de resultados complexos gerados pelos agentes de IA.
Conclusão editorial
O avanço da Inherent é menos sobre vencer uma competição e mais sobre provar uma tese: a inteligência do agente, e não apenas o tamanho do modelo, é o gargalo da automação complexa. A abordagem focada em "gosto por pesquisa" via aprendizado por reforço aponta para um futuro de IA mais eficiente e especializada. Empresas devem monitorar essa tendência, pois ela redefine o cálculo de custo-benefício para a implementação de IA em processos críticos como P&D.
— Redação IA News
Fontes utilizadas
Apuração, análise e conclusão editorial produzidas pela redação do IA News a partir das fontes acima. O conteúdo não reproduz o texto original.