--- title: "Inherent lança agente de IA que supera Anthropic e OpenAI na replicação de pesquisas" author: "Ignácio Afonso" date: "2026-08-24 06:15:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/08/24/inherent-lanca-agente-de-ia-que-supera-anthropic-e-openai-na-replicacao-de-pesquisas/md" --- ## Resumo - A Inherent, startup londrina fundada por ex-membros da Google DeepMind, apresentou o agente Faraday para auxiliar na replicação de pesquisas científicas. - O Faraday opera com 27 bilhões de parâmetros, utiliza o Qwen 3.6 e, segundo a empresa, superou modelos maiores em uma tarefa específica. - A comparação envolveu o Claude Opus 4.8 e o GPT-5.5 na reconstrução de resultados de pesquisas publicadas. - O conjunto Replica reúne 310 tarefas extraídas de 100 artigos e exige a reprodução de figuras sem acesso ao gráfico original. - A metodologia de treinamento usa aprendizado por reforço para desenvolver critérios de qualidade experimental. - A falta de detalhes sobre a arquitetura e de avaliações independentes mantém as conclusões como alegações ainda sujeitas a verificação. --- Uma **startup britânica sediada em Londres**, fundada por ex-membros da Google DeepMind, apresentou recentemente o Faraday, um agente de inteligência artificial que, segundo a própria Inherent, superou sistemas de maior escala em uma tarefa específica: reproduzir resultados de pesquisas publicadas. O ponto que merece atenção não é apenas a disputa com laboratórios conhecidos, mas a tentativa de fazer uma máquina escolher caminhos experimentais, executá-los em um ambiente computacional e reconstruir uma figura científica sem receber o gráfico original. A seguir, desbugamos o que foi medido, onde a comparação faz sentido e por que a alegação ainda precisa de verificação independente. ## Uma startup de Londres aposta em uma IA que faz ciência Antes de o Faraday aparecer nos resultados de comparação, a Inherent já havia atraído atenção pelo tamanho do financiamento recebido para uma empresa em fase inicial. A startup obteve **US$ 50 milhões** em uma rodada seed, nome dado ao investimento que sustenta os primeiros passos de uma companhia e de seu produto. A rodada foi co-liderada pela **Index Ventures** e pela Radical Ventures, colocando a criação de agentes voltados à pesquisa científica no centro da proposta empresarial. O dinheiro, porém, não é a notícia por si só: ele ajuda a explicar por que a Inherent consegue tratar a pesquisa automatizada como um projeto de longo prazo, e não apenas como uma demonstração isolada. Esse financiamento também veio acompanhado de nomes ligados à indústria de tecnologia e à formulação de políticas de inteligência artificial. A **NVentures**, braço de risco da NVIDIA, participou do investimento, enquanto **Matt Clifford**, ex-czar de IA do Reino Unido, atua como conselheiro da Inherent. A empresa concentra o trabalho no Faraday e o descreve como uma ferramenta para ajudar cientistas a identificar perguntas científicas relevantes, uma etapa anterior à execução de qualquer experimento. A conexão entre financiamento, aconselhamento e definição de problemas conduz ao ponto central da proposta: uma IA científica não deveria apenas responder perguntas, mas colaborar na escolha do que vale a pena investigar. ## O que existe dentro do Faraday No núcleo técnico da demonstração está um modelo com **27 bilhões de parâmetros**, baseado no Qwen 3.6. Parâmetros são os valores internos usados para configurar o comportamento de um modelo, e o número costuma ser apresentado como uma indicação de seu porte, não como uma nota automática de qualidade. A própria Inherent afirma que o Faraday conseguiu superar sistemas de maior escala, o que torna a comparação interessante justamente porque ela não depende da ideia de que o maior modelo sempre vence. Nesse caso, a pergunta passa a ser outra: como o sistema organiza seu trabalho quando precisa testar hipóteses em vez de apenas produzir uma resposta pronta? A resposta anunciada pela fundadora da Inherent está na expressão **“gosto de pesquisa”**, tradução de research taste. O termo descreve, na apresentação da empresa, a capacidade de escolher uma direção experimental e perceber quais tentativas parecem mais promissoras, sem receber previamente o resultado que deveria alcançar. O agente também é descrito como capaz de realizar experimentos por conta própria dentro do ambiente computacional disponível, em vez de limitar sua atuação à redação de uma explicação. A piada é sem graça, mas ajuda: o Faraday não foi apresentado como uma máquina de apertar Ctrl+C e Ctrl+V; a promessa é que ele descubra como refazer o caminho. ## Como a comparação com os rivais foi feita Na comparação com a **Anthropic**, o Faraday teria superado o Claude Opus 4.8 na tarefa de replicar resultados de pesquisas publicadas. Replicar, neste teste, não significa afirmar que a IA compreendeu toda a área científica de um artigo ou que substituiu os autores originais. Significa tentar reconstruir um resultado observável a partir das informações disponíveis, seguindo restrições semelhantes às de um experimento definido previamente. A diferença é importante porque transforma a avaliação em uma prova de execução: o sistema precisa decidir o que fazer, rodar procedimentos e produzir algo que possa ser confrontado com a figura esperada. A segunda referência foi o **GPT-5.5**, da OpenAI, também apresentado pela Inherent como um sistema de maior escala que ficou atrás do Faraday nessa tarefa delimitada. O resultado não autoriza concluir que o agente venceu todos os modelos em todas as atividades científicas, porque a fonte descreve uma comparação concentrada na replicação de resultados. O dado permite uma leitura mais precisa: um modelo menor, conforme a descrição divulgada, pode obter desempenho superior quando recebe uma tarefa que recompensa planejamento experimental e persistência, e não apenas velocidade ou fluência textual. A disputa, portanto, migra da quantidade de texto produzido para a qualidade das decisões tomadas ao longo do experimento. Para medir esse tipo de desempenho, a Inherent utilizou o **Replica**, conjunto formado por 310 tarefas de replicação extraídas de 100 artigos acadêmicos. Entre as áreas abrangidas estão o processamento de linguagem natural e a ciência dos materiais, campos nos quais uma figura pode condensar o resultado de várias decisões metodológicas. O conjunto também inclui tarefas relacionadas à previsão do tempo, ampliando a variedade de problemas usados na avaliação. A quantidade ajuda a dar forma ao anúncio, mas não elimina a necessidade de examinar como cada tarefa foi escolhida, quais critérios definiram uma reprodução correta e se o resultado se mantém fora do conjunto original. ## O desafio não era enxergar o gráfico original O desenho do Replica coloca uma barreira direta para respostas decoradas: o agente deve reproduzir uma figura do artigo sem ter acesso ao gráfico original. Ele recebe o **texto e a legenda** associados ao trabalho e precisa usar essas pistas para reconstruir o resultado dentro de restrições de tempo e de computação. Em termos práticos, a máquina não pode simplesmente copiar a imagem nem comparar cada tentativa com o original durante o processo. A velha dificuldade da ciência aparece em formato digital: refazer o experimento exige interpretar instruções, escolher procedimentos e lidar com o que não está explicitamente explicado, e essa sequência prepara o terreno para a metodologia de treinamento. O artigo acadêmico associado à pesquisa descreve uma metodologia baseada em **aprendizado por reforço**, técnica na qual um agente recebe sinais de avaliação ao tentar alcançar um objetivo e ajusta seu comportamento a partir dessas tentativas. Aqui, o objetivo é treinar sistemas para replicar achados científicos usando o contexto fornecido pelo artigo e acesso a um ambiente computacional. A tarefa foi desenhada para investigar se a IA consegue aprender critérios de qualidade experimental, em vez de apenas memorizar respostas. Essa escolha aproxima o Faraday de um assistente que aprende com o resultado de suas ações, embora a qualidade dessa aprendizagem ainda dependa de como o teste foi construído e auditado. ## O resultado é promissor, mas ainda não encerra a discussão É nesse ponto que a narrativa de “superar a Anthropic e a OpenAI” precisa ser lida com cuidado. A afirmação se apoia em um recorte concreto, com tarefas de replicação e artigos acadêmicos, mas não equivale a uma classificação geral de capacidade científica. A própria descrição do teste delimita o que foi observado: reconstruir figuras ausentes usando texto, legenda e computação sob determinadas restrições. Para pesquisadores, a diferença entre uma demonstração localizada e uma ferramenta confiável está na possibilidade de repetir a avaliação, examinar os dados e confirmar se o desempenho aparece em problemas que não foram usados na preparação do sistema. Essa verificação permanece em aberto porque a Inherent ainda não divulgou detalhes suficientes sobre a **arquitetura** do Faraday e sobre suas metodologias de avaliação independente. Arquitetura, neste caso, significa a organização técnica que define como os componentes do sistema trabalham juntos, e conhecê-la ajuda a entender o que foi realmente treinado e testado. O relato sobre a startup afirma que essa ausência mantém a eficácia do modelo como uma alegação que precisa de maior verificação. A cautela não diminui o interesse do experimento; ela separa o que foi anunciado pela empresa do que já pode ser aceito como conclusão replicada pela comunidade científica. A empresa também descreve o Faraday como um sistema de **autoaperfeiçoamento** para problemas científicos difíceis, enquanto sua equipe reúne talentos vindos da Microsoft e da Reka AI. O termo sugere um agente capaz de melhorar sua abordagem ao enfrentar tentativas sucessivas, mas a fonte não apresenta detalhes arquitetônicos que permitam medir exatamente esse processo. Por enquanto, o aspecto mais verificável da proposta é a combinação entre identificação de perguntas relevantes, execução de experimentos e reconstrução de resultados, não a imagem de uma máquina que pesquisa sem supervisão em qualquer área. Essa distinção é o que impede que a novidade seja reduzida a uma corrida publicitária por modelos maiores. ## O que o Faraday muda para a pesquisa científica Para quem acompanha a inteligência artificial aplicada à ciência, o Faraday muda a pergunta de avaliação. Em vez de perguntar apenas se um modelo escreve uma hipótese plausível ou resume um artigo, passa a fazer sentido perguntar se ele consegue transformar o texto do trabalho em uma sequência executável de testes. O Replica oferece uma forma concreta de observar essa capacidade, pois reúne **310 tarefas** derivadas de 100 artigos e exige a reconstrução de figuras sem o gráfico original. Ainda assim, o uso prático dependeria de resultados confirmados por avaliações independentes e de uma explicação clara sobre os limites do agente em cada área estudada. O próximo passo para interpretar a notícia é tratar o Faraday como uma demonstração específica de pesquisa assistida por IA, e não como prova de superioridade geral. A Inherent apresentou um agente que, segundo seus próprios resultados, encontrou caminhos experimentais capazes de superar modelos maiores em uma tarefa delimitada; as fontes também registram que faltam detalhes públicos sobre a arquitetura e avaliações independentes. Essa é a caixa de ferramentas para o leitor: observar o conjunto de tarefas, separar o que foi medido do que foi prometido e esperar verificações que mostrem se o desempenho se repete fora do teste original. Até lá, a história do Faraday é menos a chegada de um cientista artificial pronto e mais o registro de uma tentativa de ensinar máquinas a escolher, testar e conferir.