DeepMind 출신 창립자의 Inherent, AI '팀원'이 Anthropic과 OpenAI를 능가하며 연구 복제에서 우수성 입증

DeepMind 출신 연구원들이 설립한 영국 AI 랩이 아시아의 모든 개발자와 창업가를 멈추게 할 주장을 내놨다: 그들의 AI 에이전트인 Faraday는 Anthropic이나 OpenAI가 지금까지 출시한 어떤 것보다도 과학 논문을 더 정확하게 복제할 수 있다는 것이다. DeepMind 출신 창립자들이 설립한 Inherent는 자신의 AI 시스템이 단순한 연구 보조 도구가 아니라 진정한 과학적 팀원이라고 주장한다. 이 벤치마크가 검증을 견딘다면, 이는 2026년 우리가 본 응용 AI 연구 도구 분야에서 가장 의미 있는 성능 도약 중 하나가 될 것이다.

무엇이 일어났는가

영국 AI 랩인 Inherent는 2026년 8월 22일 TechCrunch에 보도된 Faraday라는 AI 에이전트를 출시했다. 핵심 주장은 명확하고 분명하게 말할 가치가 있다: Faraday는 과학 연구 논문 복제 작업에서 Anthropic과 OpenAI의 경쟁 AI 시스템을 능가했다는 것이다.

복제는 사소한 벤치마크가 아니다. 이는 AI 시스템이 발표된 논문을 읽고, 그 방법론을 이해하고, 실험 설정을 재현하고, 원래 발견과 일치하는 결과에 도달해야 하며, 이 과정에서 손을 잡고 진행할 필요가 없다는 것을 의미한다. 이는 논문을 요약하거나 그에 대한 질문에 답하는 것과는 질적으로 다르다. Inherent에 따르면 Faraday는 이를 자율적으로 수행하며, 프롬프트를 입력하는 도구처럼 작동하기보다는 작업을 할당받는 동료처럼 작동한다.

창립팀의 배경이 여기서 중요하다. DeepMind는 역사적으로 지구상에서 가장 엄격한 AI 연구 환경 중 하나였다 — AlphaFold, AlphaGo, 그리고 수많은 동료 검증 논문의 배경이 된 랩이다. 그 문화에서 나온 창립자들은 "작동한다"가 실제로 무엇을 의미하는지에 대해 더 높은 기준을 가지고 구축하는 경향이 있다. 이것이 Inherent의 벤치마크가 완벽하다는 것을 보장하지는 않지만, Faraday 뒤의 방법론이 평균적인 스타트업의 보도자료 주장보다 방어 가능할 가능성이 높다는 것을 의미한다.

Faraday를 "도구"가 아닌 "팀원"으로 포지셔닝하는 것은 의도적이고 철학적으로 의미 있다. 이는 설계 철학을 신호한다: 시스템은 연구자나 개발자가 작업을 할당하고 단순한 시작점이 아닌 의미 있는 결과물을 기대할 수 있을 정도의 자율성을 가지고 작동하도록 의도되었다는 것이다. 이 프레이밍이 실제 연구 워크플로우와의 접촉을 견디는지는 아직 남아 있지만, 벤치마크 결과는 진지하게 받아들일 가치가 있는 신뢰성을 제공한다.

아시아에 중요한 이유

아시아의 연구 및 개발 환경은 변곡점에 있다. 싱가포르, 한국, 일본, 대만, 그리고 점점 더 동남아시아 전역의 대학들은 세계 수준의 AI 및 생명과학 연구를 생산하고 있다. 동시에 연구 산출물과 상용 응용 사이의 격차는 이러한 많은 시장에서 여전히 완고하게 넓다. 과학 작업의 복제 및 검증을 가속화할 수 있는 도구는 학자들을 돕는 것뿐만 아니라 발표된 논문에서 생산 준비 완료 인사이트까지의 시간을 단축한다.

싱가포르와 한국의 제약 및 바이오텍 부문을 생각해보자. 여기서 연구팀은 그들의 야망에 비해 규모가 작다. Faraday 수준의 에이전트가 자율적으로 실험 결과를 복제할 수 있다면, 5명의 연구원 팀이 15명 팀의 능력으로 효과적으로 경쟁할 수 있다는 것을 의미한다. 동일한 논리는 기초 모델 위에 구축하기 위해 경쟁 중인 지역 전역의 AI 연구 랩에도 적용된다 — 이전 작업이 실제로 무엇을 입증했는지, 단지 무엇을 주장했는지가 아니라 이해하는 것이 중요한 병목이다.

아시아 기술에 특정한 언어 및 접근 차원도 있다. 상당한 양의 고가치 과학 문헌이 영어로 존재하는 반면, 그것에 대해 행동해야 하는 많은 연구자들은 중국어, 한국어, 일본어 또는 인도네시아어로 작업하고 있다. 연구를 복제하고 종합할 수 있는 AI 에이전트 — 단순히 번역하는 것이 아니라 — 역사적으로 지역 전역의 지식 이전을 지연시켜온 마찰의 한 층을 제거한다.

더 광범위하게, Faraday의 출현은 다음 파도의 고가치 AI 응용 프로그램이 범용 챗봇이 아닐 것임을 신호한다. 그들은 좁고 높은 위험의 작업에서 깊은 능력을 가진 도메인 특화 에이전트가 될 것이다. 아시아 창업가들이 어디에 구축할지 평가하는 입장에서, 이는 명확한 신호다: 이 다음 AI 시장 단계에서 수평적 광범위함보다 수직적 깊이가 이긴다. 승리할 팀은 도메인 — 과학 연구, 법률 분석, 재무 모델링 — 을 선택하고 진정으로 "팀원" 라벨을 얻을 수 있는 에이전트를 구축하는 팀이 될 것이다.

개발자에게 의미하는 바

개발자들을 위해, Faraday는 구체적인 아키텍처 질문을 제기한다: 과학 복제만큼 정확한 것으로 신뢰할 수 있을 정도로 장기 작업을 안정적으로 실행할 수 있는 AI 에이전트를 어떻게 구축하는가?

Inherent가 공개한 내용을 바탕으로 한 짧은 답변은 잘 프롬프트된 최첨단 모델 이상이 필요하다는 것이다. Faraday는 다단계 에이전트 시스템으로 보인다 — 일련의 행동을 계획하고, 실행하고, 중간 결과물을 평가하고, 방향을 수정할 수 있는 시스템이다. 이는 검색 증강 생성(RAG) 파이프라인이나 표준 챗봇 인터페이스를 구축하는 것과는 근본적으로 다른 엔지니어링 과제다.

오늘날 에이전트를 구축하고 있다면, 이 이야기에서 실용적인 지침으로 몇 가지가 나온다:

• 평가가 가장 어려운 부분이다. Inherent가 Faraday가 Anthropic과 OpenAI를 능가했다고 주장할 수 있는 것은 오직 그들이 엄격하고 객관적인 벤치마크 — 검증 가능한 결과를 가진 논문 복제 — 를 가지고 있었기 때문이다. 도메인 작업을 위한 에이전트를 구축하고 있다면, 코드 한 줄을 작성하기 전에 성공 지표를 정의하라. "작동했다"가 수치적으로 무엇처럼 보이는가?
• 작업 분해가 모델 선택보다 더 중요하다. 모델은 구성 요소다. 아키텍처 — 복잡한 작업을 부작업으로 어떻게 나누는지, 실패를 어떻게 처리하는지, 중간 결과물을 어떻게 검증하는지 — 이 실제 엔지니어링이 있는 곳이다. 강한 작업 분해 층을 가진 약한 모델은 종종 단순히 끝에서 끝까지 프롬프트된 강한 모델을 능가할 것이다.
• 자율성은 신뢰 스캐폴딩이 필요하다. Faraday를 "팀원"이라고 부르는 것은 시스템이 의미 있는 기간 동안 감독 없이 작동할 수 있도록 신뢰할 수 있다는 것을 암시한다. 그 신뢰를 구축하려면 로깅, 설명 가능성, 그리고 우아한 실패 모드가 필요하다. 사용자는 감시할 수 없는 에이전트에 위임하지 않을 것이다.

플랫폼 측면에서, 이것은 정확히 MonstarX가 지원하도록 구축된 개발 패턴이다. 에이전트 시스템을 구축하는 아시아 개발자들은 오케스트레이션 층을 처리하는 인프라가 필요하다 — 모델을 데이터 소스에 연결하고, 다단계 워크플로우 전반에 걸쳐 상태를 관리하고, 외부 API 및 연구 데이터베이스에 올바른 커넥터를 노출하기 — 모든 팀이 처음부터 그 스캐폴딩을 재구축하도록 강요하지 않고.

Faraday 이야기는 또한 특화에 대한 요점을 강화한다. Inherent는 범용 연구 에이전트를 구축하려고 시도하지 않았다. 그들은 하나의 작업 — 복제 — 을 선택했고 그것을 위해 열심히 최적화했다. 아시아에서 구축하는 개발자들은 이를 진지하게 받아들여야 한다. 광범위하게 구축하려는 유혹은 강하다, 특히 TAM을 원하는 투자자들에게 피칭할 때. 하지만 실제로 채택될 에이전트는 인간이 혼자서 할 수 있는 것보다 한 가지 고가치 작업을 더 잘 하는 것들이다.

한 가지 더 실용적인 참고: 연구 복제 사용 사례는 소프트웨어 개발에서 직접적인 유사점을 가진다. 코드 검토, 테스트 생성, 그리고 — 가장 관련성 있게 — 버그 복제