Inherent, Itinatag ng DeepMind Alumni, Nagsabi na ang Kanyang AI 'Teammate' ay Lampas sa Anthropic at OpenAI sa Pagsasagawa ng Pananaliksik

Isang British AI lab na itinayo ng mga dating researcher mula sa DeepMind ay gumawa lamang ng isang claim na dapat ihinto ang bawat developer at founder sa Asya sa gitna ng pag-scroll: ang kanilang AI agent, Faraday, ay maaaring kopyahin ang mga scientific paper nang mas tumpak kaysa sa anumang inilabas ng Anthropic o OpenAI hanggang ngayon. Inherent, na itinatag ng DeepMind alumni, ay nagsasabi na ang kanyang AI system ay hindi lamang isa pang research assistant — ito ay isang tunay na scientific teammate. Kung ang benchmark ay tumatagal sa scrutiny, ito ay isa sa mas makabuluhang capability jumps sa applied AI research tooling na nakita natin sa 2026.

Ano ang Nangyari

Inherent, ang British AI lab na saklaw ng TechCrunch noong Agosto 22, 2026, ay naglabas ng isang AI agent na tinatawag na Faraday. Ang pangunahing claim ay tumpak at karapat-dapat na sabihin nang malinaw: Faraday ay lampas sa mga competing AI systems mula sa Anthropic at OpenAI partikular sa gawain ng pagsasagawa ng scientific research papers.

Ang replication ay hindi isang trivial benchmark. Ito ay nangangailangan sa isang AI system na magbasa ng isang published paper, maunawaan ang kanyang methodology, muling gawin ang kanyang experimental setup, at makarating sa mga resulta na pare-pareho sa mga orihinal na findings — nang walang hand-holding sa proseso. Ito ay qualitatively na iba sa pagbubuod ng isang paper o pagsasagot ng mga tanong tungkol dito. Ang Faraday, ayon sa Inherent, ay gumagawa nito nang autonomous, kumikilos na mas kaunti tulad ng isang tool na iyong prompt at higit pa tulad ng isang colleague na iyong itinalaga ang trabaho.

Ang pedigree ng founding team ay mahalaga dito. Ang DeepMind ay historikal na isa sa mga pinaka-rigorous na AI research environments sa planeta — ang lab sa likod ng AlphaFold, AlphaGo, at isang mahabang listahan ng peer-reviewed breakthroughs. Ang mga founder na lumabas mula sa kulturang iyon ay may tendency na bumuo na may mas mataas na bar para sa kung ano ang tunay na "ito ay gumagana". Iyon ay hindi garantisado na ang mga benchmark ng Inherent ay airtight, ngunit ito ay nangangahulugang ang methodology sa likod ng Faraday ay mas malamang na maging defensible kaysa sa average startup's press release claim.

Ang positioning ng Faraday bilang isang "teammate" sa halip na isang tool ay intentional at philosophically significant. Ito ay nagpapahiwatig ng isang design philosophy: ang system ay inilaan na gumana na may sapat na autonomy na ang isang researcher o developer ay maaaring magbigay ng isang task at inaasahan ang isang meaningful output, hindi lamang isang starting point para sa karagdagang human work. Kung ang framing na iyon ay nakakaligtas sa contact sa real-world research workflows ay nananatiling makikita — ngunit ang benchmark result ay nagbibigay nito ng credibility na karapat-dapat na seryosohin.

Bakit Ito Mahalaga para sa Asya

Ang research and development landscape ng Asya ay nasa isang inflection point. Ang mga unibersidad sa buong Singapore, South Korea, Japan, Taiwan, at tumataas na Southeast Asia ay gumagawa ng world-class AI at life sciences research. Sa parehong oras, ang gap sa pagitan ng research output at commercial application ay nananatiling stubborn na malawak sa maraming mga merkado na ito. Isang tool na maaaring pabilisin ang replication at verification ng scientific work ay hindi lamang tumutulong sa mga akademiko — ito ay nag-compress ng timeline mula sa published paper hanggang sa production-ready insight.

Isaalang-alang ang pharmaceutical at biotech sectors sa Singapore at South Korea, kung saan ang mga research teams ay maliit na may kaugnayan sa kanilang mga ambisyon. Isang Faraday-class agent na maaaring autonomous na kopyahin ang mga experimental results ay nangangahulugang isang team ng limang researchers ay maaaring epektibong tumama sa bigat ng isang team ng labinlima. Ang parehong lohika ay naaangkop sa AI research labs sa buong rehiyon na tumatakbo upang bumuo sa itaas ng foundational models — ang pag-unawa kung ano ang tunay na napatunayan ng prior work, hindi lamang kung ano ang inaangkin nito, ay isang kritikal na bottleneck.

May isang wika at access dimension na specific sa Asya tech. Isang malaking bahagi ng high-value scientific literature ay umiiral sa English, habang marami sa mga researchers na kailangang kumilos dito ay nagtatrabaho sa Mandarin, Korean, Japanese, o Bahasa Indonesia. Isang AI agent na maaaring kopyahin at synthesize ang pananaliksik — hindi lamang isalin ito — ay nag-aalis ng isang layer ng friction na historikal na nagpabagal ng knowledge transfer sa buong rehiyon.

Mas malawak, ang paglitaw ng Faraday ay nagpapahiwatig na ang susunod na alon ng high-value AI applications ay hindi magiging general-purpose chatbots. Ang mga ito ay magiging domain-specific agents na may malalim na capability sa isang makitid, high-stakes task. Para sa mga Asian founders na sinusuri kung saan bumuo, iyon ay isang malinaw na signal: ang vertical depth ay lumalampas sa horizontal breadth sa susunod na yugto ng AI market. Ang mga teams na magwagi ay ang mga pumili ng isang domain — scientific research, legal analysis, financial modelling — at bumuo ng isang agent na tunay na kumikita ng label na "teammate."

Ano Ang Ibig Sabihin Nito para sa mga Developer

Para sa mga developer, ang Faraday ay nagtataas ng isang konkretong architectural question: paano mo bubuo ang isang AI agent na maaaring magsagawa ng long-horizon tasks na sapat na maaasahan upang magtiwala sa isang bagay na kasing-tumpak ng scientific replication?

Ang maikling sagot, batay sa kung ano ang Inherent ay nagsasaad, ay na ito ay nangangailangan ng higit pa sa isang well-prompted frontier model. Ang Faraday ay lumilitaw na isang multi-step agentic system — isa na maaaring magplano ng isang sequence ng actions, isagawa ang mga ito, suriin ang intermediate outputs, at course-correct. Iyon ay isang fundamentally na iba na engineering challenge mula sa pagbuo ng isang retrieval-augmented generation (RAG) pipeline o isang standard chatbot interface.

Kung ikaw ay bumubuo ng agents ngayon, ilang bagay ay nahuhulog mula sa kuwentong ito bilang practical guidance:

• Ang evaluation ay ang pinakamahirap na bahagi. Ang kakayahan ng Inherent na mag-claim na ang Faraday ay lampas sa Anthropic at OpenAI ay credible lamang dahil sila ay may rigorous, objective benchmark — paper replication na may verifiable results. Kung ikaw ay bumubuo ng isang agent para sa isang domain task, tukuyin ang iyong success metric bago ka magsulat ng isang linya ng code. Ano ang hitsura ng "ito ay gumana", numerically?
• Ang task decomposition ay mas mahalaga kaysa sa model choice. Ang model ay isang component. Ang architecture — kung paano mo binabahagi ang isang complex task sa sub-tasks, kung paano mo hinahawakan ang mga failures, kung paano mo sinusuri ang intermediate outputs — ay kung saan ang tunay na engineering ay naninirahan. Isang mas mahirap na model na may isang malakas na task decomposition layer ay madalas na lampas sa isang mas malakas na model na simpleng prompted end-to-end.
• Ang autonomy ay nangangailangan ng trust scaffolding. Ang pagtawag sa Faraday bilang isang "teammate" ay nagpapahiwatig na ang system ay maaaring magtiwala na magtrabaho nang walang supervision para sa meaningful stretches. Ang pagbuo ng tiwala na iyon ay nangangailangan ng logging, explainability, at graceful failure modes. Ang mga users ay hindi magde-delegate sa isang agent na hindi nila ma-audit.

Sa platform side, ito ay eksaktong uri ng development pattern na MonstarX ay itinayo upang suportahan. Ang mga Asian developers na bumubuo ng agentic systems ay kailangan ng infrastructure na humahawak sa orchestration layer — nag-uugnay ng mga models sa data sources, pamamahalaan ang state sa buong multi-step workflows, at naglalantad ng tamang connectors sa external APIs at research databases — nang hindi pinipilit ang bawat team na muling bumuo ng scaffolding na iyon mula sa simula.

Ang kuwento ng Faraday ay nagpapalakas din ng isang punto tungkol sa specialisation. Ang Inherent ay hindi sinubukan na bumuo ng isang general-purpose research agent. Sila ay pumili ng isang task — replication — at nag-optimize nang husto para dito. Ang mga developers na bumubuo sa Asya ay dapat na seryoso dito. Ang tukso na bumuo ng malawak ay malakas, lalo na kapag ikaw ay nag-pitch sa mga investors na nais ang TAM. Ngunit ang mga agents na tunay na maa-adopt ay ang mga gumagawa ng isang high-value thing na mas mahusay kaysa sa isang tao ay maaaring gawin ito nang mag-isa.

Isang pang practical note: ang research replication use case ay may direktang analogues sa software development. Ang code review, test generation, at — pinakamahalaga — ang pag-reproduce ng bugs