IA · 23 agosto 2026 · 4 min di lettura
Inherent lancia Faraday: l'agente da 27 miliardi di parametri che supera i giganti nella ricerca scientifica
In sintesi: Inherent, laboratorio londinese fondato da ex ricercatori di Google DeepMind, ha svelato Faraday, un agente IA progettato per fare da assistente e collega nei laboratori di ricerca. Nonostante sia basato su un modello compatto da soli 27 miliardi di parametri, Faraday ha superato modelli di frontiera ben più mastodontici come Claude Opus 4.8 e GPT-5.5 nella replica autonoma di paper scientifici.
di Team Mocchi's
Nel panorama dell'intelligenza artificiale, dominato dalla corsa a modelli monolitici da centinaia di miliardi o migliaia di miliardi di parametri, emerge una controtendenza fondata sull'efficienza architetturale e sui sistemi agentici mirati. A dimostrarlo è Inherent, startup londinese fondata da ex ricercatori di Google DeepMind e recentemente uscita dalla modalità stealth con un round seed da 50 milioni di dollari.
Il laboratorio britannico ha presentato Faraday, un agente IA collaborativo pensato per affiancare i team scientifici. Nei benchmark interni ed empirici, Faraday ha ottenuto un risultato sorprendente: è riuscito a replicare autonomamente le scoperte e il codice di pubblicazioni scientifiche complesse senza conoscere in anticipo la soluzione, superando sistemi di frontiera di scala enormemente superiore.
La prova della replica autonoma
Come riporta TechCrunch, il test a cui è stato sottoposto Faraday simula il classico percorso di addestramento dei ricercatori umani e dei dottorandi: prendere un articolo scientifico peer-reviewed, analizzarne la metodologia, riscrivere da zero l'infrastruttura di codice necessaria ed eseguire gli esperimenti per verificare se i risultati corrispondono a quelli pubblicati.
Mentre i modelli generalisti spesso incorrono in allucinazioni sulle dipendenze software o non riescono a correggere gli errori di runtime durante l'esecuzione sperimentale, Faraday è stato progettato per operare come un vero e proprio ciclo di ricerca iterativo. L'agente formula ipotesi, genera il codice, lo testa in ambienti isolati e analizza gli scostamenti rispetto alle tesi del documento originale.
Piccolo modello, grande architettura
L'aspetto più rilevante dal punto di vista ingegneristico riguarda l'hardware e la taglia computazionale necessaria. Nei confronti diretti con modelli di frontiera come Claude Opus 4.8 di Anthropic e GPT-5.5 di OpenAI, Faraday non si affida a un'infrastruttura proprietaria colossale, ma opera sopra una versione specializzata di Qwen 3.6 da soli 27 miliardi di parametri.
Secondo il co-fondatore e chief scientist di Inherent, Edward Hughes, il vantaggio non risiede nella pura conoscenza enciclopedica del modello di base, ma nell'impalcatura che governa il ragionamento e l'interazione con gli strumenti di calcolo. La capacità di orchestrare sotto-task, verificare i risultati intermedi e auto-correggersi compensa ampiamente il divario nel numero assoluto di pesi del modello.
Oltre la verifica: verso la scoperta autonoma
Sebbene la riproduzione di studi esistenti rappresenti solo il primo banco di prova, l'obiettivo dichiarato di Inherent è la scoperta scientifica pura in ambiti come la fisica computazionale, la scienza dei materiali e la biologia molecolare. I sistemi agentici capaci di iterare autonomamente su problemi matematici e simulazioni numeriche promettono di ridurre i colli di bottiglia che oggi rallentano la validazione delle ipotesi scientifiche nei laboratori accademici e aziendali.
La sfida per il team londinese sarà ora quella di dimostrare la scalabilità di Faraday oltre gli ambienti di simulazione controllati, portando l'agente a collaborare con veri ricercatori umani all'interno di progetti di frontiera.
Il punto di Mocchi's
Il caso di Faraday conferma un trend tecnologico cruciale per chi sviluppa software e sistemi intelligenti: la specializzazione agentica e la corretta orchestrazione dei workflow valgono più della mera scala dei parametri. Per le aziende italiane che intendono integrare l'IA nei propri processi di R&D, questo dimostra che non è necessario dipendere esclusivamente dai modelli closed-source più costosi del mercato. Investire su modelli open-weights compatti, affiancati da sandbox di esecuzione rigorose e logiche di auto-verifica ben strutturate, rappresenta oggi una via sostenibile ed estremamente performante per automatizzare compiti analitici ad alta complessità.