极品飞车

IT之家 8 月 23 日消息，总部位于伦敦的 AI 实验室 Inherent 由前谷歌 DeepMind 员工创立。该公司表示，其 AI 智能体 Faraday 仅使用规模远小于 Anthropic 和 OpenAI 旗舰模型的模型，就在一项特定任务中取得了更好的表现。在众多由前 Google DeepMind 员工创办的初创公司中，Inherent 此前获得的关注相对较少。“大家不是觉得AI没用，是觉得它有点贵——这本身就是供不应求的信号，如果供大于求，大家只会觉得它没用。”          过去三年推理成本的下降，已经带动了第一批场景落地；他判断未来全行业仍有至少90%的成本下降空间，来源不只是单点技术优化，而是全链路协同：跨域异构集群的资源池化、PDD等新架构的普及，以及场景端的需求分层。

二 | 不过，与那些资金更加充裕、却还没有拿出太多实际成果的竞争对手相比，这家总部位于伦敦的团队如今已经开始展示自己的研发成果。         夏立雪认为，真正的生产力应该是“资源规模×Token生产效率×Token转化为生产力的效率”。这家英国初创公司仅在以 5,000 万美元（IT之家注：现汇率约合 3.37 亿元人民币）种子轮融资走出隐身模式几周后，就宣布推出新的 AI 智能体 Faraday。目前全行业还在共创价值衡量指标，本质是计量每个Token产生的实际经济价值，推动行业从“按Token数量计费”转向“按最终价值计费”。         据了解，今年上半年，无问芯穹Token增量几乎全部来自Agent。

三 | “95%以上的推理任务跑的都是智能体相关任务，不管是直接服务大模型厂商，还是直接服务垂类客户，最终需求都来自Agent落地。

四 | 该公司表示，在一项特定任务中，Faraday 击败了规模更大、知名度更高的 AI 模型：在事先不知道答案的情况下，自主复现已发表科学论文中的研究结果。如果考虑到 Inherent 更宏大的目标 —— 打造能够发现全新科学知识，而不仅仅是验证已有研究成果的 AI，那么复现论文的能力听起来似乎只是一个“小把戏”。但 Inherent 联合创始人兼首席科学家 Edward Hughes 表示，论文复现本身也是人类科学家的标准训练方式。“很多博士生实际上都是从这件事开始的。”夏立雪表示，目前代码生成、文娱营销、基础设施运维、具身智能、制造、电力、法律等行业都已经在大规模使用AI。

五 | ”Hughes 告诉 TechCrunch，击败其他 AI 系统并不是重点，真正重要的是 Inherent 如何做到这一点。他说：“对我们来说，最有意思的并不是击败那些前沿智能体的结果 —— 当然，我们对此也很高兴，而是我们构建这个系统的方式。”真正值得投资者关注的是，Faraday 在与 Anthropic 的 Claude Opus 4.8 和 OpenAI 的 GPT-5.5 进行比较时，所依赖的却是一个规模小得多的模型 Qwen 3.6，仅拥有 270 亿参数。这两个对手都是规模庞大的前沿 AI 系统。简单来说，“参数”可以作为衡量模型规模的一个指标，通常也与模型的训练成本有关。         针对行业普遍关注的Token标准化问题，夏立雪明确判断：Token必然分层，且分层已经在发生。此外，Inherent 对 Faraday 的成功标准也并不只是准确率。未来会出现面向高端复杂任务的高价值Token，也会有面向简单场景的高性价比Token。         这种分层直接带动了过去一年国产芯片的落地进展。除了复现科学研究结果之外，公司还希望 Faraday 展现出所谓的“研究品味”，也就是能够判断哪些实验值得进行，以及应该如何合理设计这些实验的能力。

六 | 他坦言，国产芯片适配效果的明显提升，一半来自技术端解决了跨集群调度、负载均衡等问题，更核心的原因是Agent带来了任务分层：智能体会派生大量不同复杂度的子任务，不需要所有任务都跑在最高端的芯片上，国产芯片可以承担自己擅长的任务，不用再“硬扛”最复杂的大模型训练负载。

七 | 教会 AI 掌握这种难以量化的“品味”并不容易，这也是强化学习发挥作用的地方。         “不同芯片各有侧重，都能在价值金字塔里找到自己的位置，不用浪费资源杀鸡用牛刀。

八 | ”          夏立雪透露，目前无问芯穹已经在和行业客户探索多模型协同的分层交付模式，通过不同能力的模型配合完成任务，直接为最终结果负责。         对于今年的热点话题物理AI，无问芯穹宣布将具身智能场景纳入Token工厂的覆盖范围。

九 |          夏立雪表示，AI必然从数字世界走向物理世界，云侧GPU、边缘节点、机器人本体的算力都应该被纳入统一资源池调度，而团队过去在大规模云侧强化学习、跨集群调度上积累的能力可以直接复用，其发布的RLinf新版本已经实现真机渲染、训练到推理的全链路云边协同，Mizar-Robo推理优化方案已经和星海图、云深处等具身机器人厂商达成合作，优化机器人端侧推理效率，形成“机器人采集物理世界数据-云侧强化学习训练-端侧推理落地”的闭环。“我们不做机器人本体，就做好具身场景的Token工厂，给伙伴们提供低成本的弹药，让他们能以更低的成本推产品、拓市场。”          谈到AI赛道的行业竞争，在夏立雪看来，AGI不是单一公司能完成的使命，当前行业供需缺口还在持续扩大，只要技术能创造效率价值就有商业空间。强化学习是一种训练 AI 的方法，它并不是把一套明确的规则直接告诉 AI，而是根据最终结果对 AI 的行为进行奖励，从而让系统逐渐学会采取更有效的行动。相比主要通过学习科学研究本身的流程来训练智能体，Inherent 更依赖这种基于奖励的训练方式。近期智谱GLM、月之暗面Kimi等清华系开源大模型登顶国际榜单，中国的开源生态是核心优势，开源让技术、数据、资源能更快流动形成闭环，带动全行业效率提升。         当天，无问芯穹公布Agentic Infra 的“前店后厂一中心”战略布局，涵盖三大核心技术能力与产品服务体系：“算力集散中心”：Agentic Infra 自主式基础设施平台；“Token工厂”：Agentic MaaS 大模型服务平台；“AI生产力商店”： Agentic Infra 行业解决方案。公司希望这种方法能够更好地泛化到长期目标，即让 AI 智能体具备参与多个科学领域研究工作的能力。Hughes 表示：“我们始终以打造 AI 科学家智能体、赋予智能体研究品味这一北极星目标为指导。”这一理念也影响了 Inherent 决定不开发哪些产品。

十 | 例如，公司没有选择自行开发编程工具，而是让 Faraday 使用 OpenAI 的 GPT-5.5 Codex。这与人类科学家的工作方式类似 —— 科学家通常会利用现成的软件工具，而不是把所有工具都从头开发一遍。Inherent 还试图避免打造那些只会迎合用户、告诉用户想听什么的 AI 智能体。Hughes 表示，公司希望打造的智能体更像他最喜欢的那类队友：他们会回来告诉你：“我对这个问题产生了兴趣，于是自己去做了这些实验。你觉得这些结果怎么样？”这种协作理念同样体现在 Inherent 的公司运营方式上。

十一 | 目前公司约有 12 名员工，全部在伦敦国王十字区的一间办公室里线下办公。国王十字区曾经是一个较为破败的伦敦街区，但随着 Google DeepMind 在当地的发展，如今已经成为全球最重要的 AI 创新中心之一。Hughes 表示：“我们相信，伦敦就是最适合发展的地方。”Hughes 对伦敦高度密集的 AI 人才资源非常看好，但与此同时，他也加入了要求英国取消“竞业休假”（garden leave）制度的呼声。所谓“竞业休假”，是英国职场中较为常见的一种做法。员工离职后，公司可以要求他们在数个月内不得加入竞争对手或创办竞争企业。美国研究人员通常不会受到类似限制，这也让美国初创公司在招聘那些刚刚离开上一份工作的 AI 人才时拥有一定的先发优势。

十二 | Hughes 告诉 TechCrunch：“这是我个人的看法，并不代表公司的立场，但我确实受到过竞业休假的影响。”最终，Hughes 找到了绕开这一限制的方法，并与另外两名前 DeepMind 员工以及第四位联合创始人共同创办了 Inherent。而这家初创公司目前也没有放缓发展的迹象。Inherent 计划在今年年底前将员工人数扩大至“大约 20 至 25 人”。考虑到公司同样在布局世界模型，再加上 Demis Hassabis 出任新职后，一些 DeepMind 员工的未来去向出现不确定性，Inherent 正在进行的大规模招聘，或许会让它成为考虑离开 DeepMind 的员工颇具吸引力的新去处。