Startup de ex-DeepMind diz que IA menor superou OpenAI e Anthropic ao replicar pesquisas

A Inherent, laboratório de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → sediado em Londres e fundado por ex-pesquisadores do Google DeepMind, afirmou ao TechCrunch que seu novo agente, chamado Faraday, superou modelos maiores e mais conhecidos da Anthropic e da OpenAI em uma tarefa específica: reproduzir de forma independente os resultados de artigos científicos publicados, sem receber a resposta de antemão.

O anúncio vem poucas semanas depois de a startup sair do modo stealth com uma rodada seed de US$ 50 milhões. Segundo a empresa, o resultado importa menos pelo placar em si e mais pelo caminho técnico usado para chegar até ele.

O dado que chama atenção: tamanho do modelo

O ponto central da história não é apenas ter vencido, e sim com o que se venceu. O Faraday foi comparado ao Claude Opus 4.8, da Anthropic, e ao GPT-5.5, da OpenAI, ambos sistemas de escala de fronteira. O agente da Inherent, no entanto, roda sobre o Qwen 3.6, um modelo comparativamente pequeno, com apenas 27 bilhões de parâmetros.

Como o próprio TechCrunch pontua, o número de parâmetros é uma aproximação do tamanho de um modelo e, tipicamente, também dos seus custos de treinamento. Ou seja: a Inherent afirma ter obtido resultado superior em uma tarefa complexa usando uma fração da escala (e, presumivelmente, do custo) dos rivais.

O que Faraday faz e por que replicar artigos importa

Replicar os achados de um artigo já publicado pode soar como um truque de festa diante da ambição maior da Inherent, que é construir uma IA capaz de descobrir conhecimento científico novo, e não só verificar resultados antigos. Mas, segundo o cofundador e cientista-chefe Edward Hughes, replicação é também um exercício padrão na formação de cientistas humanos. "Muitos alunos de doutorado na verdade começam fazendo isso", disse.

A barra de sucesso definida pela empresa foi além da simples precisão. Além de reproduzir resultados, a Inherent queria que o Faraday demonstrasse o que Hughes chama de "research taste", uma espécie de intuição sobre quais experimentos valem a pena rodar e como desenhá-los bem.

A aposta técnica: reinforcement learning em vez de regras

Ensinar algo tão intangível quanto "gosto de pesquisa" é difícil, e é aí que entra o reinforcement learning. Trata-se de um método de treinamento que recompensa o sistema por bons resultados, em vez de detalhar regras que ele deve seguir.

Segundo Hughes, em vez de treinar seus agentes principalmente no estudo de como a ciência é conduzida, a Inherent aposta na abordagem baseada em recompensa por acreditar que ela generaliza melhor para o objetivo de longo prazo: agentes capazes de contribuir em muitos campos científicos. "Somos sempre guiados por essa estrela-guia de construir um agente cientista de IA e imbuir nossos agentes de taste", afirmou.

Esse foco também definiu o que a empresa decidiu não construir. Em vez de desenvolver sua própria ferramenta de código, a Inherent fez o Faraday usar o GPT-5.5 Codex, da OpenAI, do mesmo modo que cientistas humanos se apoiam em softwares existentes em vez de construir tudo do zero. É um detalhe relevante: o produto da rival vira componente da stack do desafiante.

Hughes também disse buscar evitar agentes que apenas dizem ao usuário o que ele quer ouvir. A meta, segundo ele, é modelada no seu tipo favorito de colega de equipe, aquele que volta dizendo: "Fiquei curioso sobre isso, fui lá e rodei estes experimentos. O que você acha destes resultados?".

Contexto: a corrida dos ex-DeepMind e o "garden leave"

A Inherent é uma entre várias startups criadas por ex-funcionários do DeepMind, mas até agora recebeu relativamente pouca atenção. Enquanto rivais mais bem financiados ainda não mostraram nada concreto ao mundo, o time de Londres começou a expor o que vem construindo.

A empresa tem uma dúzia de funcionários, todos trabalhando presencialmente em um escritório em King's Cross, o bairro londrino que a presença do DeepMind ajudou a transformar em um dos principais polos de IA do mundo. O plano é crescer para cerca de 20 a 25 pessoas até o fim do ano.

Hughes também levantou a voz contra o "garden leave", prática comum no Reino Unido de barrar funcionários que saem de ingressar ou fundar uma empresa concorrente por meses após o pedido de demissão. Restrição que, segundo a reportagem, pesquisadores americanos geralmente não enfrentam, dando às startups dos EUA vantagem na disputa por talentos. "Esta é uma visão pessoal, não da empresa, mas fui afetado pelo problema do garden leave", contou. Ele acabou contornando a restrição e fundou a Inherent com outros dois ex-DeepMind e um quarto cofundador.

O que isso muda para quem desenvolve no Brasil

Para o dev que acompanha a corrida de modelos de fora dos EUA, a nota prática aqui é a escolha de base: a Inherent construiu seu agente sobre o Qwen, uma família de modelos abertos, e não sobre um modelo proprietário fechado. Isso reforça uma tendência que já vinha aparecendo: modelos menores e abertos, quando bem ajustados com técnicas como reinforcement learning e desenho cuidadoso do agente, podem competir com sistemas de fronteira em tarefas específicas, a um custo de inferência muito menor.

Para times brasileiros que operam com orçamento de compute apertado, é um lembrete de que a vantagem competitiva pode estar menos na escala bruta do modelo e mais na engenharia em volta dele: função de recompensa, arquitetura do agente e a decisão de reaproveitar ferramentas prontas (como fazer um agente chamar o Codex em vez de construir a própria ferramenta de código).

Vale a ressalva de que, por ora, os números de desempenho superior partem da própria empresa e não há benchmark independente publicado no material divulgado. O que fica em aberto, portanto, é se o resultado de replicação se sustenta sob avaliação externa e se a aposta em "research taste" via reinforcement learning realmente generaliza para o objetivo mais ambicioso de descobrir conhecimento novo.

Fonte: TechCrunch