研究再現を目指すAI科学者の育成

1821年、リチャード・フィリップスは友人マイケル・ファラデーに、電磁気学という新興分野のレビューを書くよう依頼した。ファラデーはその任務として奇妙な選択だった。英国の科学者である彼は正式な教育をほとんど受けておらず、この分野での経験も限られていたが、実験家として有名だった。

レビューを書くため、ファラデーは過去の結果を手作業で再現することにした。ロイヤル・インスティテューションのろうそくの灯る地下実験室での実験中、彼は電流を流したワイヤーが磁石の周りを動くことを発見した。「非常に満足」と日記に記した。ファラデーは電動モーターを発明したのだ。

この逸話に触発され、Inherentは270億パラメータの「AI科学者」エージェントであるFaradayを紹介する。Faradayは研究の再現タスクでClaude Opus 4.8とGPT-5.5を上回る。コーディングエージェントをツールとして用いた長期的強化学習（RL）で訓練され、Faradayは厳密な科学者のスキルを学ぶ。これは、さまざまな領域で革新を起こせるAI科学者への一歩である。

Faradayを訓練するため、チームはReplicaを導入した。これはスケーラブルなRLタスク空間である。各タスクでは、エージェントが限られた時間と計算予算で、元のプロットにアクセスせずに研究論文の図を再現する必要がある。初期スイートは、自然言語処理、材料科学、天気予報など多様な分野の100本のMLおよびAI-for-science論文から得た310のタスクで構成される。

チームは主要ラボの最新エージェントをReplicaで実行したところ、タスク空間を飽和させていないことが分かった。Claude Opus 4.8とGPT-5.5のベースラインは、それぞれClaude CodeとCodexハーネスで思考努力を最高に設定して実行された。Faradayはタスクスイートのすべてのカテゴリでより忠実な再現を生成し、最近の研究にも苦労が少ない。これは、ベースモデルの事前学習時に見たことのない研究に科学的スキルを効果的に適用していることを示す。

図の再現は特に革新的なタスクには見えないかもしれない。しかし、出力ではなくプロセスに注目すると、再現は革新への足がかりとなる。研究論文は、著者がうまくいったことを記述するものであり、そこに至るまでの否定的な結果は記述されない。成功するには、エージェントはページに現れない「99%の努力」を回復する必要がある。これには、オープンエンドな研究に特徴的な仮説駆動の探索が必要である。

再現は、不完全に指定されたタスクのカリキュラムの基礎を形成する。エージェントに与えられた論文から単一のプロット以外の特徴を削除することもできる。リソース制約をさらに厳しくしたり緩めたりすることもできる。論文を想像することさえ可能であり、同じFaradayモデルが自覚せずに革新を行うことになる。

プロットを完全に再現することは、成功した再現と同じではない。成功した再現には、優れた実験デザイン、良い科学実践、元の論文の主張への忠実さ、利用可能なリソースの効果的な使用も必要である。最終的に、再現には「研究の味」が必要である。

チームはLLM審判を設計し、それが専門家の研究の味を捉えていることを検証するために人間による研究を実施した。しかし、LLM審判による訓練は依然として困難である。なぜなら、基盤モデルの確率性がノイズの多い報酬信号を生み出すからである。チームはタスクごとのルーブリックを使用してこの問題を解決し、LLMベースラインよりも一貫性が高く、ノイズが少ないことを達成した。

長期的RLトレーニングに典型的な不安定性に対処するため、チームは審判に2つのさらなるトレーニング時修正を加えた：マルチサンプル集約とターンレベルの信用割当である。このレシピで訓練されたFaradayは、より厳密な科学者になることを学ぶ。

Faradayは、人間の科学者がコーディングエージェントを使うのと同様に、ツールとしてGPT-5.5 Codexを採用している。注目すべきことに、Faradayは数桁大きいモデルの作業を、再現性能を向上させる方法で指揮する。さらに、Faradayはテスト時に、より有能なエージェントを指揮するように一般化できる。GPT-5.4-miniでのトレーニング後、GPT-5.5 Codexに適応するのだ。フロンティアのコーディングエージェントが進歩し続けるにつれ、科学的判断の価値はますます高まるとチームは予想している。

Faradayは、テスト時に以前の発見を基に新しい洞察を見つける。これは既存のAI科学者エージェントと似ている。しかし、これらのエージェントとは異なり、Faradayは手作業でコード化された進化的ハーネスを必要とせず、テスト時報酬も持たない。言い換えれば、Faradayは発見を本質的に価値づけることを学ぶのだ。

Faradayは、科学的直感の層とコーディングエージェントの進歩する能力を組み合わせた新しいパラダイムの第一歩である。新たなインフラと新しい形の人機チーミングによって支えられたより良いAI科学者は、社会全体に利益をもたらすとチームは信じている。

Inherentでは、Faradayの改善は会社全体に波及し、人間を常にループに保ちながら新しい知識を発見することを可能にする。安全性に目を向け、チームはその手法がスケーラブルな監視を前進させ、報酬ハッキングを改善する方法を調査している。彼らは、AI駆動の科学的発見の時代にふさわしい、新しい種類のAIと新しい種類の研究機関を構築している。