一家由前Google DeepMind AI Scientist团队负责人Tantum Collins牵头、多位DeepMind核心成员联合创立的公司Inherent，近日完成5000万美元种子轮融资，Index Ventures与Radical Ventures领投，NVentures、Ex/Ante等机构及多位AI领域知名个人投资者参投。这家公司要做的事，不是让AI更快执行实验，而是给AI for Science系统装上“科研品味”，判断哪些问题值得研究。
希鸥网观察到，现有AI for Science系统更像“执行层”工具。以AlphaFold2为例，它能精准预测蛋白质三维结构，却在“该研究什么”面前束手无策。Inherent的切入点恰在于此：构建开放式探索的AI，让系统从“怎么干”升级到“该干什么”。团队同时具备强化学习、世界模型与模型工程背景，这种配置在早期AI科研创业公司中并不多见。
Inherent选择了一条极其聚焦的技术路线：先做科研判断，再做实验执行。其首款产品Faraday基于Qwen3.6-27B后训练，定位是Coding Agent之上的“scientific intelligence”层，负责研究选题、实验设计与结果可信度判断，具体写代码则调用GPT-5.5 Codex。这种分层设计与人类研究员的真实工作方式高度同构，也是RSI从单点工具走向完整闭环的关键一步。
科研判断没有标准答案，强化学习奖励信号从哪来？Inherent的解法是Replica：将论文复现改造成可规模化的强化学习任务空间。初始空间包含来自100篇论文的310项任务，其中242项用于训练，68项AI for Science任务预留测试。每项任务删掉论文的一张结果图，要求Agent在60分钟、一张H200的1/7 MIG切片上完成“最忠实的缩小版实验”。算力限制是刻意设计，倒逼Agent学会在信息不完整条件下做科研决策。
Inherent没有把“图画得像不像”当作奖励。每个任务单独生成一套评分细则，覆盖视觉结果、核心主张复现、实验忠实度、算力使用合理性、科研规范五个维度，GPT-5.5 Codex担任评判模型，可查看代码、Git记录、操作轨迹乃至重新运行实验。这套机制保护了“科研品味”这个抽象概念不被短视的指标劫持，也为长周期强化学习提供了稳定支撑。
希鸥网认为，RSI赛道的竞争核心正从实验执行转向科研判断权。过去模型进步依赖顶尖研究员定义方向，一旦AI能接手“什么值得研究、什么结果可信”的判断，全球实验室的军备竞赛将从“囤算力”转向“囤科研判断力”。这一转变将重构AI研发的组织形态：资深研究员的稀缺性可能被稀释，实验验证能力和数据闭环质量成为新的护城河。谁先跑通“AI提假设、AI做实验、AI验证、AI改进自身”的循环，谁就掌握了下一代AI研发的定价权。
创始人的关切边界决定公司的成长半径。Tantum Collins从DeepMind时期研究“如何用机器学习帮研究机构判断技术趋势”，到创办Inherent探索AI科研品味，本质上是在扩大自己能影响的系统层级。早期创业者常困于眼前产品的颗粒度，忽略了对行业底层变量的持续追问。真正的稀缺能力，是在执行之上保留一层“该不该做这件事”的判断力，这种品味需要长期积累。
资源约束不是敌人，而是决策质量的过滤器。Inherent刻意把单任务实验压缩到60分钟和1/7张H200切片，逼Agent在有限预算下分清哪些条件必须保留、哪些可以缩减。创业公司同样如此，资金和时间永远不够覆盖所有想做的事。与其追逐“漂亮的结果图”，不如像Faraday的奖励函数那样，给自己设定多维度的评价标准，防止为了短期指标走捷径。
支持多元方向，才能催生复合创新。Inherent将RSI从单Agent扩展到整个实验室，试图让研究讨论、资源分配、训练数据都参与自我改进，这种“递归式集体自我改进”思路值得中国创业者借鉴。投资人同样需要生态化布局：阿尔法公社投资光帆科技、诺亦腾机器人、共绩科技等多家AI软硬件公司，正是通过分散支持不同技术路线，让复合效应在更大范围内发生。单一叙事难撑长久繁荣，多样性才是创新系统的底层保险。
金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo