🧪 تکین آنالیز | کالبدشکافی ایجنت Faraday؛ پیروزی مدل ۲۷ میلیاردی بر غول‌های تریلیون پارامتری

در تاریخ محاسبات و هوش مصنوعی، لحظاتی نادر وجود دارند که جریان اصلی پیشرفت فناوری را از بنیاد دگرگون می‌سازند. سال‌ها بود که جامعه جهانی هوش مصنوعی تحت سلطه دکترین «مقیاس‌پذیری خام» (Brute-Force Scaling) قرار داشت؛ باوری راسخ مبنی بر این که تنها راه رسیدن به سطوح والای هوشمندی، ساخت مدل‌های چند تریلیون پارامتری، مصرف صدها مگاوات انرژی و سرمایه‌گذاری‌های ده‌ها میلیارد دلاری در دیتاسنترهای عظیم است. اما در اواخر اوت ۲۰۲۶، استارتاپ لندنی Inherent AI که توسط جمعی از دانشمندان و پژوهشگران ارشد سابق Google DeepMind تأسیس شده این معادله به ظاهر شکست‌ناپذیر را بر هم زد.

این استارتاپ که به تازگی موفق به جذب سرمایه بذری ۵۰ میلیون دلاری به رهبری صندوق‌های بنام Index Ventures و Radical Ventures شده است، از ایجنت پژوهشگر مستقل خود با نام Faraday رونمایی کرد. ایجنت فارادی که بر پایه مدل متراکم و سبک Qwen 3.6 با ۲۷ میلیارد پارامتر مهندسی شده، در ارزیابی‌های استاندارد بازتولید مستقل مقالات علمی موفق شد پرچمداران غول‌پیکر صنعت نظیر Claude Opus 4.8 از شرکت آنتروپیک و GPT-5.5 از اوپن‌ای‌آی را با اختلافی معنادار شکست دهد.

۱. شکست تفکر مقیاس کور؛ تولد ایجنت ۲۷ میلیاردی فارادی در لندن

توسعه مدل‌های هوش مصنوعی بزرگ همواره با معضل بزرگی به نام «هم‌نوایی متملقانه» (Sycophancy) و فقدان شهود علمی دست‌به‌گریبان بوده است. مدل‌های زبانی متداول آموزش‌دیده بر اساس پیش‌بینی توکن بعدی، در برابر پرسش‌های علمی پیچیده معمولاً به تأیید فرضیات کاربر می‌پردازند و توانایی بازجویی موشکافانه از داده‌های تجربی یا طراحی پروتکل‌های آزمایشگاهی بکر را ندارند.

استارتاپ Inherent با اتخاذ رویکردی رادیکال، مدل Faraday را نه به عنوان یک موتور چت همه‌منظوره، بلکه به صورت یک دانشمند خودمختار معماری کرد. تیم توسعه‌دهنده به جای ساخت یک مدل چند تریلیون پارامتری پرهزینه، مدل سبک و منعطف Qwen 3.6 27B را به عنوان هسته استدلال برگزیدند و تمرکز مهندسی خود را بر لایه‌های پس‌آموزش پیشرفته، جستجوی درخت مونت‌کارلو و محیط‌های شبیه‌سازی دقیق فیزیکی معطوف ساختند.

این رویکرد نشان داد که برای دستیابی به استدلال سطح دکتری در علوم دقیقه، نیازی به بلعیدن تمامی متون اینترنت نیست؛ بلکه ساختاردهی به منطق فرضیه‌سازی و اعتبارسنجی صوری، عاملی به مراتب حیاتی‌تر در تولید دانش نوین محسوب می‌شود.

۲. کالبدشکافی بنچمارک Replica؛ آزمون طاقت‌فرسای ۳۱۰ چالش بازتولید علمی

برای سنجش بی‌طرفانه و دقیق توانایی ایجنت‌های هوش مصنوعی در محیط‌های واقعی آزمایشگاهی، تیم تحقیقاتی Inherent بنچمارک جامع Replica را طراحی و اجرا کرد. این بنچمارک شامل ۳۱۰ تسک فوق‌العاده پیچیده است که مستقیماً از ۱۰۰ مقاله پیشرو در نشریات معتبر بین‌المللی در حوزه‌های یادگیری ماشین، شیمی محاسباتی، ترمودینامیک غیرخطی، فیزیک پلاسما و بیوانفورماتیک استخراج شده‌اند.

در آزمون Replica، ایجنت هوش مصنوعی هیچ دسترسی قبلی به پایگاه داده کدهای اصلی، نتایج شبیه‌سازی یا پاسخ‌های نهایی مقاله ندارد. به ایجنت صرفاً متن توصیفی بخش متدولوژی مقاله و صورت مسأله داده می‌شود و ایجنت موظف است در یک بازه زمانی محدود و با بودجه محاسباتی مشخص، کدهای اجرایی را تدوین کرده، داده‌های ورودی را فرآوری کند و نمودارها و ارقام آزمایشگاهی مقاله را با انحراف معیار کمتر از ۱ درصد بازتولید نماید.

در حالی که مدل‌های غول‌پیکر تجاری در برخورد با مسائل ناآشنا به دلیل پیچیدگی ساختار داده‌ها دچار سردرگمی و تولید کدهای ناکارآمد شدند، ایجنت Faraday با دستیابی به امتیاز خیره‌کننده ۸۷.۴ درصد، موفق شد ۲۷۱ تسک از ۳۱۰ تسک را با دقتی بی‌نقص بازتولید کند؛ رقمی که Claude Opus 4.8 را با ۸۱.۲ درصد و GPT-5.5 را با ۷۹.۶ درصد به رده‌های بعدی فرستاد.

نکته فنی جالب در طراحی فارادی این است که این ایجنت برای نوشتن قطعات کد کمکی، از موتورهای تخصصی کدنویسی نظیر GPT-5.5 Codex مانند یک جعبه‌ابزار بهره می‌گیرد؛ درست شبیه به یک استاد دانشگاه که برای اجرای محاسبات، تکالیف را به نرم‌افزارهای کمکی می‌سپارد اما استراتژی و هدایت کلان پروژه را خود بر عهده دارد.

۳. جادوی یادگیری تقویتی؛ آموزش غریزه پژوهشی و سلیقه علمی به جای حفظ طوطی‌وار

تمایز بنیادین ایجنت فارادی از سایر سیستم‌های هوش مصنوعی، فرآیند آموزش اختصاصی آن است. دانشمندان Inherent به جای تکیه بر یادگیری تحت نظارت سنتی (Supervised Fine-Tuning) که مدل را به تقلید از نمونه‌های متنی قبلی عادت می‌دهد، از یک چارچوب یادگیری تقویتی پیشرفته (Reinforcement Learning from Scientific Discovery) بهره بردند.

در این سازوکار، پاداش‌های سیستم نه بر اساس زیبایی ادبی یا تطابق واژگانی، بلکه بر مبنای «میزان نوآوری فرضیه»، «صحت فیزیکی نتایج»، «کارایی محاسباتی کدهای تولیدشده» و «توانایی شناسایی ناهنجاری‌ها در داده‌های آزمایشگاهی» تعیین می‌شوند. این فرآیند باعث شده تا فارادی حسی از سلیقه علمی پیدا کند؛ به گونه‌ای که می‌تواند تشخیص دهد کدام مسیر محاسباتی به بن‌بست خواهد رسید و کدام زاویه دید می‌تواند به کشفی تازه در سنتز مواد بیانجامد.

۴. داده‌های تجربی بنچمارک؛ مقایسه نمرات Faraday با غول‌های تریلیون دلاری

تحلیل موشکافانه نتایج آزمون Replica تفاوت‌های بنیادین میان ایجنت‌های تخصصی و مدل‌های زبانی عمومی را آشکار می‌سازد. در ارزیابی تفکیکی زیرشاخه‌های علمی، ایجنت Faraday به طور ویژه در حوزه‌هایی که نیازمند استدلال زنجیره‌ای طولانی و تطبیق مداوم با معادلات دیفرانسیل هستند، درخششی استثنایی نشان داد.

در بخش سنتز دارویی و شیمی آلی، فارادی توانست نرخ موفقیت ۸۹.۲ درصدی را ثبت کند؛ در حالی که Claude Opus 4.8 به دلیل ضعف در پیش‌بینی واکنش‌های جانبی به امتیاز ۸۲.۱ درصد رسید. در حوزه ترمودینامیک کوانتومی و مدل‌سازی ماتریس‌های چگالی، رویکرد اثبات صوری فارادی امتیاز ۸۵.۶ درصد را رقم زد، در حالی که GPT-5.5 با امتیاز ۷۸.۸ درصد متوقف شد.

این ارقام اثبات می‌کنند که ایجنت‌های متمرکز با هدایت الگوریتمی دقیق می‌توانند در زمینه‌های تخصصی، مدل‌هایی را که ده‌ها برابر از آن‌ها بزرگ‌تر و پرهزینه‌تر هستند، با قاطعیت پشت سر بگذارند.

۵. دموکراتیزه شدن پژوهش علمی؛ راهنمای استقرار محلی و کاربرد برای محققان ایرانی

شاید بزرگ‌ترین دستاورد ظهور ایجنت فارادی برای محققان، دانشگاه‌ها و شرکت‌های دانش‌بنیان در ایران، امکان‌پذیری اجرای مستقل آن بدون وابستگی به سرورهای ابری خارجی باشد. مدل‌های تریلیون پارامتری نظیر کلود و اوپن‌ای‌آی نیازمند کارت‌های اعتباری بین‌المللی، دور زدن تحریم‌های شدید IP و هزینه‌های دلاری سرسام‌آور برای هر توکن ورودی هستند.

در نقطه مقابل، مدل ۲۷ میلیاردی Faraday با بهره‌گیری از تکنیک‌های کوانتیزاسیون مدرن ۴ بیتی (AWQ / GPTQ)، روی یک سیستم ورک‌استیشن مجهز به ۴ کارت گرافیک رده‌مصرفی نظیر RTX 4090 یا RTX 5090 با سرعت فوق‌العاده بالا اجرا می‌شود. این ویژگی، استقلال پژوهشی کامل را به آزمایشگاه‌های دانشگاهی شریف، تهران و امیرکبیر و همچنین استارتاپ‌های بیوتکنولوژی بومی اعطا می‌کند.

این دگرگونی فناورانه فرآیند کشف داروها، مهندسی پروتئین و سنتز کاتالیزورهای بهینه‌ساز انرژی را از ماه‌ها آزمایش پرهزینه به چند ساعت تحلیل الگوریتمی فشرده تقلیل می‌دهد.

۶. افق پیش‌رو؛ گذار از دستیار به دانشمند مستقل و مسیر پیش‌روی AGI

هدف نهایی آزمایشگاه Inherent، صرفاً پیروزی در بنچمارک‌های بازتولید مقالات نیست؛ بلکه گام برداشتن به سوی خلق نخستین نسل دانشمندان خودمختار هوش عمومی مصنوعی (AGI Scientists) است. سیستم‌های آینده قادر خواهند بود بدون دخالت انسان، ادبیات علمی جهان را رصد کرده، تناقضات تئوریک را شناسایی نمایند، فرضیات بکر تدوین کنند و با کنترل روبات‌های آزمایشگاهی خودکار، آزمایش‌های تجربی فیزیکی را به اجرا بگذارند.

در چنین آینده‌ای، سرعت پیشرفت علمی بشر از رشد خطی به رشدی نمایی تبدیل خواهد شد؛ جایی که درمان بیماری‌های ژنتیکی ناشناخته، توسعه باتری‌های حالت جامد با چگالی انرژی ده‌برابری، و مهار همجوشی هسته‌ای، نه در طول چند دهه، بلکه ظرف چند سال به بار خواهند نشست.

جمع‌بندی تحلیلی تکین‌گیم و امتیازدهی نهایی

پیروزی قاطعانه ایجنت Faraday استارتاپ Inherent بر مدل‌های تریلیون پارامتری غول‌های فناوری، نقطه عطفی تاریخی در علم داده است. این دستاورد اثبات می‌کند که ادغام یادگیری تقویتی، اثبات صوری قضایا در Lean 4 و آموزش غریزه علمی، بسیار قدرتمندتر از افزایش کورکورانه اندازه مدل‌هاست و علم محاسباتی را در مسیر دموکراتیزه‌سازی واقعی قرار داده است.