ما هو Faraday؟ AI Agent العلمي من Inherent

اكتسب سباق الذكاء الاصطناعي العلمي اسماً جديداً في أغسطس 2026. Faraday، وكيل مستقل أنشأته شركة Inherent الناشئة في بريطانيا، تمكن من تكرار مقالات علمية منشورة بدقة تفوق نماذج أكبر بكثير. لفت النتيجة الانتباه لأن Faraday تفوق على Claude Opus 4.8 من Anthropic وGPT-5.5 من OpenAI في مهمة ينجح فيها القليل من الأنظمة وحدها.

ما هو Faraday ولماذا يهم

Faraday وكيل ذكاء اصطناعي مصمم لتكرار التجارب الموصوفة في مقالات علمية منشورة. يقرأ المقال، يفهم المنهجية، يكتب الكود اللازم، ينفذ التجارب ويتحقق إن كانت النتائج تطابق الأصلية. كل ذلك دون وصول إلى الكود المصدري الأصلي أو الإجابات الصحيحة.

مهمة تكرار الأوراق البحثية هي بالضبط ما يفعله طلاب الدكتوراه كتمرين تدريبي. يستلم طالب PhD مقالاً، يحاول إعادة تنفيذ الطريقة الموصوفة ويتحقق من الوصول إلى النتائج نفسها. يعتبر هذا خطوة أساسية لتطوير ما يسميه الباحثون "الذوق البحثي"، أي القدرة على الحكم أي التجارب تستحق وأي النتائج موثوقة. Faraday يقوم بنفس العملية بشكل مستقل.

هذا يهم لأن التكرار العلمي أحد أبطأ العقبات في البحث الأكاديمي. تنفق المختبرات أشهراً في محاولة إعادة تنفيذ أساليب منشورة، والعديد لا يصل إلى تكرار النتائج الأصلية أبداً. وكيل ذكاء اصطناعي يفعل ذلك بشكل جيد يمكن أن يسرع العلم بطرق تتجاوز مجرد كتابة الكود.

من هي Inherent، المختبر وراء Faraday

Inherent مختبر ذكاء اصطناعي مقره في كينغز كروس، لندن، أسسه باحثون سابقون من Google DeepMind. المؤسسون المشاركون يشملون لويس كيرش، كالويان ألكسيف، تانتوم كولينز وإدوارد هيوز الذي يعمل كعالم رئيسي. خرجت الشركة من وضع التخفي في مايو 2026 وأعلنت جولة seed بقيمة 50 مليون دولار.

بحوالي 12 موظفاً حالياً، Inherent عملية صغيرة مقارنة بالمختبرات التي بنت Claude وGPT. يعمل الفريق في مكاتب في قلب لندن ويخطط للتوسع إلى 20-25 شخصاً بحلول نهاية 2026. الحجم الصغير يعكس فلسفة الشركة: حل المشاكل الصعبة بخوارزميات أفضل، لا بمزيد من المعاملات.

مهمة Inherent المعلنة تتجاوز تكرار الأوراق. يريد الفريق بناء ذكاء اصطناعي قادر على اكتشاف معرفة علمية جديدة، صياغة فرضيات غير مسبوقة وتنفيذ خطوط بحث من البداية للنهاية. تكرار المقالات المنشورة هو مجرد خطوة التحقق الأولى في هذا الاتجاه.

كيف يتفوق Faraday على Claude وGPT في التكرار العلمي

الأرقام التي أصدرتها Inherent تُظهر أن Faraday حقق دقة تكرار أعلى من Claude Opus 4.8 وGPT-5.5 في تقييمات عمياء. في الاختبارات، استلمت النماذج مقالات علمية منشورة وكان عليها إعادة تنفيذ الأساليب دون وصول للكود الأصلي أو نتائج مرجعية.

هذا مفاجئ لأن Faraday يعمل على بنية أصغر بكثير. Claude Opus 4.8 وGPT-5.5 نماذج متقدمة بمئات المليارات من المعاملات. بُني Faraday على Qwen 3.6 من Alibaba، الذي يضم 27 مليار معامل، جزء صغير من حجم النماذج التي هزمها.

التفسير ليس في الحجم بل في التدريب. طبقت Inherent خوارزميات تعلم التعزيزfocused بشكل محدد على تصميم التجارب، اختبار الفرضيات وتصحيح الأخطاء. تعلم النموذج إعطاء أولوية للتجارب ذات العائد المعلوماتي العالي وتقييم ما إذا كانت النتائج التجريبية منطقية. هذا التدريب المتخصص يصنع الفارق في المهام المنظمة كتكرار الأوراق.

كيف يعمل وكيل Faraday AI من الداخل

لا يحاول Faraday فعل كل شيء وحده. يعمل كوكيل ينسق أدوات مختلفة لإكمال تكرار مقال علمي. لمهام توليد وتنفيذ الكود، يفوّض Faraday إلى GPT-5.5 Codex من OpenAI. هذا القرار يتبع منطق مختبر حقيقي، حيث يستخدم الباحثون برامج موجودة بدلاً من بناء كل شيء من الصفر.

البنية الأساسية هي Qwen 3.6 27B، نموذج بأوزان مفتوحة من Alibaba. فوق هذه القاعدة، دربت Inherent ما تسميه "الذوق البحثي" باستخدام تعلم التعزيز. هذا التدريب يعلم الوكيل اتخاذ قرارات يتخذها باحث جيد: أي تجربة تشغيل أولاً، كيف تفسير النتائج الغامضة، متى تجرب نهجاً بديلاً. تركيز التدريب لم يكن على حفظ الأساليب، بل على تطوير القدرة على الحكم على الصلاحية التجريبية.

تعمل العملية في دورات. يقرأ Faraday المقال، يستخرج المنهجية، يخطط التجارب اللازمة، يكتب تعليمات لـ Codex لتوليد الكود، ينفذ الاختبارات ويحلل إن كانت النتائج تطابق المنشورة. إذا فشل شيء، يعدل النهج ويحاول مجدداً. حلقة الفرضية والاختبار والتصحيح هذه هي قلب الطريقة.

Faraday مقارنة بوكلاء ذكاء اصطناعي آخرين

الفرق الجوهري بين Faraday ونماذج مثل Claude وGPT في الغرض. Claude وGPT نماذج عامة صُممت للتعامل مع أي مهمة، من كتابة النصوص إلى تحليل البيانات. بُني Faraday بشكل محدد للتكرار العلمي، مع تعلم تعزيز في مجال مركز.

من حيث الحجم، الفرق كبير. نماذج Anthropic وOpenAI المتقدمة تعمل على عناقيد ضخمة بمئات المليارات من المعاملات. يعمل Faraday على 27 مليار معامل فوق بنية Qwen 3.6. هذا الفرق يعني تكلفة استدلال أقل ووصولاً أكبر للمختبرات البحثية التي لا تملك ميزانيات عمالقة التكنولوجيا.

من ناحية أخرى، Faraday ليس مساعداً للاستخدام العام. لن يكتب بريداً إلكترونياً أو ينشئ عرضاً تقديمياً. فائدته محصورة في المجال العلمي، تحديداً في تكرار والتحقق من النتائج التجريبية. نماذج مثل Claude وGPT تظل الخيارات الأفضل للمهام العامة في اللغة والكود.

مزايا وحدود Faraday من Inherent

الميزة الرئيسية لـ Faraday هي إثبات أن التدريب المتخصص يتفوق على الحجم الخام في المهام المنظمة. نموذج بـ 27 مليار معامل تفوق على أنظمة أكبر بمئات المرات لأنه دُرب بتركيز على البحث العلمي. هذا يفتح الطريق لمختبرات أصغر للمنافسة في مجالات محددة دون الحاجة لميزانيات بمليارات الدولارات.

الحد الأبرز هو التطبيق العملي. لا يوجد تطبيق أندرويد لتجربة Faraday مباشرة. إنه أداة بحثية مصممة للمختبرات الأكاديمية ومؤسسات البحث، وليس للمستخدم العادي. الوصول حالياً محدود بالمختبرات والباحثين الذين يتعاونون مع Inherent مباشرة.

حد آخر: Faraday يعتمد على بنية تحتية تقنية تتطلب معرفة متخصصة لتشغيلها. ليس منصلاً جاهزاً للاستخدام، بل أداة بحثية تتطلب إعداداً وفهماً عميقاً. النتائج التي ينتجها تحتاج للمراجعة من باحث بشري، لأن النموذج قد يصل لنتائج صحيحة عبر طرق مختلفة أو يفشل في تكرار أوراق معينة لأسباب مشروعة.

ما يعنيه Faraday لمستقبل البحث العلمي

يمثل Faraday اتجاهاً جديداً في الذكاء الاصطناعي: نموذج صغير مدرب بشكل متخصص يتفوق على عمالقة أكبر بكثير في مهام محددة. هذا يغير الفكرة القائلة بأن الذكاء الاصطناعي الأفضل يعني دائماً أكبر. بالنسبة للباحثين والمختبرات الأكاديمية، يفتح هذا إمكانية بناء أدوات متخصصة بموارد محدودة. Faraday ليس متاحاً كتطبيق على هاتفك، لكنه يمثل نقطة تحول في كيفية تفكيرنا في الذكاء الاصطناعي للبحث العلمي.