Kdo je Faraday a proč by vás to mělo zajímat
Za Faradayem stojí londýnská laboratoř Inherent, kterou založili bývalí výzkumníci z Google DeepMind. Firma vyplula z utajení teprve na konci května, a to s 50 miliony dolarů (zhruba 1,1 miliardy korun) v seed kole, které spoluvedly fondy Index Ventures a Radical Ventures. Jen pár týdnů poté zveřejnila první konkrétní výsledky.
Tým čítá dvanáct lidí, všichni sedí v jedné kanceláři v londýnském King's Cross — čtvrti, kterou právě přítomnost DeepMind proměnila v jedno z nejsilnějších evropských center umělé inteligence. Do konce roku chce firma rozšířit tým na 20 až 25 lidí.
Jak test probíhal: žádná odpověď předem
Úkol zní na první poslech skromně, ale pro stroj je těžký. Faraday dostal za úkol nezávisle zopakovat výsledky z publikovaných vědeckých článků. Důležité je, že dopředu neznal správné odpovědi. Musel sám porozumět studii, navrhnout experimenty a pokusit se ověřit, jestli publikované závěry skutečně sedí.
Pro lidi je to standardní součást vědeckého výcviku. „Mnoho doktorandů vlastně začíná právě tím," vysvětlil pro TechCrunch spoluzakladatel a hlavní vědec Edward Hughes. Dřív než se pustí do vlastní práce, musí umět zopakovat, co už udělal někdo jiný.
27 miliard parametrů versus obří modely
A teď to nejzajímavější. GPT-5.5 i Claude Opus 4.8 jsou „frontier" modely — tedy největší a nejdražší systémy, jaké OpenAI a Anthropic nabízejí. Faraday naproti tomu běží na Qwen 3.6 od Alibaby, open-weight modelu s přibližně 27 miliardami parametrů.
Parametry si představte jako „šroubky" v mozku modelu. Čím víc jich je, tím víc informací model obvykle pojme — ale taky tím víc stojí jeho trénink a každý jednotlivý dotaz. Frontier modely mají řádově víc parametrů než Faraday, často jde o stovky miliard. A přesto v tomto konkrétním testu prohrály.
Zkuste si to přepočítat na hardware. Model s 27 miliardami parametrů zabere v běžném 16bitovém formátu zhruba 54 GB paměti, po 4bitové kvantizaci už jen kolem 14 GB. To znamená, že se vejde na jedinou výkonnou grafickou kartu — zatímco obří modely vyžadují celé klastry. Pro výzkumnou instituci nebo menší firmu je to propastný rozdíl v nákladech na provoz.
Výzkumný vkus a reinforcement learning
Inherent ale tvrdí, že klíčem není samotná velikost, nýbrž „research taste" — česky by se dalo říct „výzkumný vkus". Tedy schopnost poznat, které experimenty mají smysl, jakou otázku se vyplatí položit a jak šetření správně navrhnout.
Takový úsudek nejde popsat pevnými pravidly. Firma proto sází na reinforcement learning — metodu, při níž model nedostává přesný návod, ale odměnu za dobrý výsledek. Podobně jako když se pes učí povel „sedni" ne tím, že mu vysvětlíte anatomii, ale že ho odměníte pamlskem, když si sedne. Inherent věří, že právě tahle cesta vede k agentům, kteří se budou umět přizpůsobit napříč vědními obory.
Proč Faraday používá cizí nástroje
Za pozornost stojí i jedno zdánlivě nenápadné rozhodnutí: Inherent si nepsal vlastní model na programování, ale nechal Faradaye používat Codex od OpenAI. Je to stejná logika, jakou používá skutečný vědec — nemá smysl stavět si vlastní mikroskop, když si můžete koupit hotový a soustředit se na výzkum.
Pro Inherent je hodnota v tom, že agent umí vybrat správný nástroj a správně ho použít, ne v tom, že by si všechno postavil sám.
Evropský úhel: menší modely jako šance pro startupy
Tahle zpráva má pro Evropu a Česko konkrétní důsledek. Trénovat frontier model vyžaduje miliardy dolarů na výpočetní výkon — na to mají peníze jen giganti typu OpenAI, Google nebo Anthropic. Pokud se ale ukáže, že specializovaný agent postavený na open-weight modelu může v konkrétní úloze vyhrát, otevírá to dveře menším týmům, které nemají vlastní superpočítač.
Qwen 3.6 je open-weight, takže si ho — na rozdíl od GPT-5.5 — může kdokoli stáhnout a upravit. Pro českou univerzitu, výzkumný ústav nebo startup to znamená možnost stavět na kvalitním základu bez placení drahých API poplatků za každý token.
Hughes ovšem upozorňuje i na evropskou bolístku: britskou praxi zvanou „garden leave", kdy zaměstnanec po výpovědi nesmí měsíce nastoupit ke konkurenci ani založit vlastní firmu. Američtí výzkumníci tohle omezení většinou nemají, takže americké startupy najímají talenty rychleji. „Je to můj osobní názor, ne stanovisko firmy, ale s tímhle problémem jsem se sám setkal," řekl Hughes TechCrunchi.
Kde jsou limity
Je férové dodat, že Faraday zatím nic nového neobjevil. Umí reprodukovat existující výsledky, ale k samostatným vědeckým objevům má ještě daleko. Cíl Inherent je právě to — vybudovat „AI vědce", který bude schopný nejen číst, ale i formulovat vlastní hypotézy a testovat je.
Ambice firmy sahají i k takzvaným world modelům — systémům, které si mají budovat bohatší vnitřní představu o tom, jak věci souvisí a co co způsobuje. Kombinace autonomního agenta s takovým modelem by jednou mohla znamenat AI, která nejen hledá znalosti, ale sama přispívá novými.
Pro teď zůstává hlavní poselství skromnější, ale o to podnětnější: větší neznamená automaticky lepší. Chytřejší trénink a promyšlená architektura agenta dokážou občas vyhrát nad holou velikostí. A to je dobrá zpráva pro všechny, kdo nemají miliardu na výpočetní výkon.
Je Faraday dostupný i v Česku?
Faraday je vědecký agent britského startupu Inherent, který zatím funguje spíše jako výzkumný projekt než veřejně prodávaný nástroj. Postavený je na open-weight modelu Qwen 3.6 od Alibaby, který si může stáhnout kdokoli včetně českých vývojářů a univerzit — samotný agent Faraday ale zatím není nabízen jako běžná komerční služba.
Co přesně znamená „27 miliard parametrů"?
Parametr je číselná hodnota uvnitř neuronové sítě, kterou model upravuje během učení. Počet parametrů je hrubý ukazatel velikosti modelu a obvykle i nákladů na jeho trénink a provoz. 27 miliard je na dnešní poměry malý model — špičkové systémy jako GPT-5.5 nebo Claude Opus 4.8 jich mají řádově víc.
Znamená to, že malé modely obecně porazí ty velké?
Ne. Faraday vyhrál v jedné konkrétní a úzce zaměřené úloze (reprodukce publikovaných studií). V běžném porozumění jazyku, psaní kódu nebo obecných znalostech velké modely dál vedou. Výsledek ale ukazuje, že specializace a dobrý trénink můžou v určitých oblastech velikost vyvážit.
