大多数AI阅读工具倾向于总结论文；Faraday则尝试重新执行它们。Inherent的新代理专为复制优化：识别关键实验步骤，设计可运行的程序，并报告结果是否成立。公司表示，Faraday基于相对较小的Qwen 27B级模型并配合外部工具，在其内部复制任务中表现优于更大型的OpenAI和Anthropic系统。即使这些头条数据尚属初步，目标的转变已值得关注。复制使科学严谨性得以操作化，直接关联实验室产出和可信度，比引用提取或文献综述质量更能反映实际效用。

所宣称的优势似乎源于代理设计而非单纯模型规模：通过强化学习培养“研究品味”，有意识地规划实验，并务实地依赖现有编码助手来实现。这种架构反映了人类团队的实际工作方式——首席研究员设定假设，博士后制定计划，工具生成代码和图表。如果目标是可重复性，协调能力与推理同等重要。开放问题是外部有效性：这些优势是否能在公开、盲测、多领域测试平台上持续体现，且具备强基线和透明指标，如success@k、数据访问平等和复制时间？

如果复制代理成熟，其对生物技术、材料科学和机器学习研究机构的影响可能立竿见影。它们可以在分配实验台前预筛选高投入论文，压力测试实验室标准操作程序，并记录负面结果——这些往往极具价值但被低估。对企业而言，这将AI从阅读助手转变为贯穿研发、合规和知识产权尽职调查的验证层。但治理至关重要：必须制定数据来源、代码执行、授权数据集和申诉升级的安全规范。缺乏透明协议和审计轨迹，规模化复制可能加速错误方法的传播，而非提升科学可靠性。