🔬 27億パラメータがOpenAIに勝った日｜Inherent Labsの「AI研究者」がすごい

アイ

2026-08-23

「パラメータ数がすべてじゃない」を実証したニュース

このニュース見たとき、正直びっくりした。ロンドン拠点の新興AI研究所Inherent Labsが開発したAIエージェント「Faraday」が、科学論文を再現する能力でAnthropicのClaude Opus 4.8とOpenAIのGPT-5.5を上回ったんだって。しかもFaradayが使ってるベースモデルは、たったの27億パラメータ。

AI業界ってずっと「モデルは大きければ大きいほど強い」っていう空気があったし、実際に各社が兆単位のパラメータ数を競い合ってきた歴史があるよね。そんな中で、大手の最新モデルを小さなモデルが上回ったっていうニュースは、なんだかスカッとするものがあるなって思った。

今日はこのFaradayが何をやってのけたのか、そしてなぜ小さいモデルでもここまでできたのかを、わたしなりに掘り下げてみたいと思う。

そう考える5つの理由

理由1：27億パラメータって、正直すごく小さい部類

世間のAIモデル競争を見てると、フロンティアモデルは兆単位のパラメータを持つのが当たり前になってきてるよね。そんな中でFaradayが使ってるQwen 3.6は27億パラメータ。数字だけ見ると、これはもう「小型」を通り越して「軽量級」って呼んでいいレベルだと思う。

なぜならパラメータ数が少ないモデルは、一般的に学習できる知識量や表現力に限界があると考えられてきたから。それでも科学論文の複製というかなり専門性の高いタスクで、桁違いに大きいはずの大手モデルを上回ったというのは、素直にすごいことだと思うの。

わたしはこの結果を見て、「モデルのサイズ」と「特定タスクでの実力」は必ずしも比例しないんだなって改めて感じた。大きければ何でもできる万能選手を目指すアプローチと、小さくても特定の役割に特化させるアプローチ、どっちが正解っていうんじゃなくて、目的次第で使い分ける時代に入ってきてるのかもしれないね。

理由2：勝負したのは「賢さ」じゃなくて「研究的センス」

だからこういうことは考えておいた方がいいよねって思うのが、Faradayの強みは知識量じゃなくて「研究的センス」を強化学習で鍛えたところにあるってこと。良い実験デザインを判断できる能力を、ルールベースじゃなくて報酬ベースの訓練で身につけさせたんだって。

これって、知識を詰め込むタイプの学習とは根本的に発想が違うよね。「何を知っているか」じゃなくて「どう考えるか」を鍛えるアプローチ。チーフサイエンティストのEdward Hughes氏が「好奇心から実験を実施し、結果を提示するチームメイトのようなAI」を目指してるってコメントしてるのも、この方向性をよく表してると思う。

わたしはこのアプローチ、すごく理にかなってると思うの。知識量の勝負だと、リソースが潤沢な大手にどうしても分があるよね。でも「考え方のクセ」を鍛える勝負なら、小さなチームでも工夫次第で大手を出し抜けるチャンスがあるってことだから。

理由3：12人・5000万ドルという身軽さが武器になってる

Inherent Labsの規模、従業員は約12人で、2026年5月に調達したシード資金は5000万ドル。大手AI企業の資金規模と比べたら、正直かなり小さいチームだよね。それでもこの成果を出せたっていうのは、少数精鋭だからこその機動力が効いてるんじゃないかなってわたしは思う。

世間では「AI開発には莫大な計算資源と人員が必要」っていう前提で語られることが多いけど、Inherent Labsの事例は、少なくとも特定タスクに絞れば、身軽なチームでも大手に対抗できるっていう可能性を示してるよね。共同創業者4人のうち3人がGoogle DeepMind出身というバックグラウンドも、質の高い研究アプローチを支えてる要因なんだろうなと想像できる。

なぜなら小さなチームほど、意思決定のスピードや実験の回転数を上げやすいから。大きな組織だと承認プロセスに時間がかかるところを、少人数なら試行錯誤をどんどん重ねられる。この差が、限られたリソースでも成果につながった一因なんじゃないかなって思うの。

理由4：既存ツールを自作しないという割り切り

Inherent LabsはFaradayの開発にあたって、OpenAIのCodexのような既存ツールを活用していて、ゼロから全部自作するという方針を取ってないんだって。この割り切り、地味だけどすごく重要なポイントだとわたしは思う。

世間だと「独自技術で全部を内製する」ことがすごいことのように語られがちだけど、限られたリソースの中で最大の成果を出すには、使えるものは使うっていう判断も立派な戦略だよね。自分たちが本当に価値を出せる部分にリソースを集中させて、それ以外は既存の仕組みに乗っかる。このメリハリがあったからこそ、少人数でもここまでの成果が出せたんじゃないかな。

わたしはこの姿勢、スタートアップに限らずどんな組織にも参考になる考え方だと思う。全部自前でやろうとすると、リソースが分散して結局どれも中途半端になりがち。逆に「ここは他に任せる」って割り切れる企業ほど、コアの強みに集中できて結果を出しやすいんじゃないかなって感じてる。

理由5：「チームメイトのようなAI」という表現がしっくりくる

Hughes氏がFaradayについて語った「好奇心から実験を実施し、結果を提示するチームメイトのようなAI」っていう表現、わたしはこれがすごく的確な言い方だなって思った。世間で語られるAIエージェント像って、どちらかというと「指示を出せば何でもやってくれる優秀な部下」みたいなイメージが強い気がするの。

でもFaradayが目指してるのは、それとはちょっと違う立ち位置だよね。「チームメイト」っていう言葉には、対等な立場で一緒に考えて、時には人間が思いつかないような実験の切り口を提案してくれる、そんなニュアンスが含まれてると思う。なぜなら研究の世界って、正解が最初から分かってるわけじゃなくて、良い問いを立てられるかどうかがすごく重要だから。指示待ちの部下ではなく、自分から好奇心を持って動けるパートナーとしてのAI、というコンセプトは、研究分野だからこそ生きてくる発想なんだろうなって感じる。

わたしとしては、AIエージェントの理想像が「万能な部下」なのか「対等なチームメイト」なのかで、開発の方向性がだいぶ変わってくると思うの。Inherent Labsの選んだ道は後者で、その結果として今回のような成果につながったんだとしたら、これから他の分野のAI開発にも応用が効きそうな考え方だなって思う。

まとめ：「大きいAI」の時代から「うまく育てたAI」の時代へ

Inherent LabsとFaradayの事例から見えてくるのは、AI開発の勝負がパラメータ数の大きさだけで決まる時代から、少しずつ変わり始めてるかもしれないってこと。研究的センスの鍛え方、リソースの使い方、既存ツールとの付き合い方、それぞれの工夫の積み重ねが、大手を上回る成果につながった好例だと思う。

Inherent Labsは今後、複数の科学分野に対応できる「AI科学者エージェント」を目指しているとのことで、この動きが実際の研究現場にどう浸透していくのか、わたしとしてもすごく気になるところ。研究のスピードそのものがAIによって底上げされる未来、そう遠くないのかもしれないね。

わたしたちがAIツールを選ぶときも、「パラメータ数が大きいから優秀」みたいな単純な物差しだけじゃなく、そのモデルが何にどう特化して鍛えられているかを見る視点、これから大事になってくると思うの。

関連記事: AIツールの性能比較はこちら

ソース:

Inherent, founded by DeepMind alumni, says its AI teammate just outperformed Anthropic and OpenAI at replicating research（TechCrunch, 2026年8月22日）