Claude Science, probablemente hayas oído hablar de él.
El agente de investigación de Anthropic que puede buscar automáticamente literatura, escribir código, ejecutar análisis y generar gráficos e informes hizo que mucha gente exclamara: «¡Así es como debería ser la IA para la ciencia!»
Pero es de código cerrado.
Ahora, alguien lo ha replicado: de código abierto, con licencia MIT, sin dependencias centrales.
El proyecto se llama OpenAI4S (Open AI for Scientist) y es un proyecto de agente científico recientemente abierto por el Laboratorio Conjunto de Agentes AI de la Universidad de Pekín y YuanKong.
Destacamos: no es solo «parecido» a Claude Science, sino que reimplementó de forma independiente y abierta el motor, el núcleo persistente, el protocolo host-RPC y la capa de seguridad siguiendo la idea de Code-as-Action.
El proyecto fue abierto en GitHub el 6 de julio de 2026 bajo la licencia MIT.
Actualmente, OpenAI4S ofrece una aplicación web de investigación completa, decenas de Skills integrados, capacidad de conexión a capacidad de cómputo propia y productos de investigación versionados.
Meta AI Science: https://www.chatexcel.com/homesite/openAI4S
No se conforma con proporcionar una respuesta que parezca correcta, sino que busca hacer que la IA realmente se integre en el flujo de trabajo de investigación, llevando un problema desde su "planteamiento" hasta su "finalización".
No se trata de tener varias rondas de conversación, sino de hacer que la IA actúe realmente.
Muchos agentes de IA hoy en día hacen esencialmente lo mismo: el modelo enfrenta un menú de herramientas preparado con anticipación, decide qué herramienta llamar y luego avanza paso a paso. Para tareas sencillas, este método es suficiente.
Pero la investigación científica no es algo que se pueda resolver en unos pocos pasos.
Consultar múltiples bases de datos, descargar datos, limpiar datos, modificar repetidamente el código, invocar algoritmos profesionales, solicitar potencia de GPU, generar gráficos, organizar informes... Cualquier paso con problemas podría requerir volver atrás y comenzar de nuevo.
La respuesta de OpenAI4S es Code-as-Action, es decir, "código como acción".
Permite que el agente genere directamente código Python o R y lo ejecute en un entorno de kernel en ejecución continua.
El bucle, la evaluación condicional, el procesamiento por lotes de datos y la visualización pueden realizarse en una sola ejecución; los datos y los resultados intermedios no necesitan ser devueltos al modelo en cada paso, sino que se mantienen en el entorno de trabajo.
Para los usuarios, el cambio más directo no es la aparición de un nuevo término técnico, sino que la IA puede encadenar tareas más largas y complejas:
Los datos descargados en el paso anterior se pueden pasar directamente al paso siguiente para análisis;
Las imágenes, tablas e informes generados se guardarán automáticamente;
Los investigadores también pueden abrir el Notebook en cualquier momento para revisar el código, continuar con el análisis o modificar los resultados.
El código es la acción, el núcleo es el entorno.
En una interfaz, completa el proceso de investigación desde los datos hasta la conclusión.
OpenAI4S se parece más a una mesa de trabajo científica compartida por humanos y IA.
Proporcionas una tarea que puede buscar automáticamente fuentes de datos científicos públicos, escribir y ejecutar código de análisis, utilizar capacidades de cálculo profesionales, y luego organizar los resultados en imágenes, tablas, estructuras tridimensionales o informes en Markdown.
Todo el proceso no termina una vez completado. Cada producto de investigación se registra, guarda y versiona para facilitar su revisión, modificación y reutilización posteriores.
Por ejemplo, que analice una proteína.
Puede primero recuperar datos reales de secuencias y estructuras de proteínas, luego realizar el cálculo de características y la visualización, y finalmente incluir el proceso de análisis, las fuentes de datos y los resultados en el artículo.
Lo importante es: los datos son reales y el cálculo también es real.
Si no se puede conectar con el servicio externo o no se cumplen las condiciones de cálculo, te indicará claramente qué no se puede hacer. No insertará secretamente datos simulados ni inventará un resultado para completar forzosamente el artículo.
△
El trabajo de investigación a menudo también requiere múltiples revisiones.
En los procesos tradicionales, los investigadores podrían tener que volver a encontrar los scripts de graficación, modificar los parámetros, volver a ejecutarlos y exportar los archivos;
En OpenAI4S, puedes solicitar ajustes directamente mediante lenguaje natural; el agente inteligente regenerará el producto basándose en los datos y el código existentes, manteniendo al mismo tiempo un registro de versiones.
△
Decenas de habilidades científicas, integrando competencias profesionales en agentes inteligentes
Un modelo general quiere convertirse en asistente de investigación, pero solo ser «inteligente» no es suficiente.
Debe saber dónde encontrar datos profesionales, cómo usar herramientas profesionales y cómo ejecutar algoritmos complejos.
OpenAI4S incluye inicialmente más de 30 habilidades científicas.
Estructura de proteínas, análisis de secuencias, diseño de proteínas, acoplamiento molecular, análisis de célula única, búsqueda de literatura, acceso a datos abiertos... cubre básicamente una serie de escenarios comunes de investigación computacional.
De ellos, 14 Skills encapsulan capacidades de cálculo científico que requieren GPU o modelos profesionales.
Aquí, las Skills no son una tabla de parámetros de herramientas fijos. Son más bien un conjunto de "recetas de código" que los agentes pueden leer, comprender y ejecutar.
Todos los datos necesarios, los servicios a llamar, cómo escribir el código y cómo verificar los resultados pueden almacenarse en el Skill.
Para nuevas bases de datos, nuevos algoritmos o nuevos procesos experimentales, los desarrolladores pueden seguir conectándolos.
Es decir, este conjunto de capacidades no está fijado de forma permanente; según cómo cambien las necesidades de investigación, Skills puede crecer junto con ellas.
¿Los datos de investigación deben conectarse a un entorno de cómputo real? Envía la tarea a tu GPU.
Cálculo científico, y还有一个很现实的问题：算力。
Tareas como el plegamiento de proteínas, la puntuación de mutaciones y la simulación molecular no se pueden completar simplemente ejecutándolas en una laptop común.
Además, muchos cálculos profesionales dependen de modelos específicos, entornos de software complejos y recursos de GPU.
OpenAI4S admite la integración con entornos de cómputo propios. La interacción y la organización de tareas se realizan localmente, mientras que los cálculos especializados que requieren GPU pueden asignarse a sus propios servidores; una vez finalizados, los resultados regresan a la misma secuencia de trabajo de investigación.
Por ejemplo, en la predicción de estructuras proteicas y la evaluación de efectos de mutaciones, lo realmente difícil a menudo no es generar el código de llamada, sino enviar la entrada al entorno de cálculo correcto y recuperar completamente los resultados en el flujo de trabajo.
No es necesario ajustar todo en una sola computadora ni reescribir todo el proceso para conectar un servidor de poder de cómputo, lo cual es especialmente importante para laboratorios y equipos de investigación.
Los datos, los modelos y la capacidad de cómputo pueden permanecer en sus propios entornos, mientras que los agentes se encargan de conectarlos.
Datos reales, cálculos reales, no está inventado.
Usar modelos baratos para investigación científica, ¿qué es lo que más temes? Que te invente cosas con toda seriedad.
OpenAI4S estableció una regla estricta llamada política de no fabricación: está prohibido usar np.random para simular resultados experimentales, inventar «conservadurismo» artificialmente, usar BLOSUM como si fuera ESM, o presentar conjuntos de datos simulados como datos reales... todo está prohibido.
O servicio real, o error honesto.
Entonces, al revisar el caso de INS: la secuencia se obtiene realmente de UniProt, la estructura se descarga realmente de RCSB, y si no hay conexión a internet, simplemente omite el paso con honestidad, sin darte uno falso.
Si realmente se calcula la estructura proteica, también requiere realmente una GPU: host.fold se conecta por SSH a una máquina con 8×A100 para ejecutar inferencia de secuencia única con Protenix (nivel AlphaFold3) y devuelve la estructura con pLDDT; host.score_mutations ejecuta puntuaciones ESM reales para evaluar mutaciones.
¿Sin GPU? Entonces arrojará un error directamente y no te creará una estructura falsa.
Prefiere decirte "no se puede calcular" en lugar de darte una estructura falsa que parezca creíble.
For a research agent, this may be more important than "being good at everything."
Código abierto, una práctica impulsada por el Laboratorio Conjunto de Pekín y YuanKong AI para fomentar la colaboración entre la industria, la academia y la investigación.
El lanzamiento de OpenAI4S no solo añade un proyecto de código abierto, sino que también representa una práctica de colaboración entre la Universidad de Pekín y YuanKong AI en la sinergia entre la industria, la academia y la investigación.
Como resultado intermedio del laboratorio conjunto, OpenAI4S, desde su desarrollo hasta su apertura, no habría sido posible sin el compromiso continuo y el impulso del estudiante Zhang Gongbo del laboratorio conjunto.
El área de investigación de Zhang Gongbo se centra en AI for Science. Como coautor principal de UniGenX, exploró un modelo científico generalizado orientado a moléculas, materiales y proteínas, y estos avances en inteligencia científica se han extendido además al desarrollo y la implementación de OpenAI4S.
Al mismo tiempo, OpenAI4S también es el resultado del esfuerzo conjunto de los estudiantes Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang y Wang Yimi, cuya colaboración y dedicación fueron fundamentales en cada etapa, desde el diseño del marco hasta el desarrollo de funciones y la publicación open source.
YuanKong AI es una empresa de IA en el borde que se enfoca en permitir que la IA realice tareas complejas en entornos locales y sin conexión mediante técnicas de post-entrenamiento de modelos, Agent Runtime, memoria a largo plazo e inferencia en el borde.
Actualmente, la empresa ha desarrollado dos líneas de productos: YuanKong AI Work y YuanKong AI Science, que ingresan respectivamente a los campos del trabajo inteligente y el descubrimiento científico.
Esta apertura de OpenAI4S también refleja el juicio conjunto del laboratorio conjunto y MetaSpace AI sobre los agentes de investigación:
Los agentes de investigación científica no deben quedar solo en demos, sino convertirse en una infraestructura de investigación verdaderamente ejecutable, verificable y escalable.
Por lo tanto, lo que se abre en esta ocasión no son solo ejemplos, sino también la arquitectura central, las habilidades de investigación y la aplicación completa.
Las universidades, instituciones de investigación, desarrolladores y socios industriales pueden integrar fuentes de datos, algoritmos, herramientas y procesos de investigación sobre esta base para impulsar conjuntamente la adopción de Agentes de Investigación en más tareas reales.
Bienvenido a ponerlo en marcha y seguir adelante juntos
Participa en OpenAI4S comenzando por ponerlo en funcionamiento.
La instalación no es complicada; puedes iniciarla con tres líneas:
Iniciar el proyecto en sí, sin necesidad de configurar previamente la clave del modelo.
Después de ingresar a la interfaz, simplemente complete en Customize → Models.
El proyecto también incluye un conjunto completo de casos reales que puedes seguir directamente: flujo de trabajo de API en vivo, análisis de datos reales de insulina humana INS, modificación de imágenes con una sola frase, y predicción de solubilidad de artemisinina y paclitaxel en modo planificado, ingeniería de proteínas...
Pero poner en marcha el proyecto es solo el primer paso.
La investigación real abarca numerosos campos, como las ciencias de la vida, la química, los materiales, la medicina y las ciencias de la Tierra.
Cada dirección tiene su propia base de datos, modelo especializado y proceso de cálculo. Tal extensa capacidad no puede ser completada de una sola vez por un solo equipo.
Por lo tanto, OpenAI4S lanza oficialmente una convocatoria para contribuyentes dirigida a universidades, instituciones de investigación, desarrolladores y equipos industriales.
Actualmente, Skills UI de TuZhan Intelligence ha brindado cierto apoyo a este proyecto de código abierto.
Si estás familiarizado con una dirección de investigación, puedes desarrollar nuevas Skills de investigación, conectándolas a bases de datos profesionales, modelos algorítmicos y plataformas de cálculo;
Si tienes experiencia en Agentes o ingeniería de software, también puedes participar en la mejora de la arquitectura central, el cómputo remoto, los mecanismos de seguridad, las pruebas y la documentación.
Sin escribir código, también puedes participar.
Enviar un issue, agregar un caso reproducible, reportar una tarea fallida o informar a la comunidad qué necesita realmente una disciplina son contribuciones valiosas.
Si también crees que los agentes de investigación no deberían quedar solo en demos, bienvenido a ejecutarlo y a unirte para seguir desarrollándolo.
Portal
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
Este artículo proviene del canal de WeChat "Quantum Bit", autor: Seguir la tecnología de vanguardia