OpenAI4S: Open-Source Research Agent na may 30+ siyentipikong kasanayan na inilunsad ng Peking University at YuanKong AI

Claude Science, maaaring may marinig ka na.

Ang科研 Agent mula sa Anthropic na makakapaghahanap ng mga aklat, makakasulat ng code, makakapagpatakbo ng pag-aaral, at makakagawa ng mga larawan at ulat ay nagdulot ng pagmamalaki na “ito ang dapat na anyo ng AI para sa Agham.”

Ngunit ito ay proprietary.

Ngayon, may nag-replica nito—open source, MIT license, core na walang dependency.

Ang proyekto ay tinatawag na OpenAI4S (Open AI for Scientist), isang opisyal na inilabas na proyekto ng科研智能体 na pinagsama ng Peking University at YuanKong AI Agent Laboratory.

Mahahalagang punto: Hindi ito nagtatangkang maging "kakaparis" sa Claude Science, kundi itinatapos nito muli ang engine, persistent kernel, host-RPC protocol, at security layer sa isang open-source paraan, sumusunod sa ideya ng Code-as-Action.

Ang proyekto ay naging open source sa GitHub noong Hulyo 6, 2026, gamit ang MIT License.

Kasalukuyan, ang OpenAI4S ay nag-aalok ng mga kumpletong pananaliksik na Web application, higit sa isang dosenang nakapaloob na Skills, kakayahan sa pagpapalakas ng sariling computing power, at mga bersyon ng pananaliksik na produkto.

Yuan Kong AI Science: https://www.chatexcel.com/homesite/openAI4S

Hindi ito natutuwa sa pagbibigay ng isang sagot na tila tama, kundi nais na pumasok ang AI sa proseso ng pananaliksik, upang ilipat ang isang tanong mula sa “pagtatanong” patungo sa “pagkumpleto”.

Ngayon, maraming AI Agent na nagpapagawa ng parehong bagay: ang modelo ay nagtataya kung aling kasangkapan ang dapat gamitin mula sa isang naka-ihanda na “menu ng mga kasangkapan,” at pagkatapos ay lumilipat nang isa-isa. Sapat ang paraang ito para sa mga simpleng gawain.

Ngunit ang pananaliksik ay hindi isang bagay na maaaring matapos sa ilang mga hakbang lamang.

I-check ang maraming database, i-download ang data, i-clean ang data, ulitin ang pagbabago ng code, i-call ang mga propesyonal na algorithm, humingi ng GPU computing power, i-generate ang mga graph, i-organize ang report... Ang anumang hakbang na may problema ay maaaring magdulot ng pagbabalik at pag-uulit.

Ang sagot ng OpenAI4S ay Code-as-Action, o "Code as Action".

Ito ay nagpapahintulot sa agent na direktang lumikha ng Python o R code at i-execute sa isang patuloy na nagpapatakbo na kernel environment.

Ang pag-loop, pagpapasya sa kondisyon, pagproseso ng batch data, at paggawa ng graph ay maaaring isama sa isang pagpapatakbo; ang data at mga intermediate result ay hindi kailangang ibalik sa model sa bawat hakbang, kundi mananatili sa environment ng trabaho.

Ang pinakadirektang pagbabago para sa user ay hindi ang pagkakaroon ng isang teknikal na termino, kundi ang kakayahan ng AI na i-automate ang mas mahabang at mas kumplikadong mga gawain:

Ang data na i-download sa nakaraang hakbang, maaaring agad ibigay sa susunod na hakbang para sa pagsusuri;

Ang mga larawan, talahanayan, at ulat na nabuo ay awtomatikong ii-save;

Maaari rin ng mga mananaliksik na buksan ang Notebook kahit kailan, i-check ang code, magpatuloy sa pag-analisa, o baguhin ang mga resulta.

Ang code ay aksyon, ang kernel ay kapaligiran.

Mas katulad ng OpenAI4S ng isang panukalang mesa na ginagamit ng tao at AI.

Ibinibigay mo ang isang gawain na makakahanap ng sarili nito ng mga publikong pinagkukunan ng siyentipikong data, sumusulat at tumatagal ng analysis code, gumagamit ng propesyonal na computing power, at pagkatapos ay isinasama ang mga resulta sa mga larawan, talahanayan, 3D structure, o Markdown report.

Hindi ito nagtatapos pagkatapos gawin. Ang bawat produkto ng pananaliksik ay tatahian, iiiingat, at iversion, upang madaling i-check, i-edit, at i-reuse sa hinaharap.

Halimbawa, gawin itong mag-analisa ng isang protein.

Maaari itong unang maghanap ng totoong mga sequence at istruktura ng protina, pagkatapos ay kumpletuhin ang pagkalkula at visualisasyon ng mga katangian, at huling isulat ang proseso ng pagsusuri, mga pinagkukunan ng data, at mga resulta sa papel.

Ang pangunahin ay: ang data ay totoo, at ang kalkulasyon ay totoo rin.

Hindi makakonekta ang external service, o hindi natutugunan ang mga kondisyon sa kalkulasyon, ito ay sasabihin nang malinaw kung saan hindi ito makakagawa. Hindi ito maglalagay nang lihim ng isang simulated data, at mas higit pa, hindi ito gagawa ng isang resulta upang piliting punan ang papel.

△

Kadalasan ay kailangan pa ng maraming pagbabago sa pananaliksik.

Sa tradisyonal na proseso, maaaring kailanganin ng mga researcher na mahanap muli ang script para sa paggawa ng graph, baguhin ang mga parameter, i-run muli, at i-export ang file;

Sa OpenAI4S, maaari mong direkta ipahayag ang iyong mga hiling gamit ang natural na wika, at ang intelligent agent ay magreregenerate ng output batay sa mga umiiral na data at code, habang pinapanatili ang record ng bersyon.

△

Hindi sapat ang "pagiging matalino" lamang upang gawing tulong sa pananaliksik ang pangkalahatang modelo.

Dapat niyang malaman kung saan makukuha ang propesyonal na data, kung paano gamitin ang propesyonal na mga kasangkapan, at kung paano patakbuhin ang mga kumplikadong algoritmo.

Ang OpenAI4S ay may nakapag-imbak na higit sa 30 mga siyentipikong Skills mula sa unang pagkakataon.

Ang pag-analyze ng istruktura ng protina, sekwensya, pagdidisenyo ng protina, molecular docking, single-cell analysis, paghahanap ng mga aklat, at paghahanap ng bukas na data… ay naglalapat ng isang malawak na hanay ng karaniwang mga kompyutasyonal na pananaliksik.

Kung saan, ang 14 na Skills ay naglalaman ng mga kakayahan sa scientific computing na nangangailangan ng GPU o propesyonal na model.

Ang mga Skills dito ay hindi isang nakasulat na talaan ng mga parameter ng kasangkapan. Mas katulad sila ng isang hanay ng mga “recept ng code” na maaaring basahin, maintindihan, at isagawa ng isang agent.

Ang lahat ng datos na kailangan, mga serbisyo na tatawagin, paano isulat ang code, at kung paano i-check ang resulta, ay maaaring i-stored sa Skill.

Para sa mga bagong database, bagong algorithm, o bagong proseso ng eksperimento, patuloy na i-connect ng mga developer.

Ibig sabihin, ang set na ito ng kakayahan ay hindi nakafix sa isang beses; kung paano nagbabago ang mga pangangailangan sa siyensiya, maaaring umunlad din ang Skills.

Scientific computing, atatlong isang praktikal na problema: computing power.

Ang mga gawain tulad ng protein folding, mutation scoring, at molecular simulation ay hindi maaaring tapusin ng simpleng laptop sa madaling paraan.

At, maraming propesyonal na kalkulasyon ang nakadepende sa mga partikular na modelo, komplikadong software environment, at GPU resources.

Suporta ang pagkonekta sa sariling computing environment. Ang lokal ay responsable sa interaksyon at pag-organisa ng mga gawain, habang ang mga propesyonal na komputasyon na nangangailangan ng GPU ay maaaring isauli sa sariling server para sa pagsasagawa, at ang mga resulta ay babalik sa parehong agham na workflow.

Halimbawa, ang paghuhula ng istruktura ng protina at pagsusuri ng epekto ng mutasyon, ang totoo namang mahirap ay hindi ang pagbuo ng code para sa pagtawag, kundi ang pagpapadala ng input sa tamang computing environment at ang paghahatid ng buong resulta pabalik sa workflow.

Hindi mo kailangang i-press lahat sa isang computer, at hindi ka kailangang i-rewrite ang buong proseso para mag-connect ng isang computing server—mahalaga ito lalo na para sa mga laboratorio at research teams.

Ang data, model, at computing power ay maaaring manatili sa kanilang sariling environment, at ang agent ang gagawin ang pag-uugnay sa kanila.

Ang pinakakatakutan sa paggamit ng murang model para sa pananaliksik ay ang pagiging serioso habang nagmumula ng mga kakaibang bagay.

Itinakda ng OpenAI4S ang isang matigas na patakaran na tinatawag na no-fabrication policy: ang paggamit ng np.random upang ipakita ang mga resulta ng eksperimento, ang pagbuo ng "conservativeness" na may sariling pag-iisip, ang paggamit ng BLOSUM bilang palit ng ESM, ang paggamit ng simulated dataset bilang totoong data... lahat ay bawal.

O talagang serbisyo, o magsingkit ng tama.

Kaya kapag bumalik ka sa kaso ng INS—ang sequence ay totoo mula sa UniProt, ang structure ay totoo mula sa RCSB, at kung hindi makakonekta sa internet, ito ay magpapakita nang tapat na iiwas, hindi magbibigay ng isang mali.

Kung talagang kailangan ng protein structure, talagang gumagamit ito ng GPU: ang host.fold ay mag-ssh sa isang machine na may 8×A100 para jalurin ang single-sequence Proteinx (AlphaFold3 level) inference at ibalik ang structure na may pLDDT; ang host.score_mutations naman ay tumatagal ng totoong ESM scoring para piliin ang mutations.

Walang GPU? Mag-aanunsiyo ito ng error nang diretso, hindi magbibigay ng isang pambansang istruktura.

Mas pipili ito na sabihin sa iyo ang “hindi makakalkula” kaysa magbigay sa iyo ng isang mukhang totoo ngunit maliit na istruktura.

Para sa isang科研 Agent, mas mahalaga ito kaysa sa "lahat ng bagay".

Ang paglalabas ng OpenAI4S ay hindi lamang pagdaragdag ng isang open-source project, kundi isang pagpapatupad ng kolaborasyon sa pagitan ng Peking University at YuanKong AI sa pagtutulungan ng industriya, akademya at pananaliksik.

Bilang isang pana-panahong resulta ng joint laboratory, ang pagbuo at pag-open source ng OpenAI4S ay hindi maaaring maganap nang walang patuloy na pagkakasakop at pagpapalakas ni Gongbo Zhang mula sa joint laboratory.

Ang pananaliksik ni Zhang Gongbo ay nakatuon sa AI for Science, kung saan siya ay isang kasamang unang may-akda ng UniGenX, na nag-aaral ng pangkalahatang scientific foundation model para sa mga molecule, materyales, at protein. Ang mga akumuladong pag-aaral na ito sa scientific intelligence ay patuloy na napalawak patungo sa pag-unlad at pagpapatupad ng OpenAI4S.

Samantay, ang OpenAI4S ay nagtataglay ng malaking pagsisikap ng mga estudyante tulad ni Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang, at Wang Yimi, mula sa disenyo ng framework, pagbuo ng mga tampok, hanggang sa paglabas bilang open source—ang bawat yugto ay hindi makakamit nang walang pakikilahok at pagtutulungan ng lahat.

Ang YuanKong AI ay isang end-side AI company na nakatuon sa paggamit ng model post-training, Agent Runtime, long-term memory, at end-side inference technologies upang payagan ang AI na matapos ang mga kumplikadong gawain sa lokal at offline na mga kapaligiran.

Kasalukuyan, ang kumpanya ay nagbuo ng dalawang linya ng produkto: YuanKong AI Work at YuanKong AI Science, na pumasok sa mga larangan ng smart office at scientific discovery.

Ang pagbubukas ng OpenAI4S na ito ay nagpapakita rin ng kanilang karaniwang pagtataya ng Joint Laboratory at MetaSpace AI tungkol sa科研 Agent:

Hindi dapat magtagal ang mga scientific agent sa demo lamang, kundi dapat maging tunay na nauunawaan, ma-check, at ma-expand na imprastraktura para sa pananaliksik.

Kaya ang mga binuksan dito ay hindi lamang mga halimbawa, kundi pati na rin ang pangunahing arkitektura, mga siyentipikong kasanayan, at kompletong aplikasyon.

Maaaring mag-connect ang mga unibersidad, mga institusyon ng pananaliksik, mga developer, at mga kasosyo sa industriya sa base na ito para magamit ang mga pinagmulan ng data, algoritmo, mga kasangkapan, at proseso ng pananaliksik upang magtulungan sa pagpapalawak ng科研Agent sa mas maraming totoong gawain.

Makikilahok sa OpenAI4S mula sa pagpapatakbo nito.

Hindi kumplikado ang pag-install, tatlong linya lang ang kailangan upang i-start:

I-start ang proyekto mismo, walang kailangang i-configure ang model Key muna.

Pagkatapos makapasok sa interface, punan sa Customize → Models.

Ang proyekto ay kasama ang buong set ng totoong mga kaso na maaari mong sundan nang direkta: Live API workflow, tunay na数据分析 ng human insulin INS, pagbabago ng imahe sa isang pangungusap, at paghuhula ng solubilidad ng artemisinin at paclitaxel sa mode ng plano, protein engineering...

Ngunit ang pagpapatakbo ng proyekto ay only ang unang hakbang.

Totoong pananaliksik ay sumasakop sa maraming larangan tulad ng buhay na agham, kimika, materyales, medisina, at agham ng daigdig.

May sariling database, propesyonal na modelo, at proseso ng kalkulasyon bawat direksyon. Imposible na mapuno ang napakalaking saklaw ng kakayahan sa isang pagkakataon lamang ng isang team.

Kaya, ang OpenAI4S ay opisyal na nagpapahayag ng Call for Contributors para sa mga unibersidad, mga institusyon ng pananaliksik, mga developer, at mga tim ng industriya.

Kasalukuyan, binibigyan ng bahagyang suporta ng Skills UI ng RabbitShow Intelligence ang open-source na proyekto.

Kung kilala mo ang isang partikular na larangan ng pananaliksik, maaari mong lumikha ng mga bagong pananaliksik na Skills, at i-integrate ang mga propesyonal na database, algorithmic models, at computing platforms;

Kung kayang mag-aksyon bilang Agent o software engineering, maaari ka ring makilahok sa pagpapabuti ng core architecture, remote computing, security mechanisms, testing, at documentation.

Hindi kailangang sumulat ng code para makilahok.

Ang pag-submit ng isang Issue, ang pagdagdag ng isang makakapag-replicate na kaso, ang pag-feedback ng isang nabigo na task, o ang pagpapahayag sa komunidad kung ano ang tunay na kailangan ng isang disiplina, ay mga may halagang kontribusyon.

Kung naniniwala ka rin na ang scientific agent ay hindi dapat magtagal sa demo lang, mangyaring i-run ito at mangyaring sumama sa pagpapatuloy nito.

Portal

https://github.com/PKU-YuanGroup/OpenAI4S

https://www.chatexcel.com/homesite/openAI4S

Nakuha mula sa WeChat public account na "Quantum Bit", may-akda: Nakikisali sa mga nangungunang teknolohiya