OpenAI4S : Agent de recherche open-source avec plus de 30 compétences scientifiques lancé par l'Université de Pékin et YuanKong AI

Claude Science, vous en avez peut-être entendu parler.

L'agent de recherche d'Anthropic, capable de rechercher des articles scientifiques, d'écrire du code, d'exécuter des analyses et de générer des graphiques et des rapports, a un moment fait dire à beaucoup : « Voilà ce que l'IA pour la science devrait être. »

Mais il est propriétaire.

Maintenant, quelqu'un l'a reproduit — open source, licence MIT, zéro dépendance centrale.

Le projet s'appelle OpenAI4S (Open AI for Scientist) et est un projet d'agent scientifique officiellement open source lancé par le laboratoire conjoint de l'Université de Pékin et d'YuanKong AI Agent.

À retenir : ce n'est pas « une ressemblance » avec Claude Science, mais une reimplémentation indépendante, en open source, du moteur, du noyau persistant, du protocole host-RPC et de la couche de sécurité, selon la philosophie Code-as-Action.

Le projet a été open source sur GitHub le 6 juillet 2026 sous licence MIT.

Actuellement, OpenAI4S propose une application Web complète pour la recherche, une dizaine de compétences intégrées, une capacité de connexion à sa propre puissance de calcul et des produits de recherche versionnés.

MetaKong AI Science : https://www.chatexcel.com/homesite/openAI4S

Il ne se contente pas de fournir une réponse qui semble correcte, mais souhaite que l'IA intègre véritablement le flux de travail de la recherche, en faisant progresser une question de sa « pose » à son « achèvement ».

De nombreux agents IA effectuent aujourd'hui essentiellement la même chose : le modèle examine un « menu d'outils » préparé à l'avance, détermine quel outil appeler, puis avance étape par étape. Pour les tâches simples, cette méthode suffit.

Mais la recherche scientifique ne peut pas être résolue en quelques étapes.

Vérifier plusieurs bases de données, télécharger des données, nettoyer les données, modifier répétitivement le code, appeler des algorithmes professionnels, demander des ressources GPU, générer des graphiques, organiser des rapports… Une seule erreur à n’importe quelle étape peut vous obliger à revenir en arrière.

La réponse d'OpenAI4S est Code-as-Action, soit « code comme action ».

Il permet à l'agent de générer directement du code Python ou R et de l'exécuter dans un environnement de noyau en cours d'exécution.

Les boucles, les conditions, le traitement par lots de données et la visualisation peuvent être combinés en une seule exécution ; les données et les résultats intermédiaires ne doivent pas être réintroduits dans le modèle à chaque étape, mais conservés dans l’environnement de travail.

Pour les utilisateurs, le changement le plus direct n'est pas l'ajout d'un terme technique, mais la capacité de l'IA à chaîner des tâches plus longues et plus complexes :

Les données téléchargées à l'étape précédente peuvent être directement transmises à l'étape suivante pour analyse ;

Les images, tableaux et rapports générés sont enregistrés automatiquement ;

Les chercheurs peuvent également ouvrir le Notebook à tout moment pour vérifier le code, reprendre l'analyse ou modifier les résultats.

Le code est l'action, le noyau est l'environnement.

OpenAI4S ressemble davantage à un bureau de recherche partagé par les humains et l'IA.

Vous donnez une tâche qui peut consulter automatiquement des sources de données scientifiques publiques, écrire et exécuter du code d'analyse, utiliser des capacités de calcul professionnelles, puis organiser les résultats sous forme d'images, de tableaux, de structures 3D ou de rapports Markdown.

Tout le processus n'est pas terminé une fois l'opération achevée. Chaque produit de recherche est enregistré, sauvegardé et versionné pour faciliter les vérifications, modifications et réutilisations ultérieures.

Par exemple, faites-le analyser une protéine.

Il peut d'abord récupérer les données réelles de séquences et de structures protéiques, puis effectuer le calcul des caractéristiques et la visualisation, et enfin intégrer le processus d'analyse, les sources des données et les résultats dans l'article scientifique.

L'essentiel est : les données sont réelles, les calculs sont réels.

Si le service externe est inaccessible ou si les conditions de calcul ne sont pas remplies, il vous indiquera clairement où cela échoue. Il ne substituera pas secrètement des données simulées, ni ne fabriquera un résultat pour compléter artificiellement un article.

△

Le travail de recherche nécessite souvent de nombreuses révisions.

Dans le processus traditionnel, les chercheurs doivent peut-être retrouver le script de tracé, modifier les paramètres, le relancer et exporter le fichier ;

Dans OpenAI4S, vous pouvez soumettre des demandes de modification en langage naturel ; l'agent régénère le produit en se basant sur les données et le code existants, tout en conservant un historique des versions.

△

Un modèle général ne peut devenir un assistant de recherche uniquement en étant « intelligent ».

Il doit savoir où trouver des données professionnelles, comment utiliser des outils professionnels et comment exécuter des algorithmes complexes.

OpenAI4S intègre dès le départ plus de 30 compétences scientifiques.

Structure protéique, analyse de séquence, conception de protéines, docking moléculaire, analyse single-cell, recherche bibliographique, accès aux données ouvertes… couvre de manière exhaustive un ensemble de scénarios de recherche computationnelle courants.

Parmi ceux-ci, 14 Skills regroupent des capacités de calcul scientifique nécessitant un GPU ou un modèle professionnel.

Les compétences ici ne sont pas une table statique de paramètres d'outils. Elles ressemblent plutôt à un ensemble de « recettes de code » que l'agent peut lire, comprendre et exécuter.

Toutes les données nécessaires, les services à appeler, la manière d'écrire le code et la vérification des résultats peuvent être consolidés dans un Skill.

Pour de nouvelles bases de données, de nouveaux algorithmes ou de nouveaux processus expérimentaux, les développeurs peuvent simplement les intégrer.

Autrement dit, ce ensemble de capacités n’est pas figé une fois pour toutes ; selon l’évolution des besoins de recherche, les Skills peuvent s’adapter et s’élargir.

Calcul scientifique, et un autre problème très concret : la puissance de calcul.

Des tâches telles que le pliage des protéines, l'évaluation des mutations et la simulation moléculaire ne peuvent pas être exécutées simplement en lançant quelques programmes sur un ordinateur portable ordinaire.

De plus, de nombreux calculs professionnels dépendent de modèles spécifiques, d’environnements logiciels complexes et de ressources GPU.

OpenAI4S prend en charge l'intégration à votre propre environnement de calcul. Les interactions et l'organisation des tâches sont gérées localement, tandis que les calculs professionnels nécessitant une GPU peuvent être délégués à vos propres serveurs. Les résultats, une fois obtenus, reviennent à la même chaîne de travail scientifique.

Par exemple, pour la prédiction de structure protéique et l'évaluation des effets des mutations, ce qui est vraiment difficile, ce n'est pas de générer le code d'appel, mais bien d'envoyer les entrées dans l'environnement de calcul approprié et de ramener intégralement les résultats au sein du flux de travail.

Il n’est pas nécessaire de tout regrouper sur un seul ordinateur ni de réécrire toute la chaîne de processus pour connecter un serveur de calcul, ce qui est particulièrement important pour les laboratoires et les équipes de recherche.

Les données, les modèles et la puissance de calcul peuvent rester dans leur environnement respectif, l'agent les relie.

Utiliser un modèle bon marché pour la recherche scientifique, ce qui fait le plus peur ? C’est qu’il invente sérieusement des mensonges.

OpenAI4S a établi une règle stricte appelée politique de non-fabrication : interdiction d'utiliser np.random pour simuler des résultats expérimentaux, de fabriquer artificiellement une « prudence », d'utiliser BLOSUM pour imiter ESM, ou de présenter des jeux de données simulés comme des données réelles... tout cela est interdit.

Soit un vrai service, soit une erreur honnête.

Donc, lorsque vous revenez sur l'exemple INS — la séquence est réellement extraite d'UniProt, la structure est réellement téléchargée depuis RCSB, et s'il n'y a pas de connexion Internet, il saute honnêtement cette étape sans vous fournir de faux résultat.

Pour calculer réellement la structure protéique, il utilise bien les GPU : host.fold établit une connexion SSH vers une machine équipée de 8×A100 pour effectuer l'inférence de Protenix (niveau AlphaFold3) sur une séquence unique, puis renvoie la structure avec le pLDDT ; host.score_mutations effectue des scores ESM réels pour sélectionner les mutations.

Pas de GPU ? Alors il lève une erreur directement, sans créer une fausse structure.

Il préfère vous dire « impossible à calculer » plutôt que de vous fournir une structure factice qui semble plausible.

For a research agent, this may be more important than "being good at everything."

La publication d'OpenAI4S ne se limite pas à l'ajout d'un projet open source, mais constitue également une mise en œuvre de la collaboration entre l'Université de Pékin et YuanKong AI pour promouvoir la synergie entre l'enseignement, la recherche et l'industrie.

En tant que résultat intermédiaire du laboratoire conjoint, le passage d'OpenAI4S de la phase de développement à l'ouverture du code n'aurait pas été possible sans l'engagement continu et la promotion de l'étudiant Zhang Gongbo du laboratoire conjoint.

Les recherches de Zhang Gongbo se concentrent sur l'IA pour la science. En tant que co-premier auteur de UniGenX, il a exploré un modèle scientifique fondamental universel dédié aux molécules, aux matériaux et aux protéines. Ces travaux autour de l'intelligence scientifique ont également été étendus au développement et à la mise en œuvre d'OpenAI4S.

En parallèle, OpenAI4S a également été le fruit des efforts conjoints des étudiants Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang et Wang Yimi, dont la collaboration et l'engagement ont été essentiels à chaque étape, de la conception du cadre au développement des fonctionnalités en passant par la publication open source.

YuanKong AI est une entreprise d'IA de bord qui se concentre sur l'exécution de tâches complexes en local et hors ligne grâce à la post-formation de modèles, à l'Agent Runtime, à la mémoire à long terme et aux technologies d'inférence de bord.

Actuellement, l'entreprise a développé deux lignes de produits : YuanKong AI Work et YuanKong AI Science, respectivement dédiées aux domaines du bureau intelligent et de la découverte scientifique.

Cette ouverture d'OpenAI4S reflète également le jugement commun du laboratoire conjoint et d'YuanKong AI sur les agents de recherche :

Les agents de recherche scientifique ne doivent pas se limiter à des démonstrations, mais doivent devenir une infrastructure de recherche véritablement exécutable, vérifiable et extensible.

Ainsi, ce qui est ouvert cette fois-ci n'est pas seulement un exemple, mais aussi l'architecture centrale, les compétences scientifiques et l'application complète.

Les universités, les instituts de recherche, les développeurs et les partenaires industriels peuvent intégrer des sources de données, des algorithmes, des outils et des processus de recherche sur cette base pour promouvoir ensemble l'adoption des agents de recherche dans davantage de tâches réelles.

Participez à OpenAI4S en commençant par le lancer.

L'installation n'est pas compliquée, trois lignes suffisent pour démarrer :

Lancer le projet lui-même, sans avoir besoin de configurer d'abord la clé du modèle.

Après avoir accédé à l’interface, remplissez simplement dans Customize → Models.

Le projet inclut également une série complète d'exemples réels que vous pouvez suivre directement : flux de travail API en direct, analyse de données réelles sur l'insuline humaine INS, modification d'une image avec une phrase, prédiction de la solubilité de l'artémisinine et du paclitaxel en mode planifié, ingénierie des protéines...

Mais lancer le projet n'est qu'une première étape.

La recherche réelle couvre de nombreux domaines, notamment les sciences de la vie, la chimie, les matériaux, la médecine et les sciences de la Terre.

Chaque direction dispose de sa propre base de données, de ses modèles spécialisés et de ses processus de calcul. Une telle vaste capacité ne peut être complétée en une seule fois par une seule équipe.

Par conséquent, OpenAI4S lance officiellement un appel aux contributeurs destiné aux universités, institutions de recherche, développeurs et équipes industrielles.

Actuellement, Skills UI de TuZhan Intelligence apporte un soutien partiel à ce projet open source.

Si vous êtes familiarisé avec un domaine de recherche, vous pouvez développer de nouvelles compétences de recherche, les connecter à des bases de données professionnelles, des modèles algorithmiques et des plateformes de calcul ;

Si vous êtes compétent en agent ou en génie logiciel, vous pouvez également participer à l'amélioration de l'architecture centrale, du calcul à distance, des mécanismes de sécurité, des tests et de la documentation.

Pas besoin d'écrire de code pour participer.

Soumettre une issue, ajouter un cas reproductible, signaler une tâche échouée ou indiquer à la communauté ce dont une discipline a vraiment besoin sont des contributions précieuses.

Si vous partagez également cette conviction selon laquelle les agents de recherche ne devraient pas rester limités aux démonstrations, n'hésitez pas à les lancer et à participer à leur développement.

Portal

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

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

Cet article provient du compte WeChat « Quantum Bit », auteur : Suivre les technologies de pointe