Claude Science, आपने शायद सुना होगा।
एंथ्रोपिक का वह वैज्ञानिक एजेंट, जो खुद शोध पत्रों की खोज कर सकता है, खुद कोड लिख सकता है, खुद विश्लेषण चला सकता है और खुद चार्ट और रिपोर्ट बना सकता है, एक बार लोगों को यह कहने पर मजबूर कर दिया कि "यही AI for Science का सही रूप है।"
लेकिन यह बंद स्रोत है।
अब, किसी ने इसकी प्रतिलिपि बना दी है—ओपन सोर्स, MIT लाइसेंस, कोर में कोई निर्भरता नहीं।
प्रोजेक्ट का नाम OpenAI4S (Open AI for Scientist) है, जो पeking University और YuanKong AI Agent Joint Laboratory द्वारा औपचारिक रूप से ओपन सोर्स किया गया एक शोध स्मार्ट एजेंट प्रोजेक्ट है।
मुख्य बात: यह केवल 'Claude Science' जैसा दिखने वाला नहीं है, बल्कि Code-as-Action के विचार के अनुसार, इंजन, स्थायी कोर, host-RPC प्रोटोकॉल और सुरक्षा परत को ओपन सोर्स के माध्यम से स्वतंत्र रूप से पुनः बनाया गया है।
The project was open-sourced on GitHub on July 6, 2026, under the MIT license.
वर्तमान में, OpenAI4S पूर्ण शोध-आधारित वेब एप्लिकेशन, दर्जनों अंतर्निहित कौशल, स्वयं की कैलकुलेशन क्षमता से जुड़ने की क्षमता और संस्करणित शोध उत्पाद प्रदान करता है।
यूनकों AI साइंस: https://www.chatexcel.com/homesite/openAI4S
यह केवल एक ऐसा उत्तर देने के लिए संतुष्ट नहीं है जो सही लगे, बल्कि यह चाहता है कि AI वास्तविक शोध प्रवाह में प्रवेश करे और एक प्रश्न को "पूछने" से "पूरा करने" तक आगे बढ़ाए।
अधिक बातचीत नहीं, बल्कि AI को वास्तविक रूप से काम करने दें
अब कई AI एजेंट मूल रूप से एक ही काम कर रहे हैं: मॉडल एक पहले से तैयार की गई «उपकरण सूची» के सामने होता है, निर्णय लेता है कि कौन सा उपकरण बुलाया जाए, और फिर एक-एक करके आगे बढ़ता है। सरल कार्यों के लिए, यह विधि पर्याप्त है।
लेकिन अनुसंधान तीन या पाँच कदमों में पूरा नहीं होता।
कई डेटाबेस की जांच करना, डेटा डाउनलोड करना, डेटा क्लीन करना, कोड बार-बार बदलना, प्रोफेशनल अल्गोरिदम कॉल करना, GPU कैलकुलेशन पावर के लिए अनुरोध करना, ग्राफ़ बनाना, रिपोर्ट तैयार करना... किसी भी चरण में समस्या होने पर, आपको पीछे मुड़कर फिर से शुरू करना पड़ सकता है।
OpenAI4S द्वारा दिया गया उत्तर Code-as-Action है, जिसका अर्थ है "कोड एक क्रिया है"।
यह एजेंट को सीधे Python या R कोड उत्पन्न करने और एक निरंतर चल रहे कर्नेल वातावरण में निष्पादित करने की अनुमति देता है।
लूप, सशर्त निर्णय, बैच डेटा प्रोसेसिंग और ग्राफ़िक्स को एक ही निष्पादन में जोड़ा जा सकता है; डेटा और मध्यवर्ती परिणामों को प्रत्येक चरण पर मॉडल को फिर से नहीं दिया जाना चाहिए, बल्कि उन्हें कार्य परिवेश में बनाए रखा जाना चाहिए।
उपयोगकर्ता के लिए, सबसे सीधा परिवर्तन एक नया तकनीकी शब्द जोड़ना नहीं है, बल्कि यह है कि AI लंबे और अधिक जटिल कार्यों को जोड़ सकता है:
पिछले चरण में डाउनलोड किया गया डेटा, अगले चरण के विश्लेषण के लिए सीधे प्रदान किया जा सकता है;
जेनरेट की गई इमेज, टेबल और रिपोर्ट स्वचालित रूप से सहेजी जाएंगी;
अनुसंधानकर्ता भी किसी भी समय Notebook खोल सकते हैं, कोड जांच सकते हैं, विश्लेषण ले सकते हैं या परिणाम बदल सकते हैं।
कोड ही कार्य है, कोर ही वातावरण है।
एक इंटरफेस में, डेटा से निष्कर्ष तक की शोध प्रक्रिया पूरी करें
OpenAI4S एक ऐसा वैज्ञानिक कार्यस्थल है जहाँ मनुष्य और AI साथ में काम करते हैं।
आप एक कार्य देते हैं, जो स्वयं खुले शोध डेटा स्रोतों की जांच कर सकता है, विश्लेषण कोड लिख सकता है और चला सकता है, पेशेवर कैलकुलेशन क्षमताओं का उपयोग कर सकता है, और परिणामों को चित्र, तालिका, त्रि-आयामी संरचना या Markdown रिपोर्ट के रूप में तैयार कर सकता है।
पूरी प्रक्रिया, केवल पूरी करके छोड़ने की नहीं है। प्रत्येक शोध उत्पाद को रिकॉर्ड किया जाएगा, संग्रहित किया जाएगा और संस्करणित किया जाएगा, ताकि बाद में जांच, संशोधन और पुनः उपयोग करने में सुविधा हो।
उदाहरण के लिए, इसे एक प्रोटीन का विश्लेषण करने दें।
यह पहले वास्तविक प्रोटीन अनुक्रम और संरचना डेटा को खोज सकता है, फिर विशेषता गणना और दृश्यीकरण पूरा कर सकता है, और अंत में विश्लेषण प्रक्रिया, डेटा स्रोत और परिणाम को एक साथ शोध पत्र में शामिल कर सकता है।
मुख्य बात यह है: डेटा सच्चा है, और गणना भी सच्ची है।
बाहरी सेवा से कनेक्ट नहीं हो पाने या गणना की शर्तें पूरी नहीं होने पर, यह स्पष्ट रूप से बताएगा कि कहाँ काम नहीं हो रहा है। यह कभी स्वयं एक आकलनित डेटा नहीं डालेगा, और न ही कोई परिणाम बनाकर पेपर को जबरन पूरा करेगा।
△
शोध कार्य अक्सर बार-बार संशोधित किए जाने की आवश्यकता होती है।
पारंपरिक प्रक्रिया में, शोधकर्ता संभवतः ग्राफिंग स्क्रिप्ट को फिर से ढूंढने, पैरामीटर्स को संशोधित करने, पुनः चलाने और फ़ाइल निर्यात करने के लिए मजबूर हो सकते हैं;
OpenAI4S में, आप प्राकृतिक भाषा में समायोजन अनुरोध कर सकते हैं, और बुद्धिमान एजेंट मौजूदा डेटा और कोड के आधार पर प्रोडक्ट को पुनः उत्पन्न करेगा, जबकि संस्करण इतिहास को बनाए रखेगा।
△
दर्जनों शोध कौशल, पेशेवर क्षमताओं को इंटेलिजेंट एजेंट में समाहित करें
एक सामान्य मॉडल को अनुसंधान सहायक बनना है, तो केवल 'बुद्धिमान' होना काफी नहीं है।
इसे जानना चाहिए कि पेशेवर डेटा कहाँ से प्राप्त करें, पेशेवर उपकरणों का उपयोग कैसे करें, और जटिल एल्गोरिदम कैसे चलाएं।
OpenAI4S के पहले संस्करण में 30+ वैज्ञानिक कौशल शामिल हैं।
प्रोटीन संरचना, अनुक्रम विश्लेषण, प्रोटीन डिज़ाइन, अणु संगठन, एकल कोशिका विश्लेषण, साहित्य खोज, खुला डेटा खोज... ये एक सामान्य कंप्यूटेशनल शोध परिदृश्यों को लगभग कवर करते हैं।
इसमें, 14 कौशल ऐसे वैज्ञानिक गणना क्षमताओं को समाहित करते हैं जिन्हें GPU या प्रोफेशनल मॉडल की आवश्यकता होती है।
यहाँ कौशल, एक स्थिर उपकरण पैरामीटर सारणी नहीं हैं। वे अधिक एक सेट की तरह हैं जिन्हें एजेंट पढ़ सकता है, समझ सकता है और निष्पादित कर सकता है।
आवश्यक डेटा, सेवाओं को कॉल करना, कोड कैसे लिखें, और परिणाम कैसे जांचें—ये सब Skill में संग्रहित किया जा सकता है।
भविष्य में नए डेटाबेस, नए एल्गोरिदम या नए प्रयोगात्मक प्रक्रियाएँ होने पर, डेवलपर्स बस उन्हें जोड़ते रह सकते हैं।
इसका मतलब है कि यह क्षमता एक बार के लिए बंद नहीं है; अनुसंधान की आवश्यकताएं कैसे भी बदलें, Skills उसी के अनुसार विकसित हो सकती हैं।
क्या शोध डेटा को वास्तविक कंप्यूटिंग वातावरण से जोड़ना चाहिए? अपने GPU पर कार्य भेजें
साइंटिफिक कंप्यूटिंग, और एक बहुत ही वास्तविक समस्या: कंप्यूटिंग पावर।
प्रोटीन फोल्डिंग, म्यूटेशन स्कोरिंग, और अणु सिमुलेशन जैसे कार्य, सामान्य लैपटॉप से आसानी से नहीं चलाए जा सकते।
और, बहुत सारी पेशेवर गणनाएँ विशिष्ट मॉडल, जटिल सॉफ्टवेयर वातावरण और GPU संसाधनों पर निर्भर करती हैं।
OpenAI4S स्वयं के कंप्यूटिंग वातावरण को जोड़ने का समर्थन करता है। स्थानीय रूप से इंटरैक्शन और कार्यों का संगठन किया जाता है, जबकि GPU की आवश्यकता वाले प्रोफेशनल कंप्यूटिंग कार्यों को अपने सर्वर पर भेजा जा सकता है, और परिणाम चलने के बाद एक ही शोध कार्यप्रवाह में वापस आ जाते हैं।
जैसे प्रोटीन संरचना भविष्यवाणी और उत्परिवर्तन प्रभाव स्कोरिंग, वास्तविक कठिनाई अक्सर कोड कॉल जेनरेट करने में नहीं, बल्कि इनपुट को सही कैलकुलेशन एनवायरनमेंट में भेजने और परिणाम को पूरी तरह से वर्कफ्लो में वापस लाने में होती है।
आपको सब कुछ एक ही कंप्यूटर पर दबाने की जरूरत नहीं है, और एक कैलकुलेशन सर्वर जोड़ने के लिए पूरी प्रक्रिया को फिर से लिखने की भी जरूरत नहीं है, जो प्रयोगशालाओं और शोध टीमों के लिए विशेष रूप से महत्वपूर्ण है।
डेटा, मॉडल और कैलकुलेशन सभी अपने ही वातावरण में रह सकते हैं, और एजेंट उन्हें जोड़ने का काम करता है।
Real data, real calculations, it's not fabricated at all
सस्ते मॉडल का उपयोग अनुसंधान के लिए करने से सबसे अधिक डर क्या है? डर यह है कि यह गंभीरता से झूठ बोले।
OpenAI4S ने एक कठोर नीति लागू की है, जिसे no-fabrication policy (असत्य निर्माण नीति) कहा जाता है: np.random का उपयोग करके परीक्षण परिणामों को झूठ बोलना, कृत्रिम रूप से बनाई गई 'सावधानी' को शामिल करना, BLOSUM का उपयोग ESM के रूप में करना, और असली डेटा के रूप में अनुकूलित डेटासेट का उपयोग करना... सब निषिद्ध है।
Either genuine service, or honest error reporting.
तो आप उस INS मामले को वापस देखें—अनुक्रम वास्तव में UniProt से लिया गया है, संरचना वास्तव में RCSB से डाउनलोड की गई है, अगर इंटरनेट कनेक्शन नहीं है तो यह ईमानदारी से छोड़ देता है और कभी भी एक झूठा डेटा नहीं देता।
अगर आप वास्तविक प्रोटीन संरचना की गणना करना चाहते हैं, तो यह वास्तव में GPU का उपयोग करता है: host.fold एक 8×A100 मशीन पर SSH करेगा, जहाँ एकल अनुक्रम के लिए Protenix (AlphaFold3 स्तर) निष्कर्षण चलेगा और pLDDT के साथ संरचना वापस भेजी जाएगी; host.score_mutations वास्तविक ESM स्कोरिंग के साथ उत्परिवर्तन का चयन करता है।
GPU नहीं है? तो यह सीधे एरर देगा, कोई झूठी संरचना नहीं बनाएगा।
यह आपको एक ऐसी झूठी संरचना नहीं देगा जो वास्तविक लगे, बल्कि आपको बस 'गणना नहीं की जा सकती' कहेगा।
For a research agent, this may be more important than "being good at everything."
ओपन सोर्स, बीजिंग विश्वविद्यालय और युआनकोंग एआई संयुक्त प्रयोगशाला द्वारा शैक्षणिक, औद्योगिक और अनुसंधान सहयोग को बढ़ावा देने का एक अभ्यास है।
OpenAI4S के लॉन्च से केवल एक ओपन सोर्स प्रोजेक्ट ही नहीं, बल्कि पeking University और YuanKong AI के बीच उद्योग-शिक्षा-अनुसंधान सहयोग का एक अभ्यास भी हुआ।
दोनों ओर के संयुक्त प्रयोगशाला के चरणबद्ध परिणाम के रूप में, OpenAI4S के अनुसंधान से लेकर ओपन सोर्स तक के लिए संयुक्त प्रयोगशाला के ज़ंग गोंबो के निरंतर योगदान और प्रयास अनिवार्य थे।
ज़हां गोंगबो का शोध क्षेत्र AI for Science पर केंद्रित है, जिसने यूनीजेनएक्स को साझा प्रथम लेखक के रूप में विकसित किया, जो अणु, सामग्री और प्रोटीन के लिए एक सामान्य वैज्ञानिक आधार मॉडल का अन्वेषण करता है। वैज्ञानिक बुद्धिमत्ता पर आधारित इन शोध की उपलब्धियों को आगे बढ़ाते हुए, OpenAI4S के विकास और कार्यान्वयन में भी विस्तार किया गया है।
इसके साथ ही, OpenAI4S में ली हाओ, वांग यू, लियू युयांग, ल्यू लिउजेंगहाओ, माओ यीचेंग, लिन मुजिए, पेंग शेनयाओ, जियांग जेंगशियांग, वांग यीमी जैसे छात्रों के समर्पित प्रयास भी शामिल हैं, जिन्होंने फ्रेमवर्क डिजाइन, कार्यक्षमता विकास और ओपन सोर्स प्रकाशन तक के प्रत्येक चरण में सहयोग और समर्पण किया।
यूनकोंग AI एक एंड-साइड AI कंपनी है, जो मॉडल पोस्ट-ट्रेनिंग, एजेंट रनटाइम, लंबे समय तक की याददाश्त और एंड-साइड इन्फरेंस तकनीक के माध्यम से AI को स्थानीय और ऑफलाइन परिवेश में जटिल कार्यों को पूरा करने के लिए केंद्रित है।
वर्तमान में, कंपनी ने मेटाकोंग AI Work और मेटाकोंग AI Science दो उत्पाद रेखाएँ विकसित की हैं, जो क्रमशः स्मार्ट ऑफिस और वैज्ञानिक खोज के क्षेत्रों में प्रवेश कर चुकी हैं।
इस ओपन सोर्स OpenAI4S के माध्यम से, संयुक्त प्रयोगशाला और मेटाकोंटिनेंट AI द्वारा रिसर्च एजेंट के बारे में सामूहिक निर्णय दर्शाया गया है:
रिसर्च एजेंट्स केवल डेमो तक सीमित नहीं होने चाहिए, बल्कि वे वास्तविक, जांच योग्य और विस्तारणीय रिसर्च इंफ्रास्ट्रक्चर बनने चाहिए।
इसलिए, इस बार केवल उदाहरण ही नहीं, बल्कि मूल संरचना, शोध कौशल और पूर्ण अनुप्रयोग भी खुले हैं।
उच्च शिक्षा संस्थान, अनुसंधान संस्थान, डेवलपर्स और उद्योग साझेदार इसके आधार पर डेटा स्रोत, एल्गोरिदम, उपकरण और अनुसंधान प्रक्रियाओं को जोड़ सकते हैं और अनुसंधान Agent को अधिक वास्तविक कार्यों में ले जाने के लिए सामूहिक रूप से प्रयास कर सकते हैं।
इसे शुरू करें और इसे आगे बढ़ाएं
OpenAI4S में भाग लेने के लिए, इसे चलाने से शुरू करें।
इंस्टॉलेशन जटिल नहीं है, केवल तीन पंक्तियों से शुरू किया जा सकता है:
प्रोजेक्ट शुरू करें, मॉडल की कॉन्फ़िगर किए बिना।
इंटरफ़ेस में प्रवेश करने के बाद, Customize → Models में भरें।
प्रोजेक्ट के साथ एक पूरी श्रृंखला वास्तविक उदाहरण शामिल हैं, जिनका अनुसरण सीधे किया जा सकता है: Live API वर्कफ्लो, मानव इंसुलिन INS का वास्तविक डेटा विश्लेषण, एक वाक्य से चित्र बदलना, और योजना मोड के तहत क्विनार्टिन और पैक्सेल की घुलनशीलता का अनुमान, प्रोटीन इंजीनियरिंग...
लेकिन प्रोजेक्ट को चलाना केवल पहला कदम है।
Real scientific research spans numerous fields including life sciences, chemistry, materials, medicine, and earth sciences.
प्रत्येक दिशा के अपने डेटाबेस, पेशेवर मॉडल और गणना प्रक्रियाएँ होती हैं। इतना विशाल क्षमता नेटवर्क केवल एक टीम द्वारा एक साथ पूरा नहीं किया जा सकता।
इसलिए, OpenAI4S ने विश्वविद्यालयों, शोध संस्थानों, डेवलपर्स और उद्योग टीमों के लिए आमंत्रण जारी किया है।
वर्तमान में, टुकड़ा इंटेलिजेंस के Skills UI ने इस ओपन सोर्स प्रोजेक्ट को कुछ समर्थन प्रदान किया है।
अगर आप किसी शोध क्षेत्र के साथ परिचित हैं, तो आप इसके लिए नए शोध स्किल्स विकसित कर सकते हैं, पेशेवर डेटाबेस, एल्गोरिदम मॉडल और कॉम्प्यूटेशनल प्लेटफॉर्म से जोड़ सकते हैं;
अगर आप Agent या सॉफ्टवेयर इंजीनियरिंग में कुशल हैं, तो आप मूल संरचना, रिमोट कॉम्प्यूटिंग, सुरक्षा तंत्र, परीक्षण और दस्तावेज़ीकरण को बेहतर बनाने में भाग ले सकते हैं।
बिना कोड लिखे, भाग लें।
एक इश्यू सबमिट करना, एक रीप्रोड्यूसेबल केस जोड़ना, एक असफल टास्क की प्रतिक्रिया देना, या समुदाय को बताना कि किसी विषय को वास्तव में क्या चाहिए, सभी मूल्यवान योगदान हैं।
अगर आप भी मानते हैं कि वैज्ञानिक एजेंट केवल डेमो तक सीमित नहीं होना चाहिए, तो इसे चलाएं और इसे आगे बढ़ाने में शामिल हों।
Portal
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
यह लेख वेचेन ग्रुप "क्वांटम बिट" से आया है, लेखक: फ्रंटियर टेक्नोलॉजी पर ध्यान दें