Claude Science, вы, возможно, уже слышали об этом.
Агент для научных исследований от Anthropic, который может самостоятельно искать литературу, писать код, запускать анализ и создавать графики и отчеты, заставил многих воскликнуть: «Вот так должен выглядеть AI для науки!»
Оно проприетарное.
Сейчас кто-то его воссоздал — с открытым исходным кодом, лицензия MIT, нулевые зависимости в ядре.
Проект называется OpenAI4S (Open AI for Scientist) — это официально открытый научный агентный проект, разработанный совместной лабораторией Пекинского университета и YuanKong AI Agent.
Важно: это не просто «выглядит как» Claude Science, а представляет собой открытую повторную реализацию движка, постоянного ядра, протокола host-RPC и уровня безопасности в соответствии с подходом Code-as-Action.
Проект был открыт в GitHub 6 июля 2026 года под лицензией MIT.
Сейчас OpenAI4S предоставляет полные научные веб-приложения, десятки встроенных навыков, возможность подключения собственных вычислительных ресурсов и версионирование научных продуктов.
元空AI Science: https://www.chatexcel.com/homesite/openAI4S
Он не удовлетворяется предоставлением ответа, который выглядит правильно, а стремится заставить ИИ действительно включиться в научный рабочий процесс, продвинув вопрос от «постановки» до «завершения».
Не просто несколько циклов обсуждения, а чтобы ИИ действительно приступил к делу
Сейчас многие AI-агенты по сути делают одно и то же: модель получает заранее подготовленный «список инструментов», определяет, какой инструмент вызвать, и последовательно продолжает выполнение. Для простых задач этот подход достаточно эффективен.
Но научные исследования — это не то, что можно решить за несколько шагов.
Проверка нескольких баз данных, скачивание данных, очистка данных, многократная доработка кода, вызов профессиональных алгоритмов, запрос вычислительных мощностей GPU, создание графиков, подготовка отчетов… Любая ошибка на любом этапе может потребовать возврата и повторной работы.
Ответ OpenAI4S — Code-as-Action, то есть «код как действие».
Он позволяет агенту напрямую генерировать код на Python или R и выполнять его в среде с постоянно работающим ядром.
Циклы, условные операторы, обработка пакетных данных и построение графиков могут быть объединены в одном выполнении; данные и промежуточные результаты не нужно повторно передавать модели на каждом этапе — они сохраняются в рабочей среде.
Для пользователей самое прямое изменение — это не появление нового технического термина, а то, что ИИ может объединять более длинные и сложные задачи:
Данные, загруженные на предыдущем шаге, можно сразу передать на анализ на следующем шаге;
Сгенерированные изображения, таблицы и отчеты будут автоматически сохранены;
Исследователи также могут в любое время открыть Notebook, проверить код, взять анализ на себя или изменить результаты.
Код — это действие, ядро — это среда.
В одном интерфейсе завершите научный процесс от данных к выводам
OpenAI4S больше похож на научный рабочий стол, которым пользуются люди и ИИ.
Вы даете задачу, которая может самостоятельно проверять открытые научные источники данных, писать и запускать аналитический код, использовать профессиональные вычислительные ресурсы, а затем оформлять результаты в виде изображений, таблиц, трехмерных структур или Markdown-отчетов.
Весь процесс — это не просто завершение и уход. Каждый научный продукт будет зарегистрирован, сохранен и версионирован для удобства последующей проверки, редактирования и повторного использования.
Например, заставьте его проанализировать белок.
Он может сначала извлечь реальные последовательности и структурные данные белков, затем выполнить расчет признаков и визуализацию, и наконец, включить процесс анализа, источники данных и результаты в статью.
Важно: данные настоящие, и расчеты также настоящие.
Если внешняя служба недоступна или не выполняются вычислительные условия, она четко сообщит вам, где возникла проблема. Она не будет тайно подставлять симулированные данные и тем более не будет придумывать результаты, чтобы искусственно дополнить статью.
△
Научная работа часто требует многократной доработки.
В традиционном процессе исследователям может потребоваться заново найти скрипты для построения графиков, изменить параметры, снова запустить их и экспортировать файлы;
В OpenAI4S можно напрямую указывать требования с помощью естественного языка; агент перегенерирует результат на основе существующих данных и кода, сохраняя при этом историю версий.
△
Десятки научных навыков, заключающие профессиональные компетенции в агент
Общая модель хочет стать научным помощником, но одного «умного» недостаточно.
Он должен знать, где искать профессиональные данные, как использовать профессиональные инструменты и как запускать сложные алгоритмы.
OpenAI4S первоначально включает более 30 научных навыков.
Анализ структуры и последовательности белков, проектирование белков, молекулярное докинг, анализ одноклеточных данных, поиск литературы, доступ к открытым данным… охватывает основные распространенные вычислительные научные сценарии.
Среди них 14 навыков инкапсулируют научные вычислительные возможности, требующие GPU или специализированных моделей.
Здесь навыки — это не статическая таблица параметров инструментов. Они скорее представляют собой набор «рецептов кода», которые агент может читать, понимать и выполнять.
Все данные, которые необходимо получить, сервисы, которые нужно вызвать, как написать код и как проверить результат, можно закрепить в Skill.
Для новых баз данных, новых алгоритмов или новых экспериментальных процессов разработчики могут просто подключиться.
То есть эта система не является жестко закрепленной — как меняются научные потребности, так и Skills могут развиваться вслед за ними.
Научные данные должны быть подключены к реальной вычислительной среде? Отправьте задачу на свой GPU
Научные вычисления, и еще одна практическая проблема: вычислительная мощность.
Задачи, такие как складывание белков, оценка мутаций и молекулярное моделирование, не могут быть выполнены просто запуском на обычном ноутбуке.
Кроме того, многие профессиональные расчеты зависят от специализированных моделей, сложных программных сред и ресурсов GPU.
OpenAI4S поддерживает подключение к собственной вычислительной среде. Локальная система отвечает за взаимодействие и организацию задач, а специализированные вычисления с использованием GPU могут выполняться на собственных серверах; после завершения результаты возвращаются в ту же научную рабочую систему.
Например, предсказание структуры белков и оценка эффекта мутаций — настоящая сложность часто заключается не в генерации кода вызова, а в том, чтобы передать входные данные в правильную вычислительную среду и полностью вернуть результаты в рабочий процесс.
Не нужно загружать всё на один компьютер и не нужно переписывать всю систему для подключения сервера с вычислительной мощностью — это особенно важно для лабораторий и научных команд.
Данные, модели и вычислительные ресурсы могут оставаться в своей среде, а агент отвечает за их объединение.
Real data, real calculations — it's not made up.
Использовать дешевые модели для научных исследований — чего больше всего боятся? Что они будут серьезно выдумывать.
OpenAI4S ввела жесткое правило под названием no-fabrication policy (политика запрета фальсификации): запрещено использовать np.random для имитации результатов экспериментов, искусственно создавать «консервативность», представлять BLOSUM как ESM, подменять симулированные наборы данных настоящими… всё это запрещено.
Либо настоящий сервис, либо честная ошибка.
Так что, когда вы возвращаетесь к случаю с INS — последовательность действительно извлекается из UniProt, структура действительно скачивается из RCSB, и если нет подключения к интернету, она честно пропускает шаг, не подставляя вам фальшивые данные.
Если действительно вычислять структуру белка, то действительно используется GPU: host.fold через SSH подключается к машине с 8×A100, выполняет инференс Protenix (уровня AlphaFold3) для одиночной последовательности и возвращает структуру с pLDDT; host.score_mutations выполняет реальный скоринг ESM для отбора мутаций.
Нет GPU? Тогда он сразу выдаст ошибку и не создаст фальшивую структуру.
Он предпочитает сказать тебе «не получится», чем создать для тебя фальшивую структуру, которая выглядит правдоподобно.
Для научного агента это может быть важнее, чем «уметь всё».
Открытый исходный код — это практика продвижения сотрудничества между наукой, производством и образованием, инициированная совместной лабораторией Пекинского университета и YuanKong AI.
Выпуск OpenAI4S — это не просто добавление открытого проекта, а также практическое применение сотрудничества между Пекинским университетом и YuanKong AI в области науки, образования и производства.
Как этапный результат совместной лаборатории, переход OpenAI4S от разработки к открытому исходному коду невозможен без постоянных усилий и продвижения студента Чжан Гонбо из совместной лаборатории.
Направление исследований Чжана Гоньбо сосредоточено на AI for Science. В качестве соавтора с первым авторством он участвовал в разработке UniGenX — универсальной научной базовой модели, ориентированной на молекулы, материалы и белки. Эти исследования в области научного интеллекта были далее применены в разработке и внедрении OpenAI4S.
В то же время OpenAI4S стал результатом совместных усилий команды, включая Ли Хао, Ван Юй, Лю Юйяна, Лю Ляньчжэнхао, Мао Ичэн, Лин Муцзе, Пэн Синьяо, Цзян Чжэнсян, Ван Ими и других студентов — от проектирования архитектуры и разработки функций до открытого выпуска, каждый этап невозможен без сотрудничества и вклада всех.
YuanKong AI — это компания, специализирующаяся на AI на конечных устройствах, которая фокусируется на использовании пост-обучения моделей, среды выполнения агентов, долгосрочной памяти и инференса на конечных устройствах для выполнения сложных задач в локальных и оффлайн-средах.
Сейчас компания сформировала два продукта: YuanKong AI Work и YuanKong AI Science, которые внедряются в области умного офиса и научных открытий.
Этот запуск OpenAI4S в открытом исходном коде также отражает совместное мнение лаборатории и MetaAI относительно научных агентов:
Научные агенты не должны оставаться лишь демонстрациями, а должны стать настоящей исполняемой, проверяемой и масштабируемой научной инфраструктурой.
Таким образом, на этот раз открыты не только примеры, но и основная архитектура, научные навыки и полное приложение.
Высшие учебные заведения, научно-исследовательские институты, разработчики и промышленные партнеры могут подключить источники данных, алгоритмы, инструменты и научные процессы на этой основе, совместно продвигая научные агенты в более широкий круг реальных задач.
Добро пожаловать, запустите его и вместе продолжайте развивать
Участвуйте в OpenAI4S, начав с его запуска.
Установка несложная, для запуска достаточно трёх строк:
Запуск проекта не требует предварительной настройки ключа модели.
После входа в интерфейс просто введите данные в разделе Customize → Models.
Проект также включает полный набор реальных кейсов, которые можно сразу повторять: рабочий поток Live API, анализ реальных данных инсулина человека INS, изменение изображения одной фразой, а также прогноз растворимости артемизинина и паклитаксела в режиме плана, инженерия белков…
Но запуск проекта — это только первый шаг.
Реальные научные исследования охватывают множество областей, включая биологию, химию, материалы, медицину и науки о Земле.
Каждое направление имеет свою базу данных, профессиональные модели и вычислительные процессы. Такой обширный набор возможностей невозможно восполнить одним командой за один раз.
Поэтому OpenAI4S официально обращается к университетам, научно-исследовательским институтам, разработчикам и промышленным командам с призывом стать участниками.
В настоящее время Skills UI от TuZhan Intelligence предоставил частичную поддержку этому открытому проекту.
Если вы знакомы с определённым научным направлением, вы можете разработать новые научные навыки, подключив профессиональные базы данных, алгоритмические модели и вычислительные платформы;
Если вы хорошо разбираетесь в агентах или программной инженерии, вы также можете принять участие в улучшении основной архитектуры, удаленных вычислений, механизмов безопасности, тестирования и документации.
Можно участвовать без написания кода.
Подача проблемы, добавление воспроизводимого примера, обратная связь по неудачной задаче или сообщение сообществу о том, что действительно нужно в определенной области, — это ценный вклад.
Если вы тоже считаете, что научные агенты не должны оставаться только на уровне демонстраций, запустите его и присоединяйтесь к развитию этого проекта.
Portal
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
Эта статья взята из официального аккаунта WeChat «Quantum Bit», автор: следите за передовыми технологиями