OpenAI4S: Đại lý nghiên cứu mã nguồn mở với hơn 30 kỹ năng khoa học do Đại học Bắc Kinh và YuanKong AI ra mắt

Claude Science, bạn có thể đã nghe đến.

Agent khoa học của Anthropic, có thể tự tìm kiếm tài liệu, tự viết mã, tự chạy phân tích và tự tạo biểu đồ, báo cáo, từng khiến mọi người thốt lên: “Đây mới là hình mẫu đúng đắn của AI cho Khoa học!”

Nhưng nó là mã nguồn đóng.

Bây giờ, đã có người tái tạo nó—mã nguồn mở, giấy phép MIT, lõi không phụ thuộc vào bất kỳ thư viện nào.

Dự án có tên OpenAI4S (Open AI for Scientist), là dự án tác nhân khoa học được chính thức mở nguồn bởi Phòng thí nghiệm Liên hợp về Tác nhân AI của Đại học Bắc Kinh và YuanKong AI.

Điểm nổi bật: Nó không chỉ “giống như” Claude Science, mà còn tái tạo độc lập toàn bộ động cơ, lõi bền vững, giao thức host-RPC và lớp bảo mật theo hướng Code-as-Action bằng phương pháp mã nguồn mở.

Dự án đã được mở nguồn trên GitHub vào ngày 6 tháng 7 năm 2026 với giấy phép MIT.

Hiện tại, OpenAI4S cung cấp ứng dụng web khoa học đầy đủ, hàng chục Skill tích hợp sẵn, khả năng kết nối với năng lực tính toán riêng và các sản phẩm khoa học được phiên bản hóa.

Nguyên Không AI Science: https://www.chatexcel.com/homesite/openAI4S

Nó không chỉ dừng lại ở việc đưa ra một câu trả lời trông có vẻ đúng, mà còn mong muốn giúp AI thực sự tham gia vào quy trình nghiên cứu khoa học, thúc đẩy một vấn đề từ giai đoạn “đặt ra” đến giai đoạn “hoàn thành”.

Hiện nay, nhiều AI Agent về bản chất đều đang làm cùng một việc: mô hình đối mặt với một danh sách công cụ đã được chuẩn bị sẵn, xác định nên gọi công cụ nào, sau đó từng bước thực hiện tiếp. Đối với các tác vụ đơn giản, phương pháp này là đủ dùng.

Nhưng nghiên cứu khoa học không phải là việc có thể hoàn thành trong vài bước.

Kiểm tra nhiều cơ sở dữ liệu, tải dữ liệu, làm sạch dữ liệu, liên tục sửa mã, gọi các thuật toán chuyên nghiệp, yêu cầu sức mạnh tính toán GPU, tạo biểu đồ, tổng hợp báo cáo... Bất kỳ bước nào gặp vấn đề đều có thể phải quay lại làm lại.

Câu trả lời từ OpenAI4S là Code-as-Action, tức là “mã nguồn là hành động”.

Nó cho phép tác nhân tạo trực tiếp mã Python hoặc R và thực thi trong môi trường nhân đang chạy liên tục.

Có thể kết hợp vòng lặp, kiểm tra điều kiện, xử lý dữ liệu hàng loạt và vẽ biểu đồ trong một lần thực hiện; dữ liệu và các kết quả trung gian không cần được truyền lại cho mô hình ở từng bước, mà được giữ lại trong môi trường làm việc.

Đối với người dùng, sự thay đổi trực tiếp nhất không phải là xuất hiện một thuật ngữ kỹ thuật mới, mà là AI có thể kết nối các nhiệm vụ dài và phức tạp hơn:

Dữ liệu đã tải ở bước trước có thể được chuyển trực tiếp cho bước phân tích tiếp theo;

Hình ảnh, bảng và báo cáo được tạo sẽ được lưu tự động;

Các nhà nghiên cứu cũng có thể mở Notebook bất cứ lúc nào để kiểm tra mã, tiếp nhận phân tích hoặc chỉnh sửa kết quả.

Mã là hành động, lõi là môi trường.

OpenAI4S giống như một bàn làm việc nghiên cứu chung giữa con người và AI.

Bạn đưa ra một nhiệm vụ, nó có thể tự tra cứu các nguồn dữ liệu khoa học công khai, viết và chạy mã phân tích, gọi khả năng tính toán chuyên nghiệp, sau đó tổng hợp kết quả thành hình ảnh, bảng, cấu trúc ba chiều hoặc báo cáo Markdown.

Toàn bộ quá trình không kết thúc sau khi hoàn thành. Mỗi sản phẩm nghiên cứu đều được ghi lại, lưu trữ và phiên bản hóa để dễ dàng kiểm tra, chỉnh sửa và tái sử dụng sau này.

Ví dụ: để nó phân tích một protein.

Nó có thể trước tiên truy vấn dữ liệu chuỗi và cấu trúc protein thực tế, sau đó thực hiện tính toán đặc trưng và trực quan hóa, cuối cùng ghi lại toàn bộ quá trình phân tích, nguồn dữ liệu và kết quả vào bài báo.

Điểm quan trọng là: dữ liệu là thật, phép tính cũng là thật.

Nếu không thể kết nối với dịch vụ bên ngoài hoặc điều kiện tính toán không được đáp ứng, nó sẽ rõ ràng thông báo cho bạn biết nơi nào không thể thực hiện. Nó sẽ không tự ý chèn dữ liệu mô phỏng, càng không bịa ra kết quả để ép hoàn thành bài luận.

△

Công việc nghiên cứu thường còn cần phải sửa đổi nhiều lần.

Trong quy trình truyền thống, các nhà nghiên cứu có thể phải tìm lại script vẽ đồ thị, điều chỉnh thông số, chạy lại và xuất file;

Trong OpenAI4S, bạn có thể đưa ra yêu cầu điều chỉnh bằng ngôn ngữ tự nhiên, agent sẽ dựa trên dữ liệu và mã hiện có để tạo lại sản phẩm, đồng thời giữ lại lịch sử phiên bản.

△

Mô hình tổng quát muốn trở thành trợ lý nghiên cứu khoa học, chỉ dựa vào sự “thông minh” là chưa đủ.

Nó cần biết nơi tìm dữ liệu chuyên môn, cách sử dụng các công cụ chuyên nghiệp và cách chạy các thuật toán phức tạp.

OpenAI4S ban đầu tích hợp hơn 30 kỹ năng nghiên cứu.

Cấu trúc protein, phân tích trình tự, thiết kế protein, ghép phân tử, phân tích tế bào đơn, tìm kiếm tài liệu, truy cập dữ liệu mở… cơ bản bao phủ một loạt các tình huống nghiên cứu tính toán phổ biến.

Trong đó, có 14 Skills được đóng gói với khả năng tính toán khoa học yêu cầu GPU hoặc mô hình chuyên dụng.

Các kỹ năng ở đây không phải là một bảng tham số công cụ cố định. Chúng giống như một bộ “công thức mã” mà các tác nhân có thể đọc, hiểu và thực thi.

Tất cả các dữ liệu cần thiết, dịch vụ cần gọi, cách viết mã và cách kiểm tra kết quả đều có thể được lưu trữ trong Skill.

Sau này nếu có cơ sở dữ liệu mới, thuật toán mới hoặc quy trình thí nghiệm mới, các nhà phát triển chỉ cần tiếp tục kết nối vào.

Nói cách khác, bộ kỹ năng này không bị cố định một lần, nhu cầu nghiên cứu thay đổi thế nào, Skills cũng có thể phát triển theo đó.

Tính toán khoa học, còn có một vấn đề thực tế khác: năng lực tính toán.

Các nhiệm vụ như gập protein, đánh giá đột biến và mô phỏng phân tử không thể hoàn thành chỉ bằng cách chạy vài lần trên laptop thông thường.

Hơn nữa, nhiều phép tính chuyên nghiệp đều dựa vào các mô hình cụ thể, môi trường phần mềm phức tạp và tài nguyên GPU.

OpenAI4S hỗ trợ tích hợp với môi trường tính toán riêng. Việc tương tác và tổ chức nhiệm vụ được thực hiện tại địa phương, trong khi các tác vụ yêu cầu tính toán chuyên sâu với GPU có thể được phân phối thực hiện trên máy chủ của bạn, và kết quả sau khi hoàn thành sẽ được trả về cùng một luồng nghiên cứu.

Ví dụ như dự đoán cấu trúc protein và đánh giá tác động đột biến, điều thực sự khó khăn thường không phải là tạo mã gọi, mà là đưa đầu vào vào đúng môi trường tính toán và mang kết quả trở lại toàn bộ quy trình làm việc.

Không cần phải gom tất cả mọi thứ vào một máy tính, cũng không cần phải viết lại toàn bộ quy trình chỉ để kết nối một máy chủ tính toán, điều này đặc biệt quan trọng đối với các phòng thí nghiệm và nhóm nghiên cứu.

Dữ liệu, mô hình và sức mạnh tính toán đều có thể được giữ trong môi trường riêng của chúng, trong khi tác nhân thông minh sẽ kết nối chúng lại với nhau.

Dùng mô hình rẻ để chạy nghiên cứu, điều lo nhất là gì? Lo nó nghiêm túc bịa đặt.

OpenAI4S đã đặt ra một quy định nghiêm ngặt gọi là chính sách không bịa đặt (no-fabrication policy): cấm sử dụng np.random để giả lập kết quả thí nghiệm, bịa đặt các yếu tố “bảo thủ”, lấy BLOSUM thay cho ESM, hoặc dùng bộ dữ liệu mô phỏng thay cho dữ liệu thật... tất cả đều bị cấm.

Hoặc là dịch vụ thật, hoặc là báo lỗi một cách trung thực.

Vì vậy, khi bạn quay lại xem ví dụ INS — chuỗi thực sự được lấy từ UniProt, cấu trúc thực sự được tải từ RCSB, nếu không kết nối được internet, nó sẽ trung thực bỏ qua và không bao giờ tạo ra một cái giả.

Nếu tính đến cấu trúc protein, thì nó thật sự sử dụng GPU: host.fold sẽ ssh đến một máy chủ 8×A100 để chạy suy luận Protenix (mức AlphaFold3) cho chuỗi đơn, sau đó gửi lại cấu trúc kèm pLDDT; host.score_mutations chạy điểm ESM thực tế để đánh giá đột biến.

Không có GPU? Vậy nó sẽ báo lỗi ngay lập tức, không bao giờ tạo cho bạn một cấu trúc giả.

Nó thà nói với bạn rằng “không thể tính toán” còn hơn là đưa cho bạn một cấu trúc giả trông có vẻ hợp lý.

Đối với agent nghiên cứu khoa học, điều này có thể quan trọng hơn cả "biết tất cả".

Việc ra mắt OpenAI4S không chỉ là việc thêm một dự án mã nguồn mở, mà còn là một bước thực tiễn trong việc thúc đẩy hợp tác giữa học thuật, công nghiệp và nghiên cứu của Đại học Bắc Kinh và YuanKong AI.

Là kết quả giai đoạn của phòng thí nghiệm liên hợp, sự ra đời và mở nguồn của OpenAI4S không thể tách rời sự đóng góp và thúc đẩy không ngừng của sinh viên Trương Cung Bác tại phòng thí nghiệm liên hợp.

Chương trình nghiên cứu của Trương Cung Bác tập trung vào AI for Science. Với vai trò là đồng tác giả đầu tiên của UniGenX, ông đã khám phá mô hình nền tảng khoa học tổng quát dành cho phân tử, vật liệu và protein. Những tích lũy nghiên cứu xung quanh trí tuệ khoa học này đã được mở rộng thêm vào việc phát triển và ứng dụng OpenAI4S.

Đồng thời, OpenAI4S cũng là kết quả của sự nỗ lực chung từ các bạn Lý Hào, Vương Dự, Lưu Vũ Dương, Lữ Lưu Chính Hạo, Mao Dật Thanh, Lâm Mộ Kiệt, Bành Tân Dao, Giang Chính Tường, Vương Nhất Mễ, v.v., từ thiết kế khung, phát triển chức năng đến phát hành mã nguồn mở, mỗi giai đoạn đều không thể thiếu sự hợp tác và đóng góp của mọi người.

YuanKong AI là một công ty AI đầu cuối, chuyên tập trung vào việc sử dụng các công nghệ như huấn luyện sau mô hình, Agent Runtime, trí nhớ dài hạn và suy luận đầu cuối để giúp AI thực hiện các nhiệm vụ phức tạp trong môi trường cục bộ và ngoại tuyến.

Hiện tại, công ty đã phát triển hai dòng sản phẩm là YuanKong AI Work và YuanKong AI Science, lần lượt bước vào các lĩnh vực văn phòng thông minh và khám phá khoa học.

Lần mở nguồn OpenAI4S này cũng thể hiện nhận định chung của Phòng thí nghiệm Liên hợp và YuanKong AI đối với Agent nghiên cứu:

Các tác nhân khoa học nghiên cứu không nên chỉ dừng lại ở phiên bản Demo, mà cần trở thành cơ sở hạ tầng khoa học nghiên cứu thực sự có thể thực thi, kiểm tra và mở rộng.

Do đó, lần này không chỉ mở ra các ví dụ mà còn bao gồm kiến trúc cốt lõi, kỹ năng nghiên cứu và ứng dụng đầy đủ.

Các trường đại học, tổ chức nghiên cứu, nhà phát triển và đối tác ngành có thể tích hợp nguồn dữ liệu, thuật toán, công cụ và quy trình nghiên cứu dựa trên nền tảng này để cùng thúc đẩy Agent nghiên cứu tham gia vào nhiều nhiệm vụ thực tế hơn.

Tham gia OpenAI4S, bạn có thể bắt đầu bằng cách chạy nó.

Việc cài đặt không phức tạp, chỉ cần ba dòng lệnh để khởi động:

Khởi động dự án, không cần cấu hình khóa mô hình trước.

Sau khi vào giao diện, chỉ cần điền vào Customize → Models.

Dự án còn đi kèm một bộ đầy đủ các trường hợp thực tế, bạn có thể làm theo trực tiếp: luồng làm việc API thực tế, phân tích dữ liệu thực tế của insulin người INS, thay đổi hình ảnh bằng một câu lệnh, dự đoán độ hòa tan của artemisinin và paclitaxel ở chế độ lập kế hoạch, kỹ thuật protein…

Nhưng chạy dự án chỉ là bước đầu tiên.

Nghiên cứu thực sự bao trùm nhiều lĩnh vực như khoa học sự sống, hóa học, vật liệu, y học, khoa học Trái Đất, v.v.

Mỗi hướng đều có cơ sở dữ liệu, mô hình chuyên biệt và quy trình tính toán riêng. Khả năng đồ sộ như vậy không thể chỉ nhờ một đội ngũ bổ sung đầy đủ trong một lần.

Do đó, OpenAI4S chính thức gửi lời kêu gọi đóng góp đến các trường đại học, tổ chức nghiên cứu, nhà phát triển và đội ngũ ngành công nghiệp.

Hiện tại, Skills UI của Tu Zhan Intelligent đã cung cấp một phần hỗ trợ cho dự án mã nguồn mở này.

Nếu bạn quen thuộc với một hướng nghiên cứu khoa học cụ thể, bạn có thể phát triển các Kỹ năng nghiên cứu mới, tích hợp với cơ sở dữ liệu chuyên ngành, mô hình thuật toán và nền tảng tính toán;

Nếu bạn giỏi về Agent hoặc kỹ thuật phần mềm, bạn cũng có thể tham gia hoàn thiện kiến trúc lõi, tính toán từ xa, cơ chế bảo mật, kiểm thử và tài liệu.

Không cần viết mã, vẫn có thể tham gia.

Việc gửi một issue, bổ sung một trường hợp có thể tái hiện, phản hồi một nhiệm vụ thất bại, hoặc chia sẻ với cộng đồng điều mà một lĩnh vực thực sự cần, đều là những đóng góp có giá trị.

Nếu bạn cũng tin rằng các tác giả khoa học không nên chỉ dừng lại ở bản demo, hãy chạy nó và cùng nhau phát triển nó.

Portal

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

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

Bài viết này đến từ tài khoản công chúng WeChat "Quantum Bit", tác giả: Quan tâm đến công nghệ tiên tiến