Claude Science, quizás hayas oído hablar de él.
Ese agente de investigación de Anthropic que puede buscar literatura por sí mismo, escribir código, ejecutar análisis y generar gráficos e informes, ha hecho que la gente exclame "¡Así es como debe ser la IA para la Ciencia!".
Pero es de código cerrado.
Ahora, alguien lo ha recreado: de código abierto, licencia MIT, y núcleo con cero dependencias.
El proyecto se llama OpenAI4S (Open AI for Scientist), un proyecto de agente inteligente de investigación liberado oficialmente por el Laboratorio Conjunto de la Universidad de Pekín y YuanAI Agent.
Punto clave: no es solo "parecido" a Claude Science, sino que, siguiendo la idea de Code-as-Action, ha recreado de forma independiente y en código abierto el motor, el núcleo persistente, el protocolo host-RPC y la capa de seguridad.
El proyecto se liberó en GitHub el 6 de julio de 2026 bajo la licencia MIT.
Actualmente, OpenAI4S ofrece una aplicación web de investigación completa, docenas de Skills incorporados, capacidad de conexión a recursos computacionales propios y versionado de los resultados de investigación.
YuanAI Science: https://www.chatexcel.com/homesite/openAI4S
No se conforma con dar una respuesta que parezca correcta, sino que pretende que la IA entre verdaderamente en el flujo de trabajo de investigación, llevando un problema desde su "planteamiento" hasta su "finalización".
No es charlar unas cuantas rondas más, sino hacer que la IA realmente actúe
Muchos agentes de IA actuales hacen esencialmente lo mismo: el modelo, frente a un "menú de herramientas" preparado de antemano, decide qué herramienta invocar y avanza paso a paso. Para tareas simples, este método sirve.
Pero la investigación no es algo que se pueda resolver en tres o cinco pasos.
Consultar múltiples bases de datos, descargar datos, limpiarlos, modificar código repetidamente, invocar algoritmos especializados, solicitar potencia de GPU, generar gráficos, preparar informes... Cualquier paso que falle puede requerir volver atrás.
La respuesta de OpenAI4S es Code-as-Action, es decir, "el código es la acción".
Hace que el agente genere directamente código Python o R y lo ejecute en un entorno de kernel en ejecución continua.
Bucles, condicionales, procesamiento por lotes de datos y gráficos pueden combinarse en una sola ejecución; los datos y resultados intermedios no tienen que pasarse nuevamente al modelo en cada paso, sino que se conservan en el entorno de trabajo.
Para el usuario, el cambio más directo no es un término técnico más, sino que la IA puede encadenar tareas más largas y complejas:
Los datos descargados en un paso anterior pueden pasarse directamente para análisis en el siguiente;
Las imágenes, tablas e informes generados se guardan automáticamente;
Los investigadores también pueden abrir el Notebook en cualquier momento para revisar el código, tomar el control del análisis o modificar resultados.
"El código es la acción, el kernel es el entorno."
En una única interfaz, completar el flujo de investigación desde los datos hasta la conclusión
OpenAI4S se parece más a una mesa de trabajo de investigación compartida entre humanos e IA.
Le das una tarea y ella puede buscar por sí misma en fuentes de datos de investigación pública, escribir y ejecutar código de análisis, invocar capacidades de cálculo especializadas y organizar los resultados en imágenes, tablas, estructuras tridimensionales o informes en Markdown.
Todo el proceso no se desvanece al terminar. Cada resultado de investigación se registra, guarda y versiona, facilitando su revisión, modificación y reutilización posteriores.
Por ejemplo, pídele que analice una proteína.
Puede ir primero a buscar datos reales de secuencia y estructura de proteínas, luego completar el cálculo de características y la visualización, y finalmente escribir todo el proceso de análisis, las fuentes de datos y los resultados en un artículo.
Lo clave: los datos son reales y el cálculo también es real.
Si no se puede conectar a un servicio externo, o si las condiciones de cálculo no están disponibles, te dirá claramente qué no se puede hacer. No te colará datos simulados a escondidas, ni mucho menos inventará un resultado para completar el artículo a la fuerza.
△
La investigación a menudo también requiere modificaciones repetidas.
En el flujo tradicional, los investigadores podrían tener que volver a encontrar el script de gráficos, modificar parámetros, ejecutarlo de nuevo y exportar el archivo;
En OpenAI4S, se puede pedir directamente en lenguaje natural el ajuste deseado. El agente regenerará el resultado basándose en los datos y código existentes, manteniendo al mismo tiempo el historial de versiones.
△
Decenas de Skills de investigación, incorporando capacidades profesionales al agente inteligente
Para que un modelo genérico se convierta en un asistente de investigación, solo con "ser listo" no basta.
Tiene que saber dónde buscar datos profesionales, cómo usar herramientas especializadas y cómo ejecutar algoritmos complejos.
OpenAI4S incorpora de serie más de 30 Skills de investigación.
Análisis de estructura y secuencia de proteínas, diseño de proteínas, acoplamiento molecular, análisis de células individuales, búsqueda de literatura, búsqueda de datos abiertos... Cubre básicamente una serie de escenarios comunes de investigación computacional.
Entre ellos, 14 Skills encapsulan capacidades de cálculo científico que requieren GPU o modelos especializados.
Estos Skills no son una tabla fija de parámetros de herramientas. Se parecen más a un conjunto de "recetas de código" que el agente inteligente puede leer, comprender y ejecutar.
Qué datos se necesitan, qué servicios se invocan, cómo se escribe el código, cómo se revisan los resultados, todo puede quedar plasmado en un Skill.
Cuando en el futuro haya nuevas bases de datos, algoritmos o flujos experimentales, los desarrolladores pueden seguir integrándolos.
Es decir, esta capacidad no está sellada de una vez por todas; puede crecer junto con la evolución de las necesidades de investigación.
¿Los datos de investigación necesitan conectarse a un entorno de cálculo real? Envía la tarea a tu propia GPU
El cálculo científico tiene otro problema muy real: la capacidad de cálculo.
Tareas como el plegamiento de proteínas, puntuación de mutaciones o simulaciones moleculares no se pueden completar ejecutando un par de veces en un portátil común.
Además, muchos cálculos profesionales dependen de modelos específicos, entornos de software complejos y recursos de GPU.
OpenAI4S soporta la conexión a entornos de cálculo propios. La interacción y organización de tareas se gestionan localmente, mientras que los cálculos profesionales que requieren GPU pueden enviarse para su ejecución en servidores propios. Una vez terminados, los resultados regresan al mismo flujo de trabajo de investigación.
Por ejemplo, para la predicción de estructuras de proteínas y la puntuación de efectos de mutaciones, lo realmente difícil a menudo no es generar el código de llamada, sino llevar la entrada al entorno de cálculo correcto y traer de vuelta los resultados completos al flujo de trabajo.
No es necesario apretujar todo en un solo ordenador, ni reescribir todo el flujo para conectar un servidor de cálculo. Esto es especialmente importante para laboratorios y equipos de investigación.
Los datos, modelos y potencia de cálculo pueden permanecer en tu propio entorno; el agente inteligente se encarga de conectarlos.
Datos reales, cálculo real; realmente no inventa
¿A qué se teme más al usar modelos baratos para investigación? A que inventen con seriedad.
OpenAI4S establece una regla estricta llamada no-fabrication policy (política de no falsificación): usar np.random para simular resultados experimentales, inventar "conservación", hacer pasar BLOSUM por ESM, usar conjuntos de datos simulados como si fueran reales... todo prohibido.
O servicio real, o informar honestamente del error.
Por eso, si miras el caso de la INS, la secuencia se extrajo realmente de UniProt, la estructura se descargó realmente de RCSB; si no puede conectarse a internet, lo omite honestamente, sin inventarte nada falso.
Si realmente hay que calcular una estructura proteica, realmente invoca una GPU: host.fold se conectará por SSH a una máquina con 8×A100, ejecutará la inferencia de Protenix (nivel AlphaFold3) para una secuencia única y devolverá la estructura con pLDDT; host.score_mutations ejecutará la puntuación real con ESM para seleccionar mutaciones.
¿Sin GPU configurada? Entonces simplemente informará del error, sin inventarte una estructura falsa.
Prefiere decirte "no se puede calcular" antes que inventarte una estructura falsa que parezca plausible.
Para un agente de investigación, esto puede ser más importante que "saber hacer de todo".
El código abierto es una práctica del laboratorio conjunto de la Universidad de Pekín y YuanAI para promover la colaboración entre industria, academia e investigación
El lanzamiento de OpenAI4S no es solo añadir un proyecto de código abierto, sino también una práctica de la Universidad de Pekín y YuanAI para promover la colaboración entre industria, academia e investigación.
Como resultado de una fase del laboratorio conjunto, el desarrollo y liberación de OpenAI4S no habría sido posible sin la dedicación y promoción continua del estudiante Zhang Gongbo del laboratorio conjunto.
La investigación de Zhang Gongbo se centra en IA para la Ciencia. Como co-primer autor de UniGenX, exploró modelos base científicos universales para moléculas, materiales y proteínas. Esta experiencia acumulada en torno a la inteligencia científica se extendió también al desarrollo y puesta en práctica de OpenAI4S.
Al mismo tiempo, OpenAI4S es fruto del esfuerzo conjunto de los compañeros del equipo Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang, Wang Yimi, entre otros, desde el diseño del marco y el desarrollo de funciones hasta la liberación en código abierto; cada etapa contó con la colaboración y aportación de todos.
YuanAI es una empresa de IA del lado del cliente, especializada en permitir que la IA complete tareas complejas en entornos locales y sin conexión a través de técnicas de posentrenamiento de modelos, Runtime de Agente, memoria a largo plazo e inferencia en el dispositivo.
Actualmente, la empresa ha formado dos líneas de producto: YuanAI Work y YuanAI Science, incursionando respectivamente en el campo del trabajo inteligente y el descubrimiento científico.
Esta liberación en código abierto de OpenAI4S también refleja el juicio compartido del laboratorio conjunto y YuanAI sobre los agentes de investigación:
Los agentes inteligentes de investigación no deben quedarse en Demos, sino convertirse en infraestructura de investigación realmente ejecutable, verificable y ampliable.
Por lo tanto, lo que se abre no son solo ejemplos, sino también la arquitectura central, los Skills de investigación y la aplicación completa.
Instituciones académicas, centros de investigación, desarrolladores y socios industriales pueden integrar en esta base fuentes de datos, algoritmos, herramientas y flujos de investigación, impulsando juntos que los agentes de investigación entren en más tareas reales.
Bienvenido a ejecutarlo, y también a seguir desarrollándolo juntos
Para participar en OpenAI4S, puedes empezar por ejecutarlo.
La instalación no es complicada; con tres líneas puede iniciarse:
Para iniciar el proyecto en sí, no es necesario configurar primero una clave de modelo.
Una vez dentro de la interfaz, se puede rellenar en Customize → Models.
El proyecto incluye también un conjunto completo de casos reales que se pueden ejecutar directamente: flujo de trabajo de Live API, análisis de datos reales de insulina humana INS, modificación de gráficos con una frase, y predicciones de solubilidad de artemisinina y paclitaxel en modo planificado, ingeniería de proteínas...
Pero ejecutar el proyecto es solo el primer paso.
La investigación real abarca numerosos campos: ciencias de la vida, química, materiales, medicina, ciencias de la Tierra, etc.
Cada área tiene sus propias bases de datos, modelos especializados y flujos de cálculo. Es imposible que un solo equipo cubra de una vez un panorama de capacidades tan vasto.
Por lo tanto, OpenAI4S extiende una llamada a contribuyentes (Call for Contributors) a instituciones académicas, centros de investigación, desarrolladores y equipos industriales.
Actualmente, la interfaz de usuario de Skills de TuZhan Intelligence ya ha ofrecido cierto soporte a este proyecto de código abierto.
Si estás familiarizado con algún campo de investigación, puedes desarrollar nuevos Skills de investigación, conectar bases de datos profesionales, modelos algorítmicos y plataformas de cálculo;
Si te especializas en agentes o ingeniería de software, también puedes participar en mejorar la arquitectura central, el cálculo remoto, los mecanismos de seguridad, las pruebas y la documentación.
También se puede participar sin escribir código.
Enviar un Issue, completar un caso reproducible, informar de una tarea fallida, o decirle a la comunidad qué necesita realmente cierta disciplina, son contribuciones valiosas.
Si tú también crees que los agentes de investigación no deberían quedarse solo en Demos, bienvenido a ejecutarlo, y también bienvenido a seguir desarrollándolo juntos.
Enlaces
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
Este artículo proviene del WeChat público "量子位", autor: Atención a la Tecnología de Vanguardia
