Claude Science, vous en avez peut-être entendu parler.
Cet agent de recherche d'Anthropic, capable de rechercher lui-même la littérature, d'écrire du code, d'exécuter des analyses, de générer des graphiques et des rapports, a suscité des exclamations comme « c'est ainsi que l'IA pour la science devrait être ».
Mais il est propriétaire.
Maintenant, quelqu'un l'a recréé — open source, sous licence MIT, avec un cœur zéro dépendance.
Le projet s'appelle OpenAI4S (Open AI for Scientist), un projet d'agent intelligent pour la recherche officiellement publié en open source par le laboratoire conjoint de l'Université de Pékin et de YuanKong AI Agent.
Point clé : il ne « ressemble » pas simplement à Claude Science, mais en suivant l'approche Code-as-Action, il a réimplémenté de manière indépendante et open source le moteur, le noyau persistant, le protocole host-RPC, et la couche de sécurité.
Le projet a été publié en open source sur GitHub le 6 juillet 2026, sous licence MIT.
Actuellement, OpenAI4S fournit une application Web de recherche complète, des dizaines de compétences intégrées, la capacité de se connecter à des ressources de calcul propres et une gestion versionnée des productions de recherche.
YuanKong AI Science : https://www.chatexcel.com/homesite/openAI4S
Il ne se contente pas de donner une réponse qui semble correcte, mais souhaite vraiment intégrer l'IA dans le flux de travail de recherche, faisant passer un problème de la « formulation » à l'« accomplissement ».
Pas simplement plus de tours de discussion, mais faire agir l'IA pour de vrai
De nombreux agents IA actuellement font essentiellement la même chose : le modèle, face à un « menu d'outils » préparé à l'avance, décide quel outil appeler, puis avance étape par étape. Pour les tâches simples, cette méthode suffit.
Mais la recherche n'est pas une affaire de trois à cinq étapes.
Interroger plusieurs bases de données, télécharger des données, les nettoyer, modifier le code à plusieurs reprises, appeler des algorithmes spécialisés, demander des ressources GPU, générer des graphiques, rédiger un rapport... Tout problème à une étape peut nécessiter de recommencer.
La réponse d'OpenAI4S est le Code-as-Action, c'est-à-dire « le 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 qui fonctionne en continu.
Les boucles, les conditions, le traitement par lots de données et la génération de graphiques peuvent être combinés en une seule exécution ; les données et les résultats intermédiaires n'ont pas besoin d'être à nouveau transmis au modèle à chaque étape, mais sont conservés dans l'environnement de travail.
Pour l'utilisateur, le changement le plus direct n'est pas l'ajout d'un terme technique, mais la capacité de l'IA à enchaîner 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 automatiquement sauvegardés ;
Les chercheurs peuvent aussi ouvrir le Notebook à tout moment pour inspecter le code, reprendre l'analyse ou modifier les résultats.
« Le code comme action, le noyau comme environnement. »
Un seul interface pour accomplir le processus de recherche, des données aux conclusions
OpenAI4S ressemble plus à un poste de travail de recherche partagé entre l'humain et l'IA.
Vous lui donnez une tâche, il peut lui-même interroger des sources de données de recherche publiques, écrire et exécuter du code d'analyse, appeler des capacités de calcul spécialisées, puis organiser les résultats en images, tableaux, structures 3D ou rapports Markdown.
Le processus entier n'est pas dispersé une fois terminé. Chaque production de recherche est enregistrée, sauvegardée et versionnée, facilitant l'inspection, la modification et la réutilisation ultérieures.
Par exemple, pour analyser une protéine.
Il peut d'abord rechercher des données réelles de séquence et de structure protéique, puis effectuer le calcul des caractéristiques et la visualisation, et enfin intégrer le processus d'analyse, les sources de données et les résultats dans un article.
L'important : les données sont réelles, les calculs aussi.
Si un service externe n'est pas accessible, ou si les conditions de calcul ne sont pas remplies, il vous indiquera clairement ce qui ne peut pas être fait. Il ne glissera pas furtivement des données simulées, et ne fabriquera pas un résultat pour compléter artificiellement l'article.
△
La recherche nécessite aussi souvent des modifications répétées.
Dans le processus traditionnel, les chercheurs peuvent devoir retrouver le script de création de graphiques, modifier les paramètres, réexécuter et exporter à nouveau le fichier ;
Avec OpenAI4S, on peut directement formuler une demande d'ajustement en langage naturel, l'agent générera à nouveau la production basée sur les données et le code existants, tout en conservant un historique des versions.
△
Des dizaines de compétences de recherche, intégrant des capacités spécialisées dans l'agent
Pour qu'un modèle généraliste devienne un assistant de recherche, la « intelligence » seule ne suffit pas.
Il doit savoir où trouver des données spécialisées, comment utiliser les outils professionnels, comment exécuter des algorithmes complexes.
OpenAI4S intègre d'emblée plus de 30 compétences de recherche (Skills).
Structure des protéines, analyse de séquences, conception de protéines, docking moléculaire, analyse de cellules uniques, recherche de littérature, recherche de données ouvertes... couvrant essentiellement un éventail de scénarios courants de recherche computationnelle.
Parmi elles, 14 Skills encapsulent des capacités de calcul scientifique nécessitant des GPU ou des modèles spécialisés.
Ces Skills ne sont pas non plus une liste fixe de paramètres d'outils. Elles ressemblent plus à un ensemble de « recettes de code » que l'agent peut lire, comprendre et exécuter.
Quelles données sont nécessaires, quels services appeler, comment écrire le code, comment vérifier les résultats, tout cela peut être défini dans le Skill.
À l'avenir, face à de nouvelles bases de données, algorithmes ou processus expérimentaux, les développeurs peuvent continuer à les intégrer.
C'est-à-dire que ces capacités ne sont pas figées une fois pour toutes ; au fur et à mesure que les besoins de recherche évoluent, les Skills peuvent évoluer avec eux.
Connecter les données de recherche à un véritable environnement de calcul ? Envoyer la tâche vers votre propre GPU
Le calcul scientifique pose aussi un problème très concret : la puissance de calcul.
Le repliement des protéines, le score de mutations, les simulations moléculaires, ces tâches ne peuvent pas être accomplies en quelques clics sur un ordinateur portable ordinaire.
De plus, de nombreux calculs spécialisés dépendent de modèles spécifiques, d'environnements logiciels complexes et de ressources GPU.
OpenAI4S prend en charge la connexion à des environnements de calcul propres. L'interaction et l'organisation des tâches sont gérées localement, tandis que les calculs spécialisés nécessitant des GPU peuvent être distribués pour exécution sur vos propres serveurs, les résultats étant ensuite réintégrés dans le même flux de travail de recherche.
Par exemple, pour la prédiction de structure protéique ou le score d'effet de mutation, la difficulté réelle n'est souvent pas de générer le code d'appel, mais de transmettre les entrées dans le bon environnement de calcul, puis de ramener complètement les résultats dans le flux de travail.
Il n'est pas nécessaire de tout concentrer sur un seul ordinateur, ni de réécrire tout le processus pour connecter un serveur de calcul, ce point est particulièrement important pour les laboratoires et les équipes de recherche.
Les données, modèles et puissance de calcul peuvent rester dans votre propre environnement, l'agent intelligent se charge de les relier.
Des données réelles, des calculs réels, il ne fabrique vraiment pas
Utiliser des modèles bon marché pour la recherche, quelle est la plus grande crainte ? Qu'ils inventent de manière crédible.
OpenAI4S a établi une règle stricte, appelée politique de non-fabrication (no-fabrication policy) : Utiliser np.random pour simuler des résultats expérimentaux, inventer de la « conservativité », remplacer ESM par BLOSUM, utiliser des jeux de données simulés comme données réelles... tout est interdit.
Soit un service réel, soit signaler honnêtement l'erreur.
C'est pourquoi, si vous regardez à nouveau l'exemple INS — la séquence provient réellement d'UniProt, la structure est réellement téléchargée de la RCSB, s'il n'y a pas de connexion internet, il saute honnêtement l'étape, sans jamais vous fournir un faux.
Si une structure protéique doit vraiment être calculée, il appelle réellement un GPU : host.fold établit une connexion SSH vers une machine avec 8×A100, exécute l'inférence Protenix (niveau AlphaFold3) pour une séquence simple, renvoie la structure avec pLDDT ; host.score_mutations exécute un vrai score ESM pour sélectionner les mutations.
Pas de GPU configuré ? Alors il signale directement une erreur, sans jamais vous fabriquer une fausse structure.
Il préfère vous dire « impossible de calculer » plutôt que de vous inventer une structure qui semble plausible.
Pour un agent de recherche, cela est peut-être plus important que « savoir tout faire ».
L'open source, une pratique de collaboration université-industrie par le laboratoire conjoint de l'Université de Pékin et de YuanKong AI
La publication d'OpenAI4S n'est pas seulement l'ajout d'un projet open source, c'est aussi une pratique de collaboration université-industrie menée par l'Université de Pékin et YuanKong AI.
En tant que résultat intermédiaire du laboratoire conjoint, le développement et l'open source d'OpenAI4S doivent beaucoup à l'engagement continu et à 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 d'UniGenX, il a exploré les modèles de base scientifiques généraux pour les molécules, matériaux et protéines. Ces recherches autour de l'intelligence scientifique ont également été étendues au développement et à la mise en œuvre d'OpenAI4S.
Simultanément, OpenAI4S incarne les efforts conjoints des membres de l'équipe Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang, Wang Yimi, etc., de la conception du framework et du développement des fonctionnalités à la publication open source, chaque étape dépendant de la collaboration et de l'investissement de tous.
YuanKong AI est une entreprise d'IA côté client, se concentrant sur les technologies de post-entraînement de modèles, d'exécution d'agents, de mémoire à long terme et d'inférence locale pour permettre à l'IA d'accomplir des tâches complexes en local et hors ligne.
Actuellement, la société a formé deux lignes de produits, YuanKong AI Work et YuanKong AI Science, pénétrant respectivement les domaines du travail intelligent et de la découverte scientifique.
Cette publication open source d'OpenAI4S reflète également le jugement commun du laboratoire conjoint et de YuanKong AI concernant les agents de recherche :
L'agent intelligent de recherche ne doit pas rester au stade de démonstration, mais devenir une véritable infrastructure de recherche exécutable, inspectable et extensible.
C'est pourquoi ce qui est ouvert n'inclut pas seulement des exemples, mais aussi l'architecture centrale, les compétences de recherche et l'application complète.
Les universités, institutions de recherche, développeurs et partenaires industriels peuvent, sur cette base, intégrer des sources de données, algorithmes, outils et processus de recherche, contribuant ensemble à faire entrer les agents de recherche dans davantage de tâches réelles.
Bienvenue pour l'exécuter, et aussi pour le développer ensemble
Participer à OpenAI4S peut commencer par l'exécuter.
L'installation n'est pas compliquée, trois lignes suffisent pour le lancer :
Pour lancer le projet lui-même, il n'est pas nécessaire de configurer d'abord une clé de modèle.
Après avoir accédé à l'interface, remplissez simplement dans Customize → Models.
Le projet inclut également un ensemble complet de cas réels que vous pouvez suivre directement : flux de travail Live API, analyse de données réelles de l'insuline humaine INS, modification d'image par une phrase, ainsi que la prédiction de solubilité de l'artémisinine et du paclitaxel en mode planifié, l'ingénierie des protéines...
Mais exécuter le projet n'est que la première étape.
La recherche réelle couvre de nombreux domaines : sciences de la vie, chimie, matériaux, médecine, sciences de la Terre, etc.
Chaque domaine possède ses propres bases de données, modèles spécialisés et processus de calcul. Une carte des capacités aussi vaste ne peut être complétée en une seule fois par une seule équipe.
C'est pourquoi OpenAI4S lance officiellement un appel aux contributeurs aux universités, institutions de recherche, développeurs et équipes industrielles.
Actuellement, l'interface utilisateur des Skills de Tuzhan Intelligent a apporté un soutien partiel à ce projet open source.
Si vous êtes familier avec un domaine de recherche, vous pouvez développer de nouvelles compétences de recherche, intégrer des bases de données spécialisées, des modèles algorithmiques et des plateformes de calcul ;
Si vous maîtrisez les agents ou l'ingénierie logicielle, vous pouvez également participer à l'amélioration de l'architecture centrale, du calcul distant, des mécanismes de sécurité, des tests et de la documentation.
Il est possible de participer sans écrire de code.
Soumettre un problème (Issue), compléter un cas reproductible, faire un retour sur une tâche échouée, ou informer la communauté des besoins réels d'une discipline, sont des contributions précieuses.
Si vous croyez aussi que les agents de recherche ne devraient pas rester au stade de démonstration, bienvenue pour l'exécuter, et bienvenue pour le développer ensemble.
Portails
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
Cet article provient du compte WeChat public « Quantum Bit », auteur : Suivi des technologies de pointe
