Claude Science, mungkin kamu pernah mendengarnya.
Agent penelitian dari Anthropic yang mampu mencari literatur sendiri, menulis kode sendiri, menjalankan analisis sendiri, serta membuat grafik dan laporan sendiri, sempat membuat orang berseru "inilah seharusnya AI for Science".
Tapi dia bersifat closed-source (sumber tertutup).
Sekarang, ada yang berhasil mereplikasinya — open source, lisensi MIT, intinya tanpa dependensi (zero dependency).
Proyek ini bernama OpenAI4S (Open AI for Scientist), merupakan proyek agen cerdas penelitian yang resmi diopen-source-kan oleh Laboratorium Bersama Universitas Peking & Yuan Kong AI Agent.
Yang perlu ditekankan: Ini bukan sekadar "mirip" Claude Science, melainkan mengikuti alur pemikiran Code-as-Action, dengan mesin, kernel persisten, protokol host-RPC, lapisan keamanan, direplikasi secara independen dengan cara open source.
Proyek ini telah diopen-source-kan di GitHub pada 6 Juli 2026, menggunakan lisensi MIT.
Saat ini, OpenAI4S menyediakan aplikasi web penelitian yang lengkap, puluhan Skills bawaan, kemampuan koneksi komputasi mandiri, dan produk penelitian yang terdokumentasi secara versi.
Yuan Kong AI Science: https://www.chatexcel.com/homesite/openAI4S
Dia tidak puas hanya memberikan jawaban yang terlihat benar, melainkan berharap agar AI benar-benar masuk ke dalam alur kerja penelitian, memajukan sebuah masalah dari "pengajuan" hingga "penyelesaian".
Bukan Sekadar Lebih Banyak Percakapan, Melainkan Membuat AI Benar-benar Bertindak
Saat ini, banyak AI Agent pada dasarnya melakukan hal yang sama: model dihadapkan pada "menu alat" yang disiapkan sebelumnya, menilai alat mana yang harus dipanggil, lalu melanjutkan langkah demi langkah. Untuk tugas sederhana, metode ini cukup.
Tapi penelitian bukanlah hal yang bisa diselesaikan dalam tiga atau lima langkah.
Mencari di beberapa basis data, mengunduh data, membersihkan data, berulang kali mengubah kode, memanggil algoritma khusus, meminta daya komputasi GPU, menghasilkan grafik, menyusun laporan...... masalah pada langkah apa pun mungkin mengharuskan untuk mengulang kembali.
Jawaban yang diberikan OpenAI4S adalah Code-as-Action, yaitu "kode sebagai tindakan".
Dia membuat agen langsung menghasilkan kode Python atau R, dan mengeksekusinya dalam lingkungan kernel yang berjalan terus-menerus.
Perulangan, penilaian kondisi, pemrosesan data batch, dan pembuatan grafik dapat digabungkan dalam satu eksekusi; data dan hasil perantara tidak perlu diserahkan kembali ke model di setiap langkah, melainkan dipertahankan di lingkungan kerja.
Bagi pengguna, perubahan paling langsung bukanlah bertambahnya istilah teknis, melainkan AI dapat menyambungkan tugas yang lebih panjang dan kompleks:
Data yang diunduh pada langkah sebelumnya dapat langsung diserahkan ke analisis langkah berikutnya;
Gambar, tabel, dan laporan yang dihasilkan akan disimpan secara otomatis;
Peneliti juga dapat membuka Notebook kapan saja, memeriksa kode, mengambil alih analisis, atau memodifikasi hasil.
"Kode adalah tindakan, kernel adalah lingkungan."
Menyelesaikan Alur Kerja Penelitian dari Data ke Kesimpulan dalam Satu Antarmuka
OpenAI4S lebih mirip meja kerja penelitian yang digunakan bersama oleh manusia dan AI.
Kamu memberikan sebuah tugas, dia dapat mencari sendiri sumber data penelitian terbuka, menulis dan menjalankan kode analisis, memanggil kemampuan komputasi khusus, lalu mengorganisir hasilnya menjadi gambar, tabel, struktur tiga dimensi, atau laporan Markdown.
Seluruh proses tidak berakhir begitu saja. Setiap produk penelitian akan dicatat, disimpan, dan didokumentasikan secara versi, memudahkan pemeriksaan, modifikasi, dan penggunaan kembali di kemudian hari.
Misalnya, memintanya menganalisis sebuah protein.
Dia dapat pergi mencari data sekuens dan struktur protein nyata, menyelesaikan perhitungan fitur dan visualisasi, lalu menulis proses analisis, sumber data, dan hasilnya ke dalam makalah.
Yang penting: data itu nyata, perhitungannya juga nyata.
Jika layanan eksternal tidak dapat terhubung, atau kondisi komputasi tidak terpenuhi, dia akan memberi tahu dengan jelas di mana yang tidak dapat dilakukan. Tidak akan diam-diam memasukkan data simulasi, apalagi membuat-buat hasil untuk melengkapi makalah secara paksa.
△
Kerja penelitian seringkali juga memerlukan modifikasi berulang.
Dalam alur tradisional, peneliti mungkin harus mencari kembali skrip pembuatan grafik, memodifikasi parameter, menjalankan kembali, dan mengekspor file;
Di OpenAI4S, permintaan penyesuaian dapat langsung diajukan menggunakan bahasa alami, agen cerdas akan menghasilkan ulang produk berdasarkan data dan kode yang ada, sambil tetap menyimpan catatan versi.
△
Puluhan Skills Penelitian, Memasukkan Kemampuan Spesialis ke dalam Agen Cerdas
Model umum ingin menjadi asisten penelitian, hanya mengandalkan "kecerdasan" saja tidak cukup.
Dia harus tahu ke mana mencari data khusus, bagaimana menggunakan alat khusus, dan bagaimana menjalankan algoritma kompleks.
OpenAI4S dilengkapi dengan 30+ Skills penelitian bawaan.
Struktur protein, analisis sekuens, desain protein, penangkaran molekul (molecular docking), analisis sel tunggal, pencarian literatur, pencarian data terbuka...... pada dasarnya mencakup sejumlah skenario penelitian komputasi umum.
Di antaranya, ada 14 Skills yang mengemas kemampuan komputasi ilmiah yang memerlukan GPU atau model khusus untuk diselesaikan.
Skills di sini bukanlah tabel parameter alat yang ditetapkan mati. Mereka lebih seperti sekumpulan "resep kode" yang dapat dibaca, dipahami, dan dieksekusi oleh agen cerdas.
Data apa yang dibutuhkan, layanan apa yang dipanggil, bagaimana kode ditulis, bagaimana hasil diperiksa, semuanya dapat disimpan dalam Skill.
Di masa depan, jika ada basis data baru, algoritma baru, atau alur eksperimen baru, pengembang dapat terus menghubungkannya.
Artinya, kemampuan ini tidak dikemas sekali untuk selamanya, permintaan penelitian dapat berubah, dan Skills dapat tumbuh mengikutinya.
Data Penelitian Perlu Terhubung ke Lingkungan Komputasi Nyata? Kirimkan Tugas ke GPU-mu Sendiri
Komputasi penelitian, ada juga masalah yang sangat realistis: daya komputasi.
Tugas-tugas seperti pelipatan protein (protein folding), penilaian mutasi, simulasi molekul, tidak dapat diselesaikan hanya dengan menjalankannya beberapa kali di laptop biasa.
Selain itu, banyak komputasi khusus di baliknya bergantung pada model tertentu, lingkungan perangkat lunak yang kompleks, dan sumber daya GPU.
OpenAI4S mendukung koneksi ke lingkungan komputasi mandiri. Interaksi dan pengorganisasian tugas dilakukan secara lokal, sementara komputasi khusus yang memerlukan GPU dapat dikirim ke server sendiri untuk dieksekusi, dan setelah hasil selesai, kembali ke alur kerja penelitian yang sama.
Misalnya, prediksi struktur protein dan penilaian efek mutasi, yang seringkali sulit bukanlah menghasilkan kode panggilan, melainkan memasukkan input ke lingkungan komputasi yang benar, dan membawa kembali hasil lengkap ke alur kerja.
Tidak perlu memadatkan semuanya dalam satu komputer, juga tidak perlu menulis ulang seluruh alur hanya untuk menghubungkan satu server komputasi, hal ini sangat penting terutama bagi laboratorium dan tim penelitian.
Data, model, dan daya komputasi dapat tetap berada di lingkungan sendiri, agen cerdas bertanggung jawab untuk menyambungkannya.
Data Nyata, Komputasi Nyata, Dia Benar-benar Tidak Membuat-buat
Menggunakan model murah untuk penelitian, apa yang paling ditakutkan? Takut dia dengan serius mengarang.
OpenAI4S menetapkan aturan keras yang disebut no-fabrication policy (kebijakan tidak memalsukan): menggunakan np.random untuk berpura-pura sebagai hasil eksperimen, "konservatisme" yang dikarang, menggunakan BLOSUM untuk meniru ESM, dataset simulasi yang dijadikan data nyata...... semuanya dilarang.
Entah layanan nyata, atau laporkan kesalahan dengan jujur.
Jadi, lihat kembali contoh INS itu — sekuens benar-benar diambil dari UniProt, struktur benar-benar diunduh dari RCSB, jika tidak dapat terhubung ke internet dia dengan jujur melewatinya, tidak akan memberikan yang palsu.
Benar-benar ingin menghitung struktur protein, dia juga benar-benar memanggil GPU: host.fold akan ssh ke mesin dengan 8×A100, menjalankan inferensi Protenix (tingkat AlphaFold3) untuk sekuens tunggal, mengirim kembali struktur dengan pLDDT; host.score_mutations menjalankan penilaian ESM nyata untuk memilih mutasi.
Tidak mengonfigurasi GPU? Maka dia akan langsung melaporkan kesalahan, tidak akan membuat struktur palsu.
Dia lebih memilih memberi tahu "tidak dapat menghitung", daripada membuat struktur palsu yang terlihat meyakinkan.
Bagi Research Agent, ini mungkin lebih penting daripada "bisa melakukan segalanya".
Open Source, Adalah Praktik Kolaborasi Industri-Akademik yang Didorong oleh Laboratorium Bersama Universitas Peking & Yuan Kong AI
Rilis OpenAI4S, bukan hanya menambah proyek open source, tetapi juga merupakan praktik kolaborasi industri-akademik yang didorong oleh Universitas Peking dan Yuan Kong AI.
Sebagai hasil tahapan dari laboratorium bersama mereka, pengembangan hingga open source OpenAI4S tidak lepas dari kontribusi dan dorongan berkelanjutan dari teman Zhang Gongbo dari laboratorium bersama.
Fokus penelitian Zhang Gongbo adalah AI for Science, UniGenX di mana dia menjadi penulis bersama pertama, mengeksplorasi model dasar ilmiah universal untuk molekul, material, dan protein. Akumulasi penelitian yang berfokus pada kecerdasan ilmiah ini juga lebih lanjut diperluas ke pengembangan dan implementasi OpenAI4S.
Di saat yang sama, OpenAI4S juga menggabungkan upaya bersama dari teman-teman dalam tim: Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang, Wang Yimi, dll., mulai dari desain kerangka kerja, pengembangan fungsi hingga rilis open source, setiap tahap tidak lepas dari kolaborasi dan kontribusi semua orang.
Yuan Kong AI adalah perusahaan AI ujung (edge) yang berfokus pada teknologi pasca-pelatihan model, Agent Runtime, memori jangka panjang, dan inferensi ujung, memungkinkan AI menyelesaikan tugas kompleks di lingkungan lokal dan offline.
Saat ini, perusahaan ini telah membentuk dua lini produk: Yuan Kong AI Work dan Yuan Kong AI Science, masing-masing memasuki bidang kantor cerdas dan penemuan ilmiah.
Open source OpenAI4S kali ini juga mencerminkan penilaian bersama laboratorium bersama dan Yuan Kong AI terhadap Research Agent:
Agen cerdas penelitian tidak boleh hanya berhenti di Demo, tetapi harus menjadi infrastruktur penelitian yang benar-benar dapat dieksekusi, dapat diperiksa, dan dapat diperluas.
Oleh karena itu, yang dibuka kali ini bukan hanya contoh, tetapi juga mencakup arsitektur inti, Skills penelitian, dan aplikasi lengkap.
Perguruan tinggi, lembaga penelitian, pengembang, dan mitra industri dapat memasukkan sumber data, algoritma, alat, dan alur kerja penelitian berdasarkan ini, bersama-sama mendorong Research Agent memasuki lebih banyak tugas nyata.
Selamat Datang untuk Menjalankannya, dan Juga Bersama-sama Mengembangkannya Lebih Lanjut
Untuk berpartisipasi dalam OpenAI4S, dapat dimulai dengan menjalankannya.
Pemasangan tidak rumit, tiga baris sudah bisa dijalankan:
Untuk memulai proyek itu sendiri, tidak perlu mengonfigurasi Model Key terlebih dahulu.
Setelah masuk ke antarmuka, isi saja di Customize → Models.
Proyek ini juga dilengkapi dengan serangkaian kasus nyata yang dapat langsung dijalankan: alur kerja Live API, analisis data nyata insulin manusia INS, modifikasi grafik dengan satu kalimat, serta prediksi kelarutan artemisinin dan paclitaxel dalam mode terencana, rekayasa protein......
Tapi menjalankan proyek hanyalah langkah pertama.
Penelitian nyata mencakup banyak bidang: ilmu hayat, kimia, material, kedokteran, ilmu bumi, dll.
Setiap arah memiliki basis data, model khusus, dan alur komputasi sendiri. Peta kemampuan yang begitu luas tidak mungkin dilengkapi sekaligus hanya oleh satu tim.
Oleh karena itu, OpenAI4S secara resmi mengeluarkan Panggilan untuk Kontributor (Call for Contributors) kepada perguruan tinggi, lembaga penelitian, pengembang, dan tim industri.
Saat ini, Skills UI dari Tu Zhan Intelligent telah memberikan dukungan sebagian untuk proyek open source ini.
Jika kamu familiar dengan suatu arah penelitian tertentu, kamu dapat mengembangkan Skills penelitian baru untuknya, menghubungkan basis data khusus, model algoritma, dan platform komputasi;
Jika kamu ahli dalam Agent atau rekayasa perangkat lunak, kamu juga dapat berpartisipasi dalam menyempurnakan arsitektur inti, komputasi jarak jauh, mekanisme keamanan, pengujian, dan dokumentasi.
Tidak perlu menulis kode, juga bisa berpartisipasi.
Mengirimkan Issue, melengkapi kasus yang dapat direproduksi, memberikan umpan balik tentang kegagalan tugas, atau memberi tahu komunitas tentang apa yang benar-benar dibutuhkan oleh suatu disiplin ilmu, semuanya adalah kontribusi yang berharga.
Jika kamu juga percaya bahwa Research Agent tidak boleh hanya berhenti di Demo, selamat datang untuk menjalankannya, dan juga selamat datang untuk bersama-sama mengembangkannya lebih lanjut.
Pintu Gerbang (Links)
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
Artikel ini berasal dari akun WeChat publik "量子位 (Qubit)", penulis: Fokus pada Teknologi Terdepan
