Возможно, вы слышали о Claude Science.
Научный агент от Anthropic, который сам ищет литературу, пишет код, проводит анализ, создает графики и отчеты — многие восклицали, что «вот как должен выглядеть AI for Science».
Но он проприетарный.
Теперь его воссоздали — с открытым исходным кодом, по лицензии MIT, с нулевыми зависимостями в ядре.
Проект называется OpenAI4S (Open AI for Scientist) — это официально открытый проект научного агента от Совместной лаборатории Пекинского университета и Yuan Kong AI Agent.
Ключевой момент: это не просто «похоже» на Claude Science, а независимая реализация с открытым исходным кодом, воспроизводящая движок, устойчивое ядро, протокол host-RPC и уровень безопасности, следуя идее Code-as-Action.
Проект был открыт на GitHub 6 июля 2026 года под лицензией MIT.
В настоящее время OpenAI4S предоставляет полноценное веб-приложение для исследований, десятки встроенных навыков (Skills), возможность подключения собственных вычислительных мощностей и версионирование научных результатов.
Yuan Kong AI Science: https://www.chatexcel.com/homesite/openAI4S
Он не просто стремится дать внешне правильный ответ, а хочет, чтобы ИИ действительно вошел в рабочий процесс исследований, продвигая проблему от «постановки» до «завершения».
Не просто поболтать подольше, а заставить ИИ действительно действовать
Многие современные AI Agent по сути делают одно и то же: модель, имея заранее подготовленное «меню инструментов», решает, какой из них вызвать, и затем шаг за шагом продвигается вперед. Для простых задач этого достаточно.
Но научные исследования — не то, что можно решить за три-пять шагов.
Поиск в нескольких базах данных, загрузка данных, их очистка, многократное изменение кода, вызов специализированных алгоритмов, запрос GPU-ресурсов, создание графиков, оформление отчета... Любой сбой на любом этапе может потребовать начать заново.
Ответ OpenAI4S — Code-as-Action, то есть «код как действие».
Он позволяет агенту напрямую генерировать код на Python или R и выполнять его в постоянно работающей среде ядра.
Циклы, условные операторы, пакетная обработка данных и построение графиков могут быть объединены в одном запуске; данные и промежуточные результаты не нужно передавать модели на каждом шаге заново — они сохраняются в рабочей среде.
Для пользователя самое заметное изменение — не появление нового технического термина, а то, что ИИ может объединять более длинные и сложные задачи:
Данные, загруженные на предыдущем шаге, могут быть напрямую переданы для анализа на следующем;
Созданные изображения, таблицы и отчеты автоматически сохраняются;
Исследователи также могут в любой момент открыть Notebook, проверить код, продолжить анализ или изменить результаты.
«Код — это действие, ядро — это среда.»
В одном интерфейсе завершить научный процесс от данных до выводов
OpenAI4S больше похож на общую исследовательскую рабочую площадку для человека и ИИ.
Вы даете задачу, он может самостоятельно искать в открытых научных источниках данных, писать и запускать аналитический код, использовать специализированные вычислительные мощности, а затем оформлять результаты в виде изображений, таблиц, трехмерных структур или отчетов в Markdown.
Весь процесс не исчезает после завершения. Каждый научный результат записывается, сохраняется и версионируется для последующей проверки, модификации и повторного использования.
Например, попросите его проанализировать белок.
Он может сначала найти реальные данные о последовательности и структуре белка, затем выполнить расчет характеристик и визуализацию, и наконец, записать процесс анализа, источники данных и результаты в статью.
Важно: данные реальные, и вычисления реальные.
Если внешний сервис недоступен или вычислительные условия не выполняются, он четко укажет, что именно не получается. Он не подсунет вам сымитированные данные и не выдумает результат, чтобы искусственно завершить статью.
△
Научная работа часто требует многократных правок.
В традиционном процессе исследователям, возможно, придется заново находить скрипты для построения графиков, менять параметры, снова запускать и экспортировать файлы;
В OpenAI4S можно прямо на естественном языке попросить внести изменения, и агент перегенерирует результат на основе существующих данных и кода, сохраняя при этом историю версий.
△
Десятки научных навыков (Skills), упаковывающих профессиональные возможности в агента
Чтобы универсальная модель стала научным помощником, недостаточно одной «сообразительности».
Она должна знать, где искать профессиональные данные, как использовать профессиональные инструменты, как запускать сложные алгоритмы.
OpenAI4S изначально включает более 30 научных навыков (Skills).
Структура белков, анализ последовательностей, дизайн белков, молекулярный докинг, анализ одноклеточных данных, поиск литературы, поиск в открытых данных... В основном охвачен ряд распространенных сценариев вычислительных исследований.
Из них 14 Skills инкапсулируют возможности для научных вычислений, требующих GPU или специализированных моделей.
Эти Skills — не просто жестко заданная таблица параметров инструментов. Они больше похожи на набор «рецептов кода», которые агент может читать, понимать и выполнять.
Какие данные нужны, какой сервис вызвать, как написать код, как проверить результат — все это может быть заложено в Skill.
В дальнейшем, при появлении новых баз данных, алгоритмов или экспериментальных протоколов, разработчики могут просто добавлять их.
То есть, эти возможности не запечатаны раз и навсегда; по мере изменения научных потребностей, Skills могут развиваться вместе с ними.
Нужно подключить научные данные к реальной вычислительной среде? Отправьте задачу на свой GPU
В научных вычислениях есть еще одна очень практическая проблема: вычислительные мощности.
Задачи вроде фолдинга белков, оценки мутаций, молекулярного моделирования — не то, что можно просто так запустить на обычном ноутбуке.
Кроме того, за многими специализированными расчетами стоят специфические модели, сложные программные среды и GPU-ресурсы.
OpenAI4S поддерживает подключение собственных вычислительных сред. Локальная часть отвечает за взаимодействие и организацию задач, а вычисления, требующие GPU, могут быть отправлены для выполнения на ваши собственные серверы; после завершения расчетов результаты возвращаются в тот же научный рабочий процесс.
Например, для предсказания структуры белка и оценки эффекта мутаций зачастую сложность заключается не в генерации кода вызова, а в передаче входных данных в правильную вычислительную среду и полном возврате результатов обратно в рабочий процесс.
Не нужно все запихивать в один компьютер и не нужно переписывать весь процесс для подключения одного сервера с вычислительными мощностями — это особенно важно для лабораторий и научных групп.
Данные, модели и вычислительные ресурсы могут оставаться в вашей собственной среде, а агент отвечает за их связывание.
Реальные данные, реальные вычисления — он действительно ничего не придумывает
Чего больше всего боятся, используя дешевые модели для исследований? Боятся, что они с серьезным видом будут сочинять.
OpenAI4S установил жесткое правило — политика отсутствия фальсификаций (no-fabrication policy): использование np.random для имитации экспериментальных результатов, выдуманная «консервативность», подмена ESM на BLOSUM, выдача синтетических наборов данных за реальные... Все это запрещено.
Либо настоящий сервис, либо честное сообщение об ошибке.
Поэтому, если вернуться к примеру с инсулином (INS) — последовательность действительно загружена из UniProt, структура действительно скачана из RCSB, если нет соединения с интернетом — он честно пропустит этот шаг, ни за что не подсунув вам подделку.
Если действительно нужно рассчитать структуру белка, он действительно использует GPU: host.fold по ssh подключается к машине с 8×A100, запускает вывод для одной последовательности в Protenix (уровень AlphaFold3) и возвращает структуру с pLDDT; host.score_mutations запускает реальную оценку ESM для отбора мутаций.
Нет настроенного GPU? Тогда он просто выдаст ошибку, ни за что не сгенерировав вам фальшивую структуру.
Он скорее скажет «не могу вычислить», чем предоставит вам правдоподобную, но вымышленную структуру.
Для научного агента это, возможно, важнее, чем «умение делать всё».
Открытый исходный код — это практика сотрудничества между университетом и индустрией, продвигаемая совместной лабораторией Пекинского университета и Yuan Kong AI
Выпуск OpenAI4S — это не просто добавление еще одного открытого проекта, а также практика сотрудничества между университетом и индустрией, продвигаемая Пекинским университетом и Yuan Kong AI.
Как этапный результат совместной лаборатории, от разработки до открытия кода OpenAI4S не обошлось без постоянных усилий и инициативы студента Чжан Гунбо.
Область исследований Чжан Гунбо сосредоточена на AI for Science. UniGenX, где он является со-первым автором, исследует универсальные фундаментальные модели для молекул, материалов и белков. Этот исследовательский опыт, связанный с научным интеллектом, также нашел продолжение в разработке и внедрении OpenAI4S.
В то же время, OpenAI4S стал результатом совместных усилий членов команды Ли Хао, Ван Юй, Лю Юян, Люй Лючжэнхао, Мао Ичэн, Линь Муцзе, Пэн Шэньяо, Цзян Чжэнсян, Ван Ими и других — от проектирования каркаса и разработки функций до открытого выпуска, каждый этап стал возможен благодаря их сотрудничеству и вкладу.
Yuan Kong AI — это компания, специализирующаяся на edge-ИИ, фокусирующаяся на технологиях дообучения моделей, Agent Runtime, долговременной памяти и edge-инференса, позволяющих ИИ выполнять сложные задачи локально и в оффлайн-среде.
В настоящее время компания сформировала две продуктовые линейки: Yuan Kong AI Work и Yuan Kong AI Science, выходящие на рынки интеллектуального офиса и научных открытий соответственно.
Это открытие исходного кода OpenAI4S также отражает общее мнение совместной лаборатории и Yuan Kong AI о научных агентах:
Научный агент не должен оставаться на уровне демо, а должен стать реальной, исполняемой, проверяемой и расширяемой научной инфраструктурой.
Поэтому открывается не только пример использования, но и ключевая архитектура, научные Skills и полное приложение.
Университеты, научные учреждения, разработчики и индустриальные партнеры могут на этой основе подключать источники данных, алгоритмы, инструменты и научные процессы, совместно продвигая научных агентов для решения большего числа реальных задач.
Запустите его и помогите развивать дальше
Участие в OpenAI4S можно начать с его запуска.
Установка несложная, запускается тремя строками:
Для запуска самого проекта не требуется предварительно настраивать ключ модели.
После входа в интерфейс его можно заполнить в Customize → Models.
Проект также включает набор реальных примеров, которые можно сразу запустить: рабочий процесс Live API, анализ реальных данных человеческого инсулина INS, изменение графика одной фразой, а также в режиме планирования — предсказание растворимости артемизинина и таксола, белковая инженерия...
Но запуск проекта — это только первый шаг.
Настоящие научные исследования охватывают множество областей: науки о жизни, химия, материаловедение, медицина, науки о Земле и т.д.
Каждое направление имеет свои базы данных, специализированные модели и вычислительные процессы. Такую огромную карту возможностей невозможно заполнить силами одной команды за один раз.
Поэтому OpenAI4S официально объявляет Call for Contributors для университетов, научных учреждений, разработчиков и индустриальных команд.
В настоящее время Skills UI от Tu Zhan Intelligent уже частично поддержал этот открытый проект.
Если вы знакомы с каким-либо научным направлением, вы можете разработать для него новые научные Skills, подключить профессиональные базы данных, алгоритмические модели и вычислительные платформы;
Если вы сильны в агентах или программной инженерии, вы также можете участвовать в улучшении ключевой архитектуры, удаленных вычислений, механизмов безопасности, тестировании и документации.
Можно участвовать и без написания кода.
Создание Issue, добавление воспроизводимого примера, сообщение о неудачной задаче или рассказ сообществу о том, что действительно нужно какой-либо дисциплине — все это ценный вклад.
Если вы тоже верите, что научный агент не должен оставаться на уровне демо, добро пожаловать — запустите его, а также помогите развивать его дальше вместе.
Ссылки:
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
Эта статья из официального аккаунта WeChat «Квантовый бит», автор: Гуаньчжу Цяньянь Кэцзи (Следим за передовыми технологиями)
