Có thể bạn đã từng nghe đến Claude Science.
Tác nhân nghiên cứu của Anthropic, có thể tự tìm tài liệu, tự viết code, tự chạy phân tích, tự tạo biểu đồ và báo cáo, từng khiến nhiều người thốt lên "Đây mới chính là AI for Science đúng nghĩa".
Nhưng nó là mã nguồn đóng.
Giờ đây, đã có người tái tạo lại nó — mã nguồn mở, giấy phép MIT, lõi không phụ thuộc.
Dự án tên là OpenAI4S (Open AI for Scientist), là dự án tác nhân thông minh nghiên cứu được chính thức mở nguồn bởi Phòng thí nghiệm liên kết Đại học Bắc Kinh & Yuankong AI Agent.
Điểm nhấn: Nó không chỉ "trông giống" Claude Science, mà là đi theo tư duy Code-as-Action, tái hiện độc lập động cơ, lõi bền vững, giao thức host-RPC, lớp bảo mật bằng phương thức mã nguồn mở.
Dự án đã được mở nguồn trên GitHub vào ngày 6 tháng 7 năm 2026, sử dụng giấy phép MIT.
Hiện tại, OpenAI4S cung cấp ứng dụng web nghiên cứu hoàn chỉnh, hàng chục Skills tích hợp sẵn, khả năng kết nối tài nguyên tính toán riêng và sản phẩm nghiên cứu được phiên bản hóa.
Yuankong AI Science: https://www.chatexcel.com/homesite/openAI4S
Nó không chỉ hài lòng với việc đưa ra một câu trả lời trông có vẻ đúng, mà hy vọng đưa AI thực sự vào quy trình làm việc nghiên cứu, đẩy một vấn đề từ "đặt ra" tiến tới "hoàn thành".
Không phải trò chuyện thêm vài vòng, mà là để AI thực sự hành động
Hiện nay, nhiều AI Agent về bản chất đang làm cùng một việc: mô hình đối mặt với một "thực đơn công cụ" được chuẩn bị trước, đánh giá nên gọi công cụ nào, sau đó từng bước tiến hành. Đối với nhiệm vụ đơn giản, phương pháp này đủ dùng.
Nhưng nghiên cứu không phải việc có thể hoàn thành chỉ trong ba năm bước.
Truy vấn nhiều cơ sở dữ liệu, tải dữ liệu, làm sạch dữ liệu, sửa code liên tục, gọi thuật toán chuyên môn, yêu cầu sức mạnh tính toán GPU, tạo biểu đồ, tổng hợp báo cáo... Bất kỳ bước nào gặp sự cố đều có thể phải quay lại làm từ đầu.
Câu trả lời mà OpenAI4S đưa ra là Code-as-Action, cũng chính là "code là hành động".
Nó để tác nhân thông minh trực tiếp tạo mã Python hoặc R, và thực thi trong một môi trường kernel đang chạy liên tục.
Vòng lặp, điều kiện, xử lý dữ liệu hàng loạt và vẽ đồ thị có thể được kết hợp hoàn thành trong một lần thực thi; dữ liệu và kết quả trung gian cũng không cần giao lại cho mô hình ở mỗi bước, mà được lưu lại trong môi trường làm việc.
Đối với người dùng, thay đổi trực tiếp nhất không phải là có thêm một thuật ngữ kỹ thuật, mà là AI có thể kết nối các nhiệm vụ dài hơn và phức tạp hơn:
Dữ liệu tải về ở bước trước, có thể trực tiếp giao cho bước sau phân tích;
Hình ảnh, bảng biểu và báo cáo được tạo ra sẽ tự động lưu lại;
Nhà nghiên cứu cũng có thể mở Notebook bất cứ lúc nào, kiểm tra code, tiếp nhận phân tích hoặc sửa kết quả.
"Code là hành động, kernel là môi trường."
Trong một giao diện, hoàn thành quy trình nghiên cứu từ dữ liệu đến kết luận
OpenAI4S giống một bàn làm việc nghiên cứu được con người và AI cùng sử dụng hơn.
Bạn đưa ra một nhiệm vụ, nó có thể tự tìm kiếm nguồn dữ liệu nghiên cứu công khai, viết và chạy code phân tích, gọi khả năng tính toán chuyên môn, sau đó sắp xếp kết quả thành hình ảnh, bảng biểu, cấu trúc ba chiều hoặc báo cáo Markdown.
Toàn bộ quá trình không phải làm xong là xong. Mỗi sản phẩm nghiên cứu sẽ được ghi lại, lưu trữ và phiên bản hóa, thuận tiện cho việc kiểm tra, sửa đổi và tái sử dụng sau này.
Ví dụ, để nó phân tích một protein.
Nó có thể đi truy vấn dữ liệu trình tự và cấu trúc protein thực tế, sau đó hoàn thành tính toán đặc trưng và trực quan hóa, cuối cùng viết quá trình phân tích, nguồn dữ liệu và kết quả vào bài báo.
Điểm quan trọng: dữ liệu là thật, tính toán cũng là thật.
Nếu không thể kết nối dịch vụ bên ngoài, hoặc điều kiện tính toán không đáp ứng, nó sẽ nói rõ cho bạn biết chỗ nào không làm được. Nó sẽ không lén đưa vào một bộ dữ liệu mô phỏng, càng không tự biên một kết quả để gượng ép hoàn thành bài báo.
△
Công việc nghiên cứu thường cần sửa đổi lặp đi lặp lại.
Trong quy trình truyền thống, nhà nghiên cứu có thể phải tìm lại script vẽ đồ thị, sửa tham số, chạy lại và xuất file;
Trong OpenAI4S, có thể trực tiếp dùng ngôn ngữ tự nhiên đưa ra yêu cầu điều chỉnh, tác nhân thông minh sẽ tạo lại sản phẩm dựa trên dữ liệu và code hiện có, đồng thời lưu lại bản ghi phiên bản.
△
Hàng chục Skills nghiên cứu, đóng gói năng lực chuyên môn vào tác nhân thông minh
Muốn mô hình tổng quát trở thành trợ lý nghiên cứu, chỉ thông minh thôi là chưa đủ.
Nó cần biết dữ liệu chuyên môn tìm ở đâu, công cụ chuyên môn dùng thế nào, thuật toán phức tạp chạy ra sao.
OpenAI4S tích hợp sẵn hơn 30 Skills nghiên cứu.
Cấu trúc protein, phân tích trình tự, thiết kế protein, ghép nối phân tử, phân tích đơn bào, truy vấn tài liệu, truy vấn dữ liệu mở... về cơ bản bao phủ một loạt các tình huống nghiên cứu tính toán phổ biến.
Trong đó, có 14 Skills đóng gói khả năng tính toán khoa học cần GPU hoặc mô hình chuyên môn mới có thể hoàn thành.
Skills ở đây không phải là một bảng tham số công cụ cứng nhắc. Chúng giống một bộ "công thức code" mà tác nhân thông minh có thể đọc, hiểu và thực thi.
Cần dữ liệu gì, gọi dịch vụ nào, code viết thế nào, kết quả kiểm tra ra sao, đều có thể lưu lại trong Skill.
Sau này có cơ sở dữ liệu mới, thuật toán mới hay quy trình thí nghiệm mới, nhà phát triển tiếp tục kết nối vào là được.
Có nghĩa là, khả năng này không bị đóng kín một lần, nhu cầu nghiên cứu thay đổi thế nào, Skills có thể phát triển theo như vậy.
Dữ liệu nghiên cứu cần kết nối môi trường tính toán thực sự? Đưa nhiệm vụ đến GPU của chính mình
Tính toán nghiên cứu, còn có một vấn đề rất thực tế: sức mạnh tính toán.
Các nhiệm vụ như gập protein, chấm điểm đột biến, mô phỏng phân tử, không phải máy tính xách tay thông thường chạy vài cái là xong.
Hơn nữa, sau nhiều tính toán chuyên môn, đều phụ thuộc vào mô hình cụ thể, môi trường phần mềm phức tạp và tài nguyên GPU.
OpenAI4S hỗ trợ kết nối môi trường tính toán riêng. Máy cục bộ chịu trách nhiệm tương tác và tổ chức nhiệm vụ, tính toán chuyên môn cần GPU có thể phân phát đến máy chủ riêng để thực thi, sau khi chạy xong kết quả, quay trở lại cùng một quy trình làm việc nghiên cứu.
Ví dụ dự đoán cấu trúc protein và chấm điểm hiệu ứng đột biến, khó khăn thực sự thường không phải là tạo code gọi, mà là đưa đầu vào vào môi trường tính toán chính xác, sau đó đưa kết quả hoàn chỉnh trở lại quy trình làm việc.
Không cần nhồi nhét mọi thứ vào một máy tính, cũng không cần viết lại toàn bộ quy trình để kết nối một máy chủ tính toán, điểm này đặc biệt quan trọng đối với phòng thí nghiệm và nhóm nghiên cứu.
Dữ liệu, mô hình và sức mạnh tính toán đều có thể ở lại môi trường của chính mình, tác nhân thông minh chịu trách nhiệm kết nối chúng.
Dữ liệu thật, tính toán thật, nó thực sự không tự biên
Dùng mô hình rẻ chạy nghiên cứu, sợ nhất điều gì? Sợ nó nghiêm túc tự biên.
OpenAI4S đặt ra một quy tắc cứng, gọi là chính sách không giả mạo (no-fabrication policy): dùng np.random giả kết quả thí nghiệm, tự biên "bảo tồn", lấy BLOSUM mạo danh ESM, dùng tập dữ liệu mô phỏng thay dữ liệu thật... đều cấm.
Hoặc dịch vụ thật, hoặc thành thực báo lỗi.
Vì vậy bạn nhìn lại trường hợp INS — trình tự thực sự lấy từ UniProt, cấu trúc thực sự tải từ RCSB, không kết nối được mạng nó thành thật bỏ qua, tuyệt đối không bịa một cái giả cho bạn.
Thực sự cần tính cấu trúc protein, nó cũng thực sự gọi GPU: host.fold sẽ ssh đến một máy 8×A100, chạy suy luận Protenix (cấp AlphaFold3) cho trình tự đơn, trả về cấu trúc với pLDDT; host.score_mutations chạy chấm điểm ESM thực để chọn đột biến.
Chưa cấu hình GPU? Vậy nó sẽ trực tiếp báo lỗi, tuyệt đối không tạo cho bạn một cấu trúc giả.
Nó sẵn sàng nói với bạn "không tính được", hơn là bịa ra một cấu trúc giả trông có vẻ đúng đắn.
Đối với Agent nghiên cứu, điều này có thể quan trọng hơn "cái gì cũng biết".
Mã nguồn mở, là một lần thực hành thúc đẩy hợp tác công nghiệp - học thuật - nghiên cứu của Phòng thí nghiệm liên kết Đại học Bắc Kinh & Yuankong AI
Việc phát hành OpenAI4S, không chỉ là thêm một dự án mã nguồn mở, mà còn là một lần thực hành thúc đẩy hợp tác công nghiệp - học thuật - nghiên cứu của Đại học Bắc Kinh và Yuankong AI.
Là kết quả giai đoạn của phòng thí nghiệm liên kết hai bên, quá trình từ nghiên cứu phát triển đến mở nguồn của OpenAI4S, không thể thiếu sự đóng góp và thúc đẩy liên tục của sinh viên Zhang Gongbo thuộc phòng thí nghiệm liên kết.
Hướng nghiên cứu của Zhang Gongbo tập trung vào AI for Science, UniGenX mà anh là đồng tác giả chính, đã khám phá mô hình cơ sở khoa học phổ quát hướng tới phân tử, vật liệu và protein, những tích lũy nghiên cứu xoay quanh trí tuệ khoa học này, cũng được mở rộng thêm vào nghiên cứu phát triển và triển khai của OpenAI4S.
Đồng thời, OpenAI4S cũng kết tinh nỗ lực chung của các thành viên trong nhóm Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang, Wang Yimi, từ thiết kế khung, phát triển chức năng đến phát hành mã nguồn mở, mỗi khâu đều không thể thiếu sự hợp tác và đóng góp của mọi người.
Yuankong AI là một công ty AI thiết bị đầu cuối, chuyên sâu vào việc thông qua huấn luyện hậu kỳ mô hình, Agent Runtime, bộ nhớ dài hạn và công nghệ suy luận thiết bị đầu cuối, để AI hoàn thành nhiệm vụ phức tạp trong môi trường cục bộ và ngoại tuyến.
Hiện tại, công ty đã hình thành hai dòng sản phẩm Yuankong AI Work và Yuankong AI Science, lần lượt tiến vào 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 kết và Yuankong AI về Agent nghiên cứu:
Tác nhân thông minh nghiên cứu không thể chỉ dừng lại ở Demo, mà nên trở thành cơ sở hạ tầng nghiên cứu thực sự có thể thực thi, kiểm tra, mở rộng.
Vì vậy, lần mở này không chỉ là ví dụ, mà bao gồm kiến trúc lõi, Skills nghiên cứu và ứng dụng hoàn chỉnh.
Trường đại học, cơ quan nghiên cứu, nhà phát triển và đối tác ngành có thể trên cơ sở này kết nối nguồn dữ liệu, thuật toán, công cụ và quy trình nghiên cứu, cùng thúc đẩy Agent nghiên cứu tiến vào nhiều nhiệm vụ thực tế hơn.
Chào mừng chạy thử nó, cũng cùng nhau phát triển nó tiếp
Tham gia OpenAI4S, có thể bắt đầu từ việc chạy thử nó.
Cài đặt không phức tạp, ba dòng là có thể khởi động:
Bản thân việc khởi động dự án, không cần cấu hình trước Model Key.
Sau khi vào giao diện, điền vào Customize → Models là được.
Dự án còn đi kèm một bộ ví dụ thực tế, có thể chạy theo ngay: Quy trình làm việc Live API, phân tích dữ liệu thực insulin người INS, sửa hình bằng một câu, cũng như dự đoán độ tan artemisinin và paclitaxel trong chế độ lập kế hoạch, kỹ thuật protein...
Nhưng chạy thử dự án chỉ là bước đầu tiên.
Nghiên cứu thực tế trải rộng qua nhiều lĩnh vực như khoa học sự sống, hóa học, vật liệu, y học, khoa học trái đất.
Mỗi hướng đều có cơ sở dữ liệu, mô hình chuyên môn và quy trình tính toán riêng. Bản đồ năng lực rộng lớn như vậy, không thể chỉ dựa vào một nhóm bổ sung một lần.
Vì vậy, OpenAI4S chính thức gửi lời mời trường đại học, cơ quan nghiên cứu, nhà phát triển và nhóm ngành tham gia đóng góp.
Hiện tại, Skills UI của TuZhan Smart, đã cung cấp một phần hỗ trợ cho dự án mã nguồn mở này.
Nếu bạn quen thuộc với một hướng nghiên cứu nào đó, có thể phát triển Skills nghiên cứu mới cho nó, kết nối cơ sở dữ liệu chuyên môn, mô hình thuật toán và nền tảng tính toán;
Nếu bạn giỏi về Agent hoặc kỹ thuật phần mềm, cũng có thể tham gia hoàn thiện kiến trúc lõi, tính toán từ xa, cơ chế bảo mật, kiểm thử và tài liệu.
Không viết code, cũng có thể tham gia.
Gửi một Issue, bổ sung một trường hợp có thể tái hiện, phản hồi một nhiệm vụ thất bại, hoặc nói với cộng đồng một ngành học thực sự cần gì, đều là đóng góp có giá trị.
Nếu bạn cũng tin rằng, Agent nghiên cứu không nên chỉ dừng lại trong Demo, chào mừng chạy thử nó, cũng chào mừng cùng nhau phát triển nó tiếp.
Cổng thông tin
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 công nghệ tiên phong
