科研人员想让AI帮忙跑一个蛋白质对接实验，过去只能依赖Anthropic的Claude Science等闭源产品，数据安全和可复现性都受限。近期，北京大学与元空AI联合实验室开源了一款名为OpenAI4S的科研智能体，采用MIT协议向社区开放，沿Code-as-Action思路复现了Claude Science的核心能力，内置30多项科研技能，覆盖蛋白质结构分析、分子对接等场景，为科研智能体的开源生态补上了关键一块拼图。
与市面上多数把大模型包装成聊天助手的科研工具不同，OpenAI4S把实验执行放在了核心位置。它支持自有算力接入，让研究人员在本地或私有环境跑通完整流程，并将产物版本化保存，任何一次实验都能回溯复现。项目主打真实数据、真实计算、不伪造，直面科研AI最容易踩的幻觉和数据造假陷阱，这套设计理念在当下显得尤为珍贵。
科研智能体正在成为AI巨头押注的新方向。今年6月，Anthropic推出面向科研人员的Claude Science，通过接入文献、基因组学和化学计算等工具，试图成为科研人员调用数据和软件的新入口；英伟达则发布BioNeMo Agent Toolkit，并与赛默飞合作，将智能体进一步延伸至实验室设备。海外巨头的动作验证了科研智能体的产业方向，但其切入路径主要是从基础模型和计算工具向实验环节延伸，模型和算力都封装在云端闭源体系里。
北大与元空AI的开源选择，则从另一个维度切入赛道。当闭源产品把科研能力封装在云端时，开源方案把模型、技能和算力接入方式全部交到科研人员手里，数据不出实验室也能完成AI辅助科研，这对于生物医药等对数据安全高度敏感的领域尤为重要。科研场景的特殊性在于，很多实验室的课题数据涉及专利布局和商业机密，完全依赖云端闭源服务意味着把核心数据交到别人手里，这是许多课题组无法接受的。
事实上，科研领域的AI应用长期存在一个错位：最需要AI帮助的往往不是头部大实验室，而是资源有限的普通课题组。他们既没有庞大的算力集群，也买不起昂贵的闭源API套餐，开源科研智能体的出现，恰好给了这些团队一个起点。OpenAI4S的30多项技能覆盖了从数据准备到结果分析的全流程，小团队也能在此基础上搭建自己的科研助手，对于经费紧张的中小课题组来说，这相当于用零成本获得了一位不眠不休的AI科研助手，价值不言而喻。
OpenAI4S的技术路线可以概括为Code-as-Action，即把科研任务转化为可执行的代码动作。研究团队为智能体内置了30多项科研技能，覆盖蛋白质结构预测、分子对接、序列分析等高频任务，每个技能都封装为标准的调用接口，智能体可以根据任务描述自动选择合适的技能并串联执行，用户不需要手动拼接工具链。
在算力层面，OpenAI4S支持接入自有算力，模型推理和计算任务可以在本地或私有集群完成。所有运行产物都会版本化保存，实验参数、输入输出、中间结果全程留痕，这不仅让结果可复现，也为后续的对比分析提供了基础。对于习惯了黑盒调用的科研用户来说，这种透明可审计的设计理念相当稀缺，它把科研AI从神秘的黑箱变成了可检验的助手。
从使用流程看，科研人员只需用自然语言描述任务目标，比如分析某个蛋白质的结构稳定性，OpenAI4S会自动检索可用的技能、规划执行步骤、调用计算资源并返回结构化结果。过程中所有中间产物都会落盘保存，用户可以随时查看每一步的计算逻辑，甚至在发现问题时手工介入调整参数，这种人在环中的设计让AI更像一个可协作的同事，而不是一个黑盒。
科研AI最大的信任危机，来自模型幻觉和伪造数据。通用大模型在回答科学问题时，经常会一本正经地给出错误的分子结构或反应条件，一旦被直接用于实验设计，轻则浪费资源，重则误导研究方向。OpenAI4S把不伪造写进了设计原则，强调真实数据、真实计算，所有结果都来自实际运行的代码和真实数据集，而非模型的凭空想象，从机制上堵住了数据造假的漏洞。
这种设计思路与产业界正在形成的共识一致。有分析指出，AI4S的核心是让AI能够验证自己，如果说编译器构成了AI Coding的反馈系统，那么设计、制造、测试、分析的DMTA闭环，就是AI4S在物理世界中的科学编译器。开源科研智能体把这种闭环能力开放出来，让更多实验室能够在此基础上迭代，有望加速科研范式从辅助计算走向自主发现，也让中国科研团队在全球AI4S竞赛中掌握了更多主动权。
当然，开源科研智能体也面临现实挑战。科学数据的质量参差不齐，模型技能需要针对不同领域持续迭代，算力成本对普通实验室依然是门槛，这些问题单靠开源协议无法解决。但OpenAI4S的示范意义在于，它证明了科研智能体不必是巨头的专属游戏，社区协作和开放生态同样可以推动AI4S向前走，这也是它与Claude Science等闭源产品最本质的区别。