В мире искусственного интеллекта, где границы между коммерческими продуктами и открытым исходным кодом становятся всё более размытыми, появление инструментов, которые действительно ставят во главу угла прозрачность и независимость, — это редкое и ценное событие. Компания Synthetic Sciences представила OpenScience, проект, который позиционирует себя не просто как ещё один набор скриптов для машинного обучения, а как полноценная рабочая среда (workbench) для научных исследований. Это ответ на растущую потребность исследователей в инструментах, которые не привязывают их к одному вендору, не требуют передачи конфиденциальных данных в облако сторонних провайдеров и позволяют полностью контролировать процесс генерации гипотез, написания кода и анализа результатов.
OpenScience — это не просто обертка над API. Это сложная система, объединяющая агентов искусственного интеллекта, базу знаний научных данных и среду выполнения кода в единое целое. Проект лицензирован под Apache 2.0, что делает его полностью открытым для модификации и использования в коммерческих и академических целях. Ключевая философия проекта проста: научный инструментарий не должен принадлежать одной компании. Рабочий процесс остается открытым, модели можно менять по запросу, а данные остаются локально.
Важно отметить, что это независимый проект, не аффилированный с Anthropic, несмотря на то, что OpenScience часто сравнивают с их продуктом Claude Science. В этой статье мы подробно разберем, как устроена эта платформа, какие возможности она дает исследователям в области биологии, физики и химии, а также как самостоятельно развернуть её на своем оборудовании.
01Что такое OpenScience и зачем она нужна?
OpenScience — это веб-интерфейс, работающий на базе локального агента. Представьте себе среду, где вы ставите перед ИИ исследовательскую задачу, а он самостоятельно проходит весь цикл работы, который обычно выполняет человек: от поиска релевантных статей до формирования гипотезы, написания и запуска кода, проведения экспериментов и, наконец, написания отчета. Все это происходит в рамках одной непрерывной сессии.
Главная архитектурная особенность OpenScience — модельная независимость (model-agnosticism). Платформа не привязана к конкретному поставщику больших языковых моделей (LLM). Вы можете использовать любые модели: от проприетарных лидеров рынка, таких как Claude, GPT, Gemini, до открытых моделей (GLM, Kimi, DeepSeek) и даже локально развернутых fine-tuned версий. Переключение между провайдерами происходит на уровне каждого отдельного запроса через удобный селектор в интерфейсе. Это дает исследователям беспрецедедентную гибкость: можно использовать мощную модель для сложного анализа, а для рутинных задач — легковесную локальную модель, экономя бюджет и время.
Для начала работы не требуется регистрация аккаунта. Установка осуществляется через пакетный менеджер npm, что делает процесс максимально простым для разработчиков. Команда openscience запускает локальный сервер, который хостит веб-интерфейс, среду выполнения агента и слой инструментов. После первого запуска система предложит три пути: использование управляемых моделей через сервис Atlas, подключение собственных ключей API или использование бесплатных демо-моделей. Также доступна установка через npx для быстрого запуска без глобальной инсталляции.
02Как это работает: архитектура и агенты
Под капотом OpenScience представляет собой сложную оркестрационную систему. Локальный сервер обрабатывает запросы, а агент использует «исследовательский каркас» (research harness) для планирования задач. Агент вызывает различные инструменты, такие как оболочка командной строки (shell), редактор кода, LSP (Language Server Protocol), серверы MCP (Model Context Protocol) и специализированные научные коннекторы. Результаты работы агента потоково передаются в браузер, позволяя исследователю наблюдать за процессом в реальном времени.
Ключевым элементом системы являются агенты. По умолчанию запускается универсальный research agent, который способен справляться с широким спектром задач. Однако платформа также предлагает специализированных агентов для конкретных областей: biology (биология), physics (физика) и ml (машинное обучение). Кроме того, существуют под-агенты для критического анализа и литературного обзора, а также режим только для чтения плана (plan mode), который позволяет агенту составлять стратегию решения задачи без немедленного выполнения кода.
Платформа предлагает четыре ключевых компонента, делающих её полезной для реальной работы:
- Исследовательские агенты: Как упоминалось выше, система поддерживает специализированных агентов и режимы планирования.
- 250+ навыков (skills): Это готовые скрипты и модули, покрывающие обучение моделей (DeepSpeed, PEFT, TRL), оценку, работу с датасетами, хемоинформатику, молекулярную и клиническую биологию, работу с научными статьями, LaTeX, создание графиков и использование облачных вычислений.
- Научные базы данных как инструменты: Платформа интегрирует доступ к таким ресурсам, как UniProt, PDB, Ensembl, ChEMBL, PubChem, arXiv, OpenAlex и Semantic Scholar. Всего доступно около 30+ баз данных, которые агенты могут опрашивать напрямую.
- Полноценная рабочая среда: Включает древовидную структуру файлов, редактор кода, терминал и историю сессий. Платформа умеет отображать молекулы, структуры белко
Источник: MarkTechPost ↗