OpenScience คือเครื่องมือโอเพนซอร์ส (เปิดซอร์สโค้ดให้ทุกคนดูและแก้ต่อได้) ที่รับโจทย์วิจัยวิทยาศาสตร์หนึ่งข้อ แล้วลงมือเดินงานวิจัยทั้งลูปแทนเราจนจบในเซสชันเดียว ลูปนี้ครอบคลุมตั้งแต่อ่านงานวิจัยที่เกี่ยวข้อง ตั้งสมมติฐาน เขียนโค้ดแล้วรันจริง ทดลองบนคอมพิวเตอร์จริง ค้นฐานข้อมูลวิทยาศาสตร์ ไปจนถึงเขียนสรุปผลออกมาเป็นชิ้นงาน ตอนนี้มันมีคนกดดาวให้บน GitHub (เว็บที่นักพัฒนาทั่วโลกเก็บและแบ่งปันโปรเจกต์โค้ดกัน) เกือบ 1,900 ดวง ตัวเลขนี้บอกได้แค่ว่ามีคนสนใจเยอะ ยังไม่ใช่หลักฐานว่ามันช่วยค้นพบอะไรใหม่ได้จริง

จุดที่น่าสนใจไม่ใช่แค่ว่ามีเครื่องมือหน้าตาแบบนี้โผล่ขึ้นมา แต่คือรูปแบบที่อยู่ข้างใน เพราะมันคือสูตรเดียวกับที่ทำให้ AI เขียนโค้ดเก่งขึ้นมากในช่วงหลัง นั่นคือ agent เฉพาะทาง (ตัว AI ที่ลงมือทำงานเป็นขั้นเป็นตอนเอง) บวกสกิลสำเร็จรูปหลายร้อยตัว บวกการเอาแหล่งข้อมูลภายนอกมาเสียบให้เรียกใช้เองได้ บวกโหมดวางแผนก่อนลงมือ และทั้งชุดนี้เพิ่งข้ามฝั่งมาอยู่ในงานวิจัยวิทยาศาสตร์แบบทั้งดุ้น

เปิดมาเป็นห้องทำงานทั้งห้องในเบราว์เซอร์

OpenScience พัฒนาโดย Synthetic Sciences และติดตั้งลงเครื่องเราเองได้ พอเปิดขึ้นมามันไม่ใช่แค่ช่องแชต แต่เป็นห้องทำงานเต็มรูปแบบในเบราว์เซอร์ มีทั้งแผนผังไฟล์ (file tree) เอดิเตอร์สำหรับแก้โค้ด เทอร์มินัลสำหรับพิมพ์คำสั่ง และประวัติเซสชันย้อนหลัง

จุดที่ต่างจากเครื่องมือเขียนโค้ดทั่วไปคือ มันเรนเดอร์ภาพโมเลกุล โครงสร้างโปรตีน จีโนม และกราฟผลการทดลองให้ดูในหน้าเดียวกันได้เลย เท่ากับว่าคนทำงานวิทยาศาสตร์ไม่ต้องสลับไปมาหลายโปรแกรม โค้ดของ OpenScience เปิดอยู่บน GitHub ให้โหลดไปลองและอ่าน README (ไฟล์แนะนำโปรเจกต์) ได้เอง

ลูปวิจัยที่มันเดินเองจนจบ

หัวใจของ OpenScience คือการเดินลูปวิจัยให้จบในเซสชันเดียว โดยเราไม่ต้องคอยป้อนคำสั่งทีละสเต็ป แค่ใส่เป้าหมายวิจัยหนึ่งข้อ จากนั้นมันจะไล่อ่านงานวิจัยที่เกี่ยวข้องเพื่อตั้งต้น ตั้งสมมติฐานขึ้นมา เขียนโค้ดแล้วรันเพื่อทดสอบ ทดลองบนคอมพิวเตอร์จริง ค้นฐานข้อมูลวิทยาศาสตร์เพื่อดึงข้อมูลมาประกอบ แล้วปิดท้ายด้วยการเขียนสรุปว่าเจออะไร ทั้งหมดต่อเนื่องกันในที่เดียว

ต้องบอกให้ชัดว่า ความสามารถทุกข้อที่เล่ามาเป็นสิ่งที่ผู้พัฒนาอธิบายไว้ในเอกสารของตัวเอง ยังไม่มีงานทดสอบอิสระจากภายนอกมายืนยันว่ามันเดินลูปนี้ได้ดีแค่ไหนในงานจริง เวลาอ่านจึงควรมองว่านี่คือสิ่งที่เครื่องมือตั้งใจให้ทำได้ ไม่ใช่ผลที่พิสูจน์แล้ว

สี่ชิ้นส่วนที่ทำให้มันเดินลูปได้

คำถามที่น่าสนใจกว่าคือ อะไรทำให้ agent ตัวหนึ่งเดินงานวิจัยได้จริง คำตอบไม่ได้อยู่ที่โมเดลฉลาดขึ้นอย่างเดียว แต่อยู่ที่ชิ้นส่วนสี่อย่างที่ประกอบกัน

ชิ้นแรกคือ agent เฉพาะทาง แทนที่จะมี AI ตัวเดียวทำทุกอย่าง มันแยกเป็นตัวสายชีววิทยา ฟิสิกส์ และแมชชีนเลิร์นนิง แล้วยังมี sub-agent คอยวิจารณ์งานและทบทวนงานวิจัยให้ ก่อนลงมือแก้ไฟล์จริงยังมีโหมด plan ที่อ่านและวางแผนอย่างเดียวก่อน เพื่อให้เราเห็นแผนก่อนอนุมัติ

ชิ้นที่สองคือสกิลสำเร็จรูป ตรงนี้มีจุดที่ต้องพูดตามตรงคือ จำนวนสกิลระหว่างสองแหล่งไม่ตรงกัน README บนหน้าโปรเจกต์เขียนว่า 290+ ส่วนหน้าเอกสารเขียนว่า 250+ เอาเป็นว่าอยู่ในระดับหลายร้อยตัว แต่ละตัวคือความรู้เฉพาะทางที่จัดไว้เป็นชุดให้ agent หยิบใช้ได้ทันที เช่น สายเทรนโมเดลอย่าง DeepSpeed · PEFT · TRL หรือสายเขียนเปเปอร์ที่เรียงพิมพ์ด้วย LaTeX (ระบบจัดหน้าเอกสารวิชาการ) ไปจนถึง cheminformatics (การวิเคราะห์ข้อมูลเคมีด้วยคอมพิวเตอร์)

ชิ้นที่สามคือการเชื่อมฐานข้อมูลของวงการให้ agent ใช้เป็นเครื่องมือ แทนที่ agent จะเดาข้อมูลเอง มันเรียกค้นจากคลังจริงได้ตรง ๆ ทั้งคลังโปรตีนอย่าง UniProt คลังโครงสร้างโมเลกุลอย่าง PDB คลังจีโนมอย่าง Ensembl คลังโมเลกุลยาอย่าง ChEMBL กับ PubChem และคลังงานวิจัยอย่าง arXiv · OpenAlex · Semantic Scholar รวมแล้วกว่า 30 แหล่ง

ชิ้นที่สี่คือมันต่อขยายเองได้ ใครอยากเพิ่มเครื่องมือหรือความรู้ของตัวเองก็เสียบผ่าน MCP server เขียนปลั๊กอิน หรือสร้าง agent และคำสั่งของตัวเองได้ นี่คือจุดที่ทำให้รูปแบบนี้นำไปใช้กับสายอื่นได้ ซึ่งจะพูดถึงตอนท้าย

ลองเองยังไง แล้วใครจ่ายค่าอะไร

เริ่มลองได้ในไม่กี่นาที ขั้นแรกติดตั้งผ่าน npm (ตัวจัดการแพ็กเกจของสาย JavaScript) ด้วยคำสั่ง npm install -g @synsci/openscience แล้วพิมพ์ openscience เพื่อเปิดห้องทำงานขึ้นมา ถ้าไม่อยากลงถาวรก็ใช้ npx synsci (สั่งรันแพ็กเกจโดยไม่ต้องติดตั้งถาวร) รันแบบครั้งคราวได้

พอเปิดครั้งแรก มันให้เลือกสามทาง คือใช้โมเดลผ่าน Atlas (บริการจัดการโมเดลแบบเสียเงินของผู้พัฒนา) ต่อ API key (รหัสสำหรับเรียกใช้บริการ AI) ของตัวเอง หรือข้ามไปลองบนโมเดลสาธิตฟรีก่อน ถ้าเลือกใส่คีย์เอง มันรองรับแทบทุกค่าย ทั้ง ANTHROPIC_API_KEY OPENAI_API_KEY GEMINI_API_KEY และอีกหลายสิบเจ้า คีย์เหล่านี้เก็บอยู่บนเครื่องเราเอง แล้วยิงตรงไปหาผู้ให้บริการ ไม่ต้องสมัครบัญชีกับใคร และยังเลือกระดับการคิดของโมเดลได้ตั้งแต่ minimal ถึง max ผ่าน --variant เพื่อคุมทั้งความละเอียดและค่าใช้จ่าย

ลำดับเริ่มต้นสั้น ๆ ที่ลองตามได้เลยคือ

• ลง OpenScience ด้วย npm install -g @synsci/openscience
• เปิดห้องทำงานด้วยการพิมพ์ openscience
• ตอนมันถามเรื่องโมเดล เลือก "ใส่คีย์ตัวเอง" แล้ววางคีย์ลงไป เช่น ANTHROPIC_API_KEY

เรื่องเงินต้องแยกให้ชัด ตัวซอฟต์แวร์ฟรีจริง เพราะเปิดโค้ดภายใต้สัญญาอนุญาต Apache License 2.0 (ใบอนุญาตแบบเปิดที่ให้เอาไปใช้และแก้ต่อได้) และการเอาคีย์ตัวเองมาต่อก็ไม่มีค่าธรรมเนียม แต่ทุกครั้งที่โมเดลทำงาน ค่าเรียกใช้โมเดลนั้นเราจ่ายเองตามที่ค่ายเจ้าของคีย์คิด เพราะฉะนั้นอย่าเข้าใจว่านี่คือ AI ฟรีไม่จำกัด ตัวเครื่องมือฟรี แต่ค่าโมเดลที่ทำงานอยู่เบื้องหลังยังต้องจ่ายเอง

อีกเรื่องที่ควรรู้เพื่อไม่ให้เข้าใจผิดคือ OpenScience เป็นโอเพนซอร์สจริง แต่ผู้พัฒนาเจ้าเดียวกันมี Atlas เป็นสินค้าเสียเงินอยู่ข้าง ๆ คิดเงินจากวอลเล็ตเติมเงิน และมีทรัพยากรประมวลผลบนคลาวด์กับที่เก็บงานวิจัยแบบต่อเนื่อง จุดสำคัญคือเอกสารย้ำเองว่าใช้ OpenScience ได้เสมอแม้ไม่มี Atlas ต่อคีย์ของตัวเองได้ฟรีเสมอ และไม่มีการล็อกไว้บังคับให้จ่าย ถึงมันจะใช้ร่วมกับ Claude (โมเดล AI ของบริษัท Anthropic) ได้ ผู้พัฒนาก็ประกาศชัดว่า OpenScience ไม่ใช่ผลิตภัณฑ์ของ Anthropic และไม่ได้รับการรับรองจาก Anthropic แต่อย่างใด

รูปแบบนี้นำไปใช้ข้ามวงการได้

ถึงเราจะไม่ได้ทำวิจัยวิทยาศาสตร์ เรื่องนี้ก็มีบทเรียนที่เอาไปใช้ได้ เพราะสิ่งที่ทำให้ agent ตัวหนึ่งทำงานในสาขาหนึ่งได้จริง ไม่ใช่แค่รอให้โมเดลฉลาดขึ้น แต่คือการนำความรู้เฉพาะทางของสายนั้นมาจัดเป็นสกิล แล้วเชื่อมแหล่งข้อมูลของวงการเข้ามาให้มันเรียกใช้เองได้

นี่คือเหตุผลที่ OpenScience น่าจับตาสำหรับคนนอกวงวิจัยด้วย มันเป็นตัวอย่างว่าสูตรที่ทำให้ AI เขียนโค้ดเก่งนั้นนำไปปรับใช้กับสายงานอื่นได้ ใครมีความรู้เฉพาะทางกับแหล่งข้อมูลของสายตัวเอง ก็สร้างชุดคล้ายกันสำหรับงานของตัวเองได้ ไม่ว่าจะเป็นงานกฎหมาย งานบัญชี งานการแพทย์ หรือสายไหนก็ตาม

สิ่งสำคัญที่ OpenScience บอกกับเราจึงยังไม่ใช่ว่า AI ทำวิจัยแทนคนได้แล้ว แต่คือสูตรสำหรับประกอบ agent ให้ทำงานที่ต้องใช้ความรู้เฉพาะทาง และเริ่มนำไปปรับใช้กับสายอื่นได้จริง วงการไหนที่ยังไม่มีใครลงมือจัดความรู้ของตัวเองเป็นสกิลชุดแรก ก็คือวงการที่ประตูยังเปิดรออยู่

---

ที่มา:

• synthetic-sciences/openscience บน GitHub โดย Synthetic Sciences
• OpenScience Docs จาก OpenScience