给 10 万研究者免费 AI，真正稀缺的仍是“谁能先进去”

免费，不等于不稀缺

研究生最熟悉的一种等待，不是在实验室等结果，而是在浏览器里等权限。数据库的校外访问要学校账号，昂贵的软件需要许可证，计算集群要排队，论文付费墙后面还要一层订阅。对资源充足的实验室而言，这些是流程；对小型院校、临时岗位研究者或跨学科新人而言，它们常常决定一个问题能不能被提出。

7 月 29 日，OpenAI 宣布一项面向选定学术机构研究者的计划，称希望到 2027 年为 10 万名科学家、数学家和工程师提供免费的前沿模型与工具访问。公告强调，让强大工具不只集中在少数公司和资源充足的实验室。这个愿望很好理解：AI 可以协助读文献、写代码、整理数据和提出待检验的假设；如果它正成为日常科研工具，谁有访问权就会影响谁能尝试什么。

但计划公布十多天后，现实已经给“开放”补了一条注脚。8 月 10 日的更新称，首波申请超过 13,000 份，最多代表 65,000 个研究者席位；申请人将进入等候名单，首批 10,000 个席位在符合条件者中抽签产生。也就是说，免费的资源并没有摆在所有研究者桌上，而是先变成了资格、机构核验、协作者名额和一次抽签。项目公告把这个过程公开了出来，反而让一个更重要的问题浮现：当模型访问成为科研基础设施，怎样的分配才算公平？

一把新工具，先改变谁能试错

把 AI 想成“更快的搜索框”会低估它对科研组织的影响。一个能够持续读取材料、写和调试代码、整理笔记、协助生成分析草案的工具，最先改变的往往不是某个最终结论，而是试错的成本。研究者可以更快做一轮探索、更快发现一个方法走不通，也更快把一个模糊的直觉变成能被同行批评的文本或程序。

这对资金雄厚的团队未必是革命，因为他们原本就有助研、工程师、订阅数据库和计算资源。对只有一两个人的小团队，它可能更像多出一张随时可用的工作台。可工作台并不自动缩小差距。会提出好问题的人、会判断答案错在哪里的人、拥有高质量数据和领域知识的人，仍然更容易把工具变成成果。

美国国家科学基金会把 AI 列为跨学科重点领域，强调研究、教育、基础设施和负责任使用的组合。NSF 的公开说明所指向的恰是这一点：科研 AI 不是一个单独的软件订阅，它嵌在教育、算力、数据权限、人才训练和研究伦理之中。给出模型访问只是把大门推开一条缝，门后还有许多不均等的台阶。

例如，工具是否支持研究者常用的语言和文献库？学校有没有安全地接入敏感数据的工作区？新用户是否能获得培训，知道何时引用、何时复算、何时必须停下来验证？一个没有技术支持的免费账号，可能更容易被最熟练的人用得更深，也可能让缺乏经验的人更快生产看起来像研究的文字。

抽签比“先到先得”更诚实，也还不够

在名额远少于需求时，抽签至少避免把网络速度、时区和抢先填表的能力包装成学术能力。它承认首批席位是稀缺品，而不是假装所有人都能获得同样的机会。从这个意义上，公开抽签是比模糊审批更可解释的规则。

可抽签只能解决一小段问题：在已符合资格的人中如何选。资格本身已经筛掉一些人。公告要求申请者来自获认可、授予学位且研究活跃度较高的大学；获批者可邀请至多四名同校协作者。这样的限制有合理性，机构身份有助于管理账号、隐私和支持服务。但它也意味着独立研究者、非传统研究机构、资源有限学校和跨校合作网络，未必站在同一起跑线。

“选定学术机构”同样值得被追问。它可以是务实的试点策略，也可能逐渐变成新的门槛。谁定义“研究活跃”？哪些国家、语言和学科先被覆盖？一个实验室拥有一席后，谁被邀请成为四位协作者？这些问题不需要阴谋论。它们是任何有限公共资源都会遇到的日常治理问题。

更成熟的计划应公布比总名额更多的信息：申请来自哪些地区、学科和机构类型；首批被选中者的构成；等候名单怎样进入下一轮；不同学校的管理员承担什么责任；用户反馈、误用和退出如何处理。公开这些分母，才能判断工具是在扩大研究共同体，还是只是给原本靠近中心的人再加一把更快的铲子。

模型不会替研究者承担责任

项目公告提到，参与者将获得模型、较高使用额度、较大上下文，以及培训和支持。它还称工作区默认不把数据用于训练模型。对研究者而言，这些条款重要，但必须逐条理解：默认隐私设置不等于所有数据都适合上传；可用工具不等于输出已经正确；更长的上下文也不等于模型真正理解了实验、史料或证明。

特别是在高风险或专业性强的研究里，AI 的流畅表达很容易遮住不确定性。模型可以生成一个看似完整的文献综述，却遗漏关键反例；可以写出可运行的代码，却把变量定义错；可以提出貌似新颖的假设，却把相关性说成机制。研究者不能把这些错误外包给供应商，也不能因为工具免费就降低验证标准。

所以，科研 AI 的好政策不应只统计登录数和调用量。它还要资助复现、记录失败、训练研究者识别幻觉，并让学术共同体保留审查模型使用方式的权利。工具越接近日常工作台，这类看似琐碎的制度越重要。

一项真正可评价的开放计划

一年之后，判断计划是否成功，不能只看发出了多少账号。第一张成绩单应是覆盖：获选者来自哪些国家、学科、机构类型与职业阶段，资源有限院校的比例是否随扩容提高，等待者通常要等多久。公开汇总数据不需要暴露个人身份，却能让“面向研究者”从宣传对象变成可核验人群。

第二张成绩单是使用能力。获选者是否获得培训和技术支持，多少人能把工具嵌进真实研究流程，多少人因数据、合规或方法问题放弃使用。调用次数很高，可能意味着工具有用，也可能意味着研究者不断纠正错误。与其只展示生成了多少文字，不如记录哪些任务必须人工返工、哪些领域最常出现不可接受输出。

第三张成绩单是科学质量。计划可以支持自愿、独立的评估，对比使用前后的复现时间、代码错误、文献引用准确性和研究问题多样性，同时避免把论文数量直接当成因果结果。能申请免费工具的人本就可能更积极，获选者与未获选者也不是天然可比；抽签反而提供了评估机会，但研究设计、隐私和参与同意必须事先写清楚。

第四张成绩单是退出权与可迁移性。研究者是否能导出记录、方法和审计信息，项目结束后能否在不被锁定的环境中复现工作，工具或条款改变时是否得到通知。科研基础设施的公共价值，不只在进入时免费，也在离开时不会带走研究者的全部工作记忆。

供应商还应公开利益边界。计划会带来产品反馈、品牌声誉和未来客户；这些收益并不使计划失去价值，却意味着参与者应知道自己的使用经验如何被收集和利用。把这种交换写清楚，比把免费描述成单向赠予更尊重研究共同体。

只有把覆盖、能力、质量、退出和利益关系放进同一张表，外界才能回答：这项计划扩大的究竟是研究机会，还是对某一工具的依赖。十万个账号是规模目标，不是公共价值本身。

科研机会的地图将被重新画一遍

过去，研究机会的地图常由图书馆订阅、实验设备和超级计算中心绘制。现在，模型访问、代理执行能力和组织数据接口正在加入这张地图。它们不一定取代旧基础设施，却会与旧基础设施叠加：拥有好数据和好指导的地方，会更容易让 AI 变得有用；缺少这些条件的地方，也可能更快暴露出工具的局限。

这正是“10 万人免费”值得认真对待的原因。它不是一场慈善活动的数字，也不应被写成科学自动加速的证据。它是一场关于科研工具如何被分配的真实试验。首批 10,000 人若能被支持得好，计划可以暴露哪些支持最关键；若只公布成功案例，外界就无从知道被挡在门外的人失去了什么。

开放计划还有一项不容易被短期论文数量捕捉的价值：它让研究共同体更早发现哪些任务根本不适合交给通用模型。负面结果、失败案例、不同学科的使用差异，和看似漂亮却无法复现的输出同样重要。项目方若只展示成功故事，就会把公共资源再次变成产品营销；若能允许受助者独立发表批评，开放才真正具有研究意义。

这也要求评价者把“获得账号”与“获得能力”分开。一个缺少算力工程、数据治理或方法训练的团队，即使得到工具，也可能无法把它嵌入可靠流程。更公平的计划需要配套文档、培训、可重复的评估框架，以及对不同地区隐私和数据出境规则的解释。否则，形式上的同一入口，会因为组织能力差异产生完全不同的结果。

一年之后，最值得追问的不是这批研究者多写了多少提示词，而是哪些原本做不了的研究问题变得可以试验，哪些错误被更早识别，哪些成果和方法能够被没有同样额度的人复核。只有这些答案出现，十万个名额才从一场大规模派发，变成一项能够被科学共同体检验的基础设施实验。

免费让价格从门槛中退后了一步，但没有让门槛消失。它只是把门槛从账单移到资格、时间、训练、机构和规则上。真正有远见的科研基础设施，不是发出一张漂亮的免费券，而是让研究者多年后仍能相信：我不是被邀请来替工具背书，我也有机会用它提出自己的问题。

来源与边界

• 名额、申请、首批抽签、资格与协作者规则均来自 OpenAI 的计划公告及 2026-08-10 更新；这些均为项目方披露。
• AI 作为研究、教育与基础设施议题的公共背景来自 NSF AI 重点领域。
• 本文不把计划写成模型可靠性、科研生产率或机会公平的已证实结果；关于分配规则的判断为编辑分析，研究输出仍应由研究者独立验证并遵守所在机构规范。