OpenAI 扩大 Lenfest AI Fellowship，支持规模最高达 1,000 万美元

OpenAI 将对 Lenfest Institute 的支持翻倍，承诺提供 500 万美元资金，以及最高 500 万美元的软件额度和工程协助。此次 OpenAI Lenfest 扩展让一项雄心勃勃的新闻编辑部实验进入更具挑战性的阶段：证明由本地开发的 AI 系统能否让原有参与群体之外的出版机构同样受益。

Lenfest AI Collaborative and Fellowship Program 最初通过向参与新闻机构派驻全职 AI 工程师启动。这些 fellowship 成员与编辑、产品、营收和技术团队共同工作了两年。如今，Lenfest 计划招募更广泛的出版机构，并将成功项目转化为可复用的工具、插件、框架和实施指南。

这一做法挑战了新闻技术领域常见的一种模式：新闻编辑部往往只能暂时获得新软件的使用权限，却没有获得掌控它所需的人员、治理机制或技术知识。Lenfest 押注于，驻场员工和共享基础设施能够创造比短期演示或外部咨询项目更持久的价值。

OpenAI Lenfest 扩展改变了项目规模

这项新承诺资助的不只是新一轮实验，更是一次将新闻编辑部专属工作转化为共享基础设施的尝试。

Lenfest Institute 于 2026 年 9 月 28 日宣布这一扩展。OpenAI 将提供 500 万美元直接资金，并通过软件额度和工程支持提供最高 500 万美元的额外支持。该公司称，这使其对该项目的既有支持翻了一倍。

原项目于 2024 年 10 月在 OpenAI 和 Microsoft 的支持下启动。它最初向五家大都市新闻机构派驻 fellowship 成员，随后又增加了参与者。根据最新的 fellowship 扩展公告，该项目此后已与 11 家美国新闻机构合作。

参与出版机构包括 The Philadelphia Inquirer、The Seattle Times、The Baltimore Banner、Newsday、Chicago Public Media 和 The Minnesota Star Tribune。Boston Globe Media、The Dallas Morning News、ProPublica，以及 Arizona State University 的 NEWSWELL 也曾参与。

首轮资金将现金与企业软件、云存储和生成式 AI 额度结合。每家首批参与出版机构都获得支持，用于聘用一名全职、任期两年的 AI 工程 fellowship 成员。这些员工由新闻机构自行聘用，而非由 OpenAI、Microsoft 或 Lenfest 指派。

这一组织安排至关重要。本地聘用的工程师向出版机构汇报，并在其既有的编辑和商业架构中工作。工程师能够观察反复出现的问题，测试可能的解决方案，并与实际使用项目的人员一道持续改进。

Lenfest Institute 执行董事兼 CEO Jim Friedlich 向 Nieman Journalism Lab 表示，每位 fellowship 成员都成为所在机构首位全职 AI 员工。他还强调，成员可以自由选择最适合工作的技术。

下一批参与者将保留这一驻场模式。Lenfest 还在考虑大都市报纸以外的机构，包括地方电视机构和全州性公共服务新闻机构。

预期产出的范围也在变化。在试点期间，一名 fellowship 成员可能为某一家出版机构开发搜索界面、广告工具或公共数据工作流。如今，Lenfest 希望将表现出色的项目转化为数百家机构均可采用的可复用资源。

这一目标远不只是发布源代码。规模较小的新闻编辑部还需要文档、安全指引、部署支持、评估方法，以及对所解决问题的清晰说明。它们还需要在原 fellowship 结束后维护系统的方式。

因此，新资金将支持两个相互关联的层面。驻场 fellowship 成员将继续在各自机构内部开发项目；Lenfest 则将建设所需的技术能力，把选定成果打包并分发至更广泛的新闻行业。

这一结构使得该公告的意义超越了又一笔企业资助。OpenAI Lenfest 扩展将检验，新闻编辑部创新能否在不丢失其赖以发挥价值的本地知识的前提下被推广。

为什么驻场工程师胜过短期 AI 试点

Lenfest 的核心主张是，负责任地采用 AI 更依赖信任和组织知识，而非取得某一特定模型的使用权。

新闻编辑部可以迅速获得软件，却无法通过激活账户的界面获得机构层面的理解。不同出版机构的报道实践、更正政策、广告系统、档案和受众关系差异很大。

外部供应商通常只能看到项目简报中描述的工作流。驻场工程师则能体验员工实际使用的工作流。这一区别会影响哪些问题得到关注，以及哪些拟议工具能够在日常使用中存活下来。

Lenfest 表示，最强的项目始于一个明确的组织问题，而不是预先设定的 AI 功能。fellowship 成员会采访同事、观察重复性工作、开发小型原型，并评估这些原型是否真正改善了工作。

该项目的试点发现强调了信任、本地整合和问题选择。据称，随着员工开始将 fellowship 成员视为理解自己工作的同事，采用率有所提升。

这种方式也改变了新闻编辑部内部对 AI 专业能力的定义。模型知识依然重要，但沟通和转译能力同样关键。工程师必须向记者、管理者、销售团队和法务审核人员说明技术限制，同时不能掩盖其中的权衡。

Lenfest 早期的招聘指引反映了这一需求。参与机构寻找熟悉 Python、JavaScript、AI 模型和复杂实施工作的工程师。然而，出版机构也重视谦逊、跨职能沟通能力，以及在使命导向文化中开展工作的能力。

该项目并不认同仅熟悉编程助手就足以主导新闻编辑部 AI 采用的观点。其招聘指引警告，应谨慎对待熟悉热门工具却缺乏基础 AI 理解的候选人。

技术深度与内部公信力的结合成本高昂。许多地方出版机构难以在维持报道覆盖和其他关键运营的同时，轻易新增一名经验丰富的工程师。fellowship 资金降低了这一初始门槛。

额度则解决了另一重障碍。新闻编辑部可以测试模型、云服务和企业软件，而不必立即承担全部运营成本。工程协助可以缩短解决集成问题所需的时间。

然而，额度本身无法形成持久能力。使用额度会到期，模型接口会变化，实验性系统也需要维护。新闻编辑部仍需要能够评估供应商、管理数据访问权限，并判断何时不应使用自动化的员工。

这正是驻场结构成为项目真正机制的原因。软件让实验成为可能，但 fellowship 成员将这些实验与组织需求和编辑标准连接起来。

档案访问就是一个实际例子。出版机构可以将其报道档案与检索增强生成，即 RAG，结合。RAG 会在模型生成回答前检索相关文档，从而减少对模型内部记忆的依赖。

构建这一系统远不只是将档案接入聊天机器人。出版机构必须决定哪些文档可供访问、结果如何引用、更正如何同步，以及保密材料是否可能出现。这些既是编辑和治理决策，也是工程决策。

同样的原则适用于任何组织构建 AI 知识库时。检索质量取决于底层信息、访问规则和评估流程。再精致的界面也无法弥补薄弱的来源管理。

因此，OpenAI Lenfest 扩展支持的是一种劳动模式，而不仅仅是一套技术组合。其成功取决于两年的驻场工作能否形成在资助结束后仍持续存在的习惯与能力。

新闻编辑部 AI 正走向内容生产之外

该 fellowship 最具启发性的项目，将出版机构视为完整的运营业务，而不只是生产文章的工厂。

围绕新闻编辑部 AI 的公开讨论常聚焦于生成文本。这种框架会立即引发对准确性、署名、岗位替代和披露的担忧。这些担忧合理，但它们只覆盖出版机构运营的一部分。

Lenfest 的参与者探索了档案搜索、广告潜客挖掘、捐赠者建模、订阅增长、受众个性化、公共会议监测和生产工作流。其他项目则涉及运营效率，以及从印刷系统向数字出版转型。

The Philadelphia Inquirer 为其档案开发了对话式界面。此类界面可以帮助员工定位过往报道、识别报道背景，并检索隐藏在不一致元数据背后的机构知识。

The Seattle Times 最初计划围绕广告分析和销售支持开展工作。Newsday 专注于公共数据摘要和聚合。根据原项目条款，Chicago Public Media 探索了转录、翻译和摘要。

这些项目反映了地方出版机构面临的财务压力。更好的报道工具很有价值，但出版机构同样需要订阅收入、广告表现、捐赠者关系和更高效的运营。

例如，广告潜客挖掘系统可以帮助销售团队识别与现有产品匹配的企业。捐赠者模型可以帮助非营利新闻编辑部确定外联优先级。公共会议监测工具可以标记相关议程事项，同时将核实和报道工作留给记者。

关键问题不在于这些任务是否使用 AI，而在于这些系统能否带来可衡量的改善，同时不造成不可接受的错误、隐私问题或隐蔽的编辑影响。

这一区分避免该项目沦为技术演示的集合。原型在演示中可能看起来颇具说服力，却会在日常运营中增加工作量。员工花在检查其输出上的时间，可能超过通过自动化节省的时间。

Lenfest 表示，其 fellowship 成员采用了小规模实验和持续评估。下一阶段需要让这些评估方法更加透明。其他出版机构需要了解工具成功所需的条件、观察到的失败模式，以及所需的员工时间。

跨新闻编辑部复用带来了可观的效率提升前景。Baltimore Banner 在开发自身新闻发现工具时，借鉴了 The Philadelphia Inquirer 的工作成果。研究员们还交换了代码、产品构想、技术方法和实施经验。

然而，复用并不意味着原封不动地复制一个成品。公共媒体机构、商业报纸、非营利调查媒体和地方电视台拥有不同的系统与职责。共享组件必须支持本地配置，同时不能削弱保障机制。

更广泛的参与群体将促使 Lenfest 解决这一可移植性问题。围绕大型都市报纸档案设计的工具，未必适用于电视节目文字记录库。捐助者工作流对于依赖订阅的出版商也可能意义不大。

可复用的实施指南或许与可复用的代码同样有价值。一份指南可以说明数据要求、人员需求、采购问题、评估流程和预警信号。这类知识能帮助出版商在投入有限资源前，排除不适合的项目。

该项目扩展至地方电视台和全州公共服务新闻机构后，将面临严苛考验。这些组织使用不同的媒体格式、发布节奏、地理覆盖范围，并面对不同的受众预期。

成功将表明，嵌入式模式能够在尊重本地差异的前提下，产出可迁移的方法。失败则可能说明，试点中最突出的成果在很大程度上依赖于参与者异常充足的资源，以及密切的研究员支持。

这正是下一阶段的核心张力所在。Lenfest 希望让创新成为共享基础设施，但嵌入式工程师的价值恰恰来自他们对本地情境的关注。

这层资助关系仍值得审视

来自 AI 供应商的支持可以增强新闻编辑部的能力，但也可能加深出版商对那些正在重塑信息发现方式的公司的依赖。

OpenAI 将此次扩展定位为对可持续、负责任的地方新闻业的支持。参与的出版商获得资金、技术人力、额度，以及原本难以获得的工程知识支持。

这些益处是真实存在的，但并不能消除出版商与 AI 平台之间更深层的冲突。

生成式搜索产品越来越多地在不将用户导向支撑答案的报道原文的情况下直接回答问题。出版商正面临有关引荐流量、署名归因、版权、授权以及其档案长期价值的不确定性。

一项基于 34 次访谈的 Columbia Journalism Review 研究描绘了平台与出版商之间紧张的关系。其出版商—平台研究指出，许多新闻机构缺乏谈判授权协议或提起诉讼所需的资源。

Lenfest 项目并未被描述为内容授权安排。据报道，原始协议排除了实时数据交换和训练权利。随着合作发展，这种区隔应当继续保持明确。

即使不涉及授权条款，软件额度也可能影响技术选择。新闻编辑部可能因为研究员期间服务获得补贴而围绕某个供应商进行建设。之后迁移则可能需要新的集成、评估、安全审查和员工培训。

Lenfest 提供了一项重要的制衡因素。研究员为所在机构工作，并且可以选择其他技术。这种独立性让出版商比那些强制使用单一供应商模型的项目拥有更多控制权。

实际考验在于，这种自由能否在实施过程中得以保留。公开文档应说明哪些系统可跨供应商运行，哪些依赖专有服务，以及迁移将涉及哪些工作。

该项目还需要项目清单之外的证据。公告列出了许多有用的应用，但并未公布一套适用于全体参与者的标准化成果指标。读者目前尚无法比较采用情况、节省的时间、营收影响、准确性或维护成本。

这一缺口并不能证明项目失败。它意味着，关于已验证模式的主张需要谨慎解读。试点已经产生了可信的案例和组织层面的经验教训，但关于广泛、可重复影响的证据仍不完整。

编辑风险同样需要清晰报告。用于档案研究的系统可能遗漏相关材料，或呈现过时的说法。公共会议监测工具可能错过不寻常的措辞。受众个性化系统可能缩窄信息接触范围，或放大有缺陷的假设。

人工审核可以降低这些风险，但并不能自动解决它们。审核人员需要访问来源、明确的责任归属，以及足够的时间来质疑输出结果。当速度要求使审慎核验变得不可能时，名义上的审批步骤将失去意义。

面向商业的系统也需要审查。捐助者模型和广告工具可能处理敏感的行为信息。出版商必须明确哪些数据会进入这些系统、谁可以访问结果，以及信息可保存多久。

地方新闻机构高度依赖社区信任。一项治理不善的 AI 部署，造成的信任损害可能比微小的效率提升更快、更难修复。

Lenfest 对嵌入式人员的关注，为负责任采用提供了可信基础。研究员可以在构建技术系统的同时制定内部政策，并在员工识别风险时作出响应。

不过，研究员计划不能取代出版商的问责责任。编辑和高管必须决定哪些用途符合其使命。资助方和供应商不应通过软件默认设置或即将到期的激励措施来设定这些边界。

该项目最理想的版本，应当将失败与成功一同公开。了解试点为何停止，能够避免数百家小型出版商重蹈覆辙。

三项信号将表明该模式能否扩展

下一阶段应以人才留任、系统可移植性和可被独立理解的成果来衡量。

第一项信号是，参与出版商是否留任其研究员，或设立类似的长期职位。Lenfest 表示，预计有数名研究员将作为全职员工留下。得到确认的留任情况将表明，出版商足够重视这项能力，愿意在研究员计划结束后继续支持它。

留任情况还揭示，资金支持究竟创造了一个临时项目，还是一项持久的组织职能。没有负责人的系统，会随着 API、模型、安全要求和新闻编辑部实践的变化而逐渐失效。

第二项信号是，其他出版商是否部署这些可复用的工具和框架。Lenfest 希望成功的研究员工作能够惠及数百家新闻机构。要实现这一目标，必须在原始参与群体之外看到可观察的采用情况。

有意义的部署不应仅仅是下载代码。出版商应能安装工具、使其适配自身数据、培训员工、评估输出，并在不持续依赖原始研究员帮助的情况下维护它。

文档将是关键指标。实用的软件包应说明技术要求、治理选择、已知失效模式和预期运营成本，也应明确哪些环节仍必须依赖人工判断。

第三项信号是，Lenfest 是否会公开有关成果与风险的可比证据。当前项目材料提供了详细案例，但没有给出贯穿各项目的统一衡量框架。

这一框架不必将新闻业简化为单一的效率评分。不同项目需要不同指标。档案系统可以追踪检索准确性和员工采用情况，而订阅项目则可以追踪转化率和留存率。

重要的是在扩展之前定义成功。透明的衡量标准能帮助小型出版商区分真正有用的系统与令人印象深刻的演示，也能让资助方更清楚地判断哪些项目值得持续支持。

据报道的资助结构显示，Microsoft 的立场增加了另一个变量。它参与了第一批参与者，但在现有周期结束后是否续约尚未决定。续约将维持多供应商的资助基础；退出则会使 OpenAI 的角色更加突出。

OpenAI 与 Lenfest 的扩展值得关注，因为它将讨论推进到了“记者是否应使用 AI”之外。许多新闻机构已经在报道、产品、营收和内部运营中测试 AI。

更有意义的问题是：谁来控制这种采用。出版商需要理解其使命、数据、工作流程和社区的人才，也需要具备足够的技术独立性，以拒绝不适当的用途并更换供应商。

Lenfest 正押注于嵌入式工程师能够提供这层缺失的能力。新的支持为该研究所提供了机会，使这一模式超越一小群相对知名的出版商。

现在，该项目必须证明可以在不强加统一性的前提下实现迁移。它必须展示额度到期后的持久能力、参与群体之外的有效采用，以及在日常压力下仍然有效的保障机制。

对于新闻编辑部领导者而言，眼下的行动很直接：关注参与者保留了什么、外部机构能复用什么，以及 Lenfest 将哪些成果变得可衡量。这些信号将揭示，OpenAI 与 Lenfest 的扩展究竟是在建设独立的新闻编辑部能力，还是在制造又一轮获得补贴的实验。