OpenAI 向 10,000 名学术研究人员提供免费前沿模型访问权限

尽管其模型本身仍大体保持封闭，OpenAI 将在今年夏天向 10,000 名学术研究人员免费开放其前沿模型。Engadget 关于 OpenAI 的报道凸显了这一举措的直接益处，但访问条款也带来了更深层的矛盾：研究人员可以使用先进系统，却无法获得独立审查这些系统所需的技术可见性。

这项名为 ChatGPT for Academic Researchers 的计划于 2026 年 7 月 29 日宣布。OpenAI 计划在 2027 年前将其扩展至 100,000 名研究人员。参与者将获得 ChatGPT、ChatGPT Work、Codex 及 GPT-5.6 模型家族的访问权限。

OpenAI 将该计划定位为对研究人员主导型发现的投资。然而，哪些机构符合资格、哪些申请者能够获得访问权，以及哪些技术信息仍不公开，均由该公司决定。这让独立研究人员面临两个都不完美的选择：有限使用领先的封闭系统，或是对能力较弱的开放替代方案拥有更深入的控制权。

因此，核心问题并不是免费账户是否能帮助科学家——显然，它们降低了眼前的访问门槛。问题在于，产品访问权能否替代可复现研究所要求的透明度。

Engadget 关于 OpenAI 的报道从 10,000 名研究人员开始

OpenAI 正将其最强大产品的访问权转变为一项大型学术研究计划，首先面向经过筛选的夏季首批参与者。

第一阶段涵盖符合条件的学术机构中的 10,000 名研究人员。OpenAI 表示，Institute for Advanced Study 和法国的 École normale supérieure 等机构已可使用该服务。

该公司计划在 2027 年前覆盖 100,000 名研究人员。每位获批参与者最多可邀请同一机构的四名协作者。这些协作者必须验证所属机构，每个账户都计入该计划的总名额。

申请者必须就职于入选、获认可、可授予学位且拥有大量研究活动的机构。他们需要说明当前研究及其预期的科学用途。申请已随公告开放，但 OpenAI 尚未公布完整的遴选标准。

参与者将获得跨多款产品的前沿模型免费访问权限。该套餐包括 ChatGPT、ChatGPT Work、Codex、扩展的深度研究功能、更高的使用限额和更大的上下文窗口。上下文窗口是指模型在一次交互中能够考虑的信息量。

GPT-5.6 Terra、Luna、Sol 和 Sol Pro 面向不同工作负载。OpenAI 将 Terra 描述为能力与效率之间的平衡方案，将 Luna 定位为更快的选项，而 Sol 则用于更棘手的科学问题。Sol Pro 也将在计划推出时提供。

该计划支持的不只是对话式提示。OpenAI 表示，研究人员可使用超过 75 项生命科学技能，涵盖基因组学、测序、蛋白质建模和药物发现。连接器可提供对文献、数据库、笔记本、卫星影像、数据平台和参考文献管理工具的受控访问。

Codex 可以帮助研究人员编写代码、检查数据集、调试分析工作，并创建可复现的计算工作流。ChatGPT Work 则面向更长期的项目，包括文献综述、资助申请、论文稿件和研究沟通。

OpenAI 还承诺提供培训和实操支持。这一点很重要，因为获得模型访问权并不会自动形成可靠的科学工作流。研究人员必须理解验证、数据处理、引文质量、模型局限，以及辅助与证据之间的边界。

隐私条款解决了另一项实际障碍。OpenAI 表示，研究工作区数据默认不会用于训练其模型。参与者还将获得与商业环境中类似的隐私和安全保护。

这些规定使该计划有别于普通消费者访问方式。处理未发表假设、专有代码或敏感数据集的实验室，需要比标准个人账户提供更多控制权。

不过，该计划仍是一项托管服务。研究人员需通过获准的界面和政策与 OpenAI 的系统交互。他们不会获得底层模型不受限制的副本。

这一边界构成了本文的核心张力：OpenAI 正在扩大实际使用权限，同时保留技术控制权。

OpenAI 希望 AI 融入整个研究流程

该计划旨在让 AI 成为常规研究工具，而非偶尔使用的写作助手。

OpenAI 表示，每周约有 130 万人使用 ChatGPT 进行高阶科学和数学工作，共产生约 840 万条消息。这些数据来自 OpenAI 的内部分析，尚未经过独立审计。

该公司认为，AI 的使用覆盖科学工作的几乎每一个阶段。研究人员会要求模型探索想法、检索知识、生成假设、编写代码、审阅文献、分析结果和解释发现。

这种广泛性解释了 OpenAI 为何要超越此前的研究额度方案。其现有的 研究访问计划曾向符合资格的研究人员提供可公开使用模型的额度。该计划重点聚焦于负责任部署、公平性、稳健性、可解释性和社会影响。

ChatGPT for Academic Researchers 拥有更广泛的科学范围。其目标领域包括生物学、化学、计算机科学、工程学、数学和物理学。OpenAI 希望其产品参与日常研究执行，而不仅仅用于研究 AI 安全或社会影响的项目。

该公司列举了具体案例。物理学家 Rogerio Jorge 及其团队在开发用于设计聚变能源设备的开源软件时使用 AI。OpenAI 还引用了 Barna Saha、Yinzhan Xu 和 Christopher Ye 在理论计算机科学领域的工作。

据 OpenAI 称，这些计算机科学家在证明高维几何问题时使用了 GPT-5.5 Pro。研究人员仍需负责验证和完善结果。这一区别很重要，因为模型输出只有经过专家验证后才能成为科学证据。

OpenAI 自身的使用分析表明，高频用户会将更具挑战性的任务交给 AI。各领域中 AI 使用量位居前 20% 的研究人员，有近 7% 的请求指向预计至少需要四个人类工时的任务；其他研究人员的相应比例为 3.5%。

这些数字表明行为正在发生变化，但并不能证明研究质量更高。耗时更长的任务仍可能产生错误分析。使用强度也无法揭示研究人员多频繁地拒绝、重写或独立复现模型的工作。

OpenAI 已公布其最新模型的性能说法。该公司表示，GPT-5.6 Sol 在 FrontierMath Tier 4 上取得了 83% 的分数，高于 GPT-5.5 的 72.5%。它还称，GPT-5.6 Sol Pro 解决了 31.5% 的 GeneBench Pro 任务。

基准测试是用于比较模型在特定问题上表现的标准化测试。它们能提供有用信号，但无法代表实验室研究中的全部不确定性。

模型可能在基准测试中表现良好，却会错误处理陌生数据、含糊的方法或专业术语。科学用户还必须防范幻觉，即看似可信却缺乏可靠证据支持的陈述。

该计划的培训部分间接承认了这一问题。研究人员需要掌握核查引文、追溯计算过程、记录提示、控制数据来源，以及将生成式建议与经验证结论区分开来的方法。

这些做法与研究分析相契合，因为可靠结论取决于保留证据、解释和源材料之间的联系。

其影响不止于提升效率。当 AI 系统成为假设形成、代码生成和论文起草的一部分时，其隐藏假设也会进入研究流程。这使访问权更有价值，也让审查变得更加重要。

OpenAI 正押注于受控工具、机构保障和研究人员判断能够管理这些风险。该计划将在数千个真实项目中检验这一主张。

免费访问并不意味着封闭模型变为开放模型

这项提议降低了使用前沿 AI 的成本，但并未给予研究人员审查系统本身所需的访问权。

参与 ChatGPT for Academic Researchers 的研究人员将使用 OpenAI 的产品，而非获得模型权重。模型权重是决定神经网络如何处理输入并生成输出的、经学习形成的数值参数。

他们也不会获得完整训练数据集，或对训练过程不受限制的说明。这些缺失限制了某些类型的独立评估，特别是有关可解释性、偏见、记忆化、稳健性和模型安全的研究。

托管界面可以支持对可观察行为的实验。研究人员可以提交提示、衡量响应、比较输出并记录失败情况。然而，提供商可以更新模型、过滤器、系统指令或支撑基础设施。

这些变化可能会使复现变得复杂。一项在 8 月进行的研究即使提交相同提示，之后也可能产生不同结果。详细的版本记录和稳定的研究端点可以减轻这一问题，但 OpenAI 尚未公开说明所有相关控制措施。

因此，Engadget 对 OpenAI 的表述需要一个重要限定：该计划在日常产品使用的意义上提供免费模型访问权，但并未将模型交付给研究人员供其独立持有、修改或检查。

这一区别反映了行业中更大的分歧。开发封闭系统的公司认为，限制模型权重可减少滥用并保护专有研究。批评者则认为，外部科学家需要更深入的访问权，才能测试安全性主张并理解系统行为。

OpenAI 所宣称的理念是让研究人员自行选择科学问题。其学术计划称，公司不希望决定哪些问题值得关注。

然而，OpenAI 仍控制着开展这些问题研究的平台。它制定资格规则、执行使用政策、定义可用工具，并决定模型的哪些方面仍属机密。

这并不意味着该计划毫无用处。分析实验数据的化学家未必需要模型权重。调试模拟代码的物理学家可能会从托管式 Codex 访问中获得显著价值。

当研究对象正是 AI 系统本身时，这一局限就会变得更严重。研究内部表征、训练数据影响或机制可解释性的调查人员，往往需要的不只是输出访问权限。

Axios 报道称，该计划广泛面向科学与数学领域，而非主要专注于 AI 的研究人员。其访问分析指出，该项目并未回应有关模型权重和训练数据的诉求。

这形成了一种选择性的开放。研究人员可以使用 OpenAI 的工具研究问题，但他们研究这些工具本身的能力仍受到限制。

开放模型提供了另一种权衡。它们可以支持本地部署、可控修改和更具可重复性的实验。但其许可证与训练信息披露差异很大，因此“开放”标签并不保证完全透明。

它们在专业推理任务上的表现也可能落后于能力最强的托管系统。因此，研究团队可能需要在性能更优但可见性有限的方案，与控制力更强但能力存在不同限制的方案之间做出选择。

OpenAI 的项目强化了前一种选择。它将先进系统引入学术工作流，同时并未改变公司的基本治理模式。

这种做法将给竞争 AI 供应商带来压力。Anthropic、Google、Meta 和开放模型开发者必须决定，是扩大高校项目、提供稳定的研究接口、发布更多技术信息，还是通过开放性实现差异化。

大学也将面临自己的选择。接受免费访问可以加快项目进展，但机构必须保留独立的方法、采购灵活性，以及在单一供应商环境之外复现结果的能力。

最有用的回应并不是一概拒绝闭源工具，而是准确记录它们进入研究链条的环节，并防止模型可用性演变为方法论依赖。

研究收益伴随着验证风险

更大的用户群将暴露有价值的应用场景，但也会增加涉及伪造证据、不稳定输出和隐藏工作流变更的失败。

OpenAI 表示，研究人员仍掌握控制权。但在实践中，这种控制取决于用户能否评估模型在每一项关键贡献中的作用。

生成的文献摘要可能遗漏一篇提出相反观点的论文。建议的代码可能能够正确运行，却实现了错误的统计假设。一段颇具说服力的解释，可能包含虚假引文或缺乏依据的因果主张。

当模型写出流畅的文字时，这些失败更难被发现。流畅性会让不确定的输出显得权威，尤其是在研究人员自身狭窄专业领域之外。

科学家必须将模型回复视为暂定材料。一条引文应当能够指向真实发表的文献，而该文献应当支持相关主张。计算需要独立核查，生成的代码则需要针对已知案例进行测试。

可重复性带来了另一个问题。研究人员通常会披露软件版本、参数、数据来源和分析方法。托管 AI 产品可能包含用户无法完全观察到的组件。

提示词记录只能捕捉流程的一部分。模型版本、系统配置、连接的数据源、工具权限、检索结果以及供应商端更新，都会影响最终回复。

OpenAI 可以通过向参与者提供详细活动日志和持久版本标识符来提升研究价值。可导出的记录将帮助实验室保留有关结果如何产生的证据。

该公司还可以披露计划中的模型切换，并临时提供旧版本访问权限。缺少这些保障，纵向研究可能难以复现。

数据治理同样需要得到重视。OpenAI 表示，项目数据默认不会用于训练其模型。研究人员仍必须考虑，连接的服务、机构政策、同意协议或受监管数据集是否允许外部处理。

研究健康信息的实验室不能假定企业级工作空间就能满足所有法律或伦理要求。机构审查委员会和数据保护团队必须评估具体工作流。

遴选也是另一项不确定因素。初始项目仅面向经筛选的高科研活跃度机构中符合条件的研究人员。这一标准可能有利于已经拥有大量资源的成熟机构。

OpenAI 表示，更广泛的目标是防止前沿 AI 的收益集中于资源充裕的实验室。然而，已公布的标准尚未说明该项目将如何覆盖规模较小的机构、独立研究人员，或技术基础设施较弱的地区。

四名协作者功能可以扩大项目团队的访问范围。但如果符合资格的大学仍集中于狭小群体，它无法解决机构间的不平等。

科学依赖也存在风险。研究人员可能围绕专有功能设计工作流，而这些功能之后可能变更、消失，或在项目结束后无法使用。

大学应保留可导出的数据集、提示词、中间结果和人类可读的研究笔记。可搜索的知识库可以帮助团队保留审计 AI 辅助工作所需的上下文。

披露标准将在发表时变得重要。期刊和会议需要获得足够信息，以评估 AI 是否影响了研究设计、分析、写作或解释。

仅模糊地声明研究人员“使用了 ChatGPT”，几乎不具备方法学价值。作者应记录相关模型、日期、任务边界、验证方法以及所有连接的数据源。

同行评审者也需要清楚区分 AI 辅助与 AI 生成的证据。模型可以帮助提出假设，但不能仅凭自身的置信度验证该假设。

该项目为 OpenAI 提供了一个深入科学实践的重要反馈渠道。参与者将向公司展示模型在哪些方面成功、在哪些方面失败，以及哪些专业工具能够持续吸引用户使用。

这些反馈具有商业和技术价值。它们可以塑造产品开发、基准测试、界面和未来训练。研究人员获得访问权限，而 OpenAI 则获得对高价值工作流的洞见。

这种交换并非天然不公平，但应保持透明。机构应了解自己提供了哪些反馈，以及有关系统失败的发现能否在没有不必要限制的情况下发表。

OpenAI 的共享与发表政策值得密切关注。学术独立要求拥有报告负面结果、意外行为和局限性的自由。

竞争 AI 供应商与大学必须做出的决定

OpenAI 已将竞争从单纯的模型性能，转向补贴式访问、机构整合和对研究工作流的控制。

学术研究人员已经在使用多家 AI 公司的产品。如今改变的是 OpenAI 承诺的规模与结构。

该公司表示，ChatGPT for Academic Researchers 属于一项到 2027 年总额超过 2.5 亿美元的更广泛投资。该计划还包括支持研究机构的 NextGenAI 项目，以及与美国能源部 Genesis Mission 相关的工作。

OpenAI 还单独承诺，向国家实验室和大学约 2,000 名 Genesis 研究人员提供 Codex 访问权限。它还介绍了对科学项目的 API 支持，以及面向部分生物学研究人员的专门访问。

这些项目展现出一致的战略。OpenAI 希望前沿模型成为科学工作的基础设施，并由培训、机构管理、连接器和领域专用工具提供支持。

Anthropic 和 Google 可以通过类似的访问计划作出回应。它们也可以凭借更强的研究控制能力、更大的上下文容量、专业科学评估或更清晰的文档展开竞争。

Meta 和其他开放模型开发者则有另一条路径。它们可以强调本地部署、可检查性、定制化，以及不依赖托管供应商的实验。

没有一种方法能满足每个实验室的需求。生物医学项目可能优先考虑安全性和托管连接器。计算机科学研究人员可能更看重获取权重和内部激活值。较小团队可能最在意可预测的可用性和简单的协作方式。

大学不应将免费访问视为完整的 AI 战略。它们需要制定涵盖数据分类、披露、验证、采购和跨供应商可移植性的政策。

它们还需要侧重科学判断而非提示词技巧的培训。研究人员应当知道何时使用模型、何时寻求领域审查，以及何时任务需要传统计算或直接实验性证据。

机构图书馆可以发挥核心作用。模型并不会自动提供合法、完整或准确的学术文献访问。图书馆员了解许可、来源评估、检索方法和引文完整性。

研究计算团队也必须参与其中。AI 生成的代码可能引入安全缺陷、未记录的依赖项和无法复现的环境。团队需要版本控制、测试、容器和保留的执行日志。

从这一机构视角看，Engadget 对 OpenAI 的报道最为重要。标题中的收益是免费访问，但长期影响取决于大学是否围绕它建立保障措施。

三个信号将表明该计划是否带来的不仅仅是产品采用。

首先，关注首批参与者的构成。不同机构规模、地域、职业阶段和学科的代表性，将揭示访问是否覆盖了既有优势实验室之外的群体。若资源集中于精英大学，将削弱 OpenAI 的普惠化论证。

其次，关注可重复性工具和稳定的模型记录。研究人员需要导出功能、模型标识符、配置细节，以及系统变更时的明确通知。强有力的文档将支持严肃的科学使用，而不透明的更新将限制这种使用。

第三，关注公开发表的结果。可信的论文应说明研究人员如何使用模型，以及如何验证生成的工作。独立的失败报告将与成功案例同样具有参考价值。

即便竞争对手的反应来得更慢，它们也会提供第四个相关信号。Anthropic 或 Google 扩大学术访问，将证实研究资源分配已成为战略竞争战场。对开放模型的更多支持，则会挑战 OpenAI 的受控访问路径。

只有当访问产生经得起审查的成果时，该计划才能在科学层面取得成功。更多消息、更大规模的参与群体和令人印象深刻的演示，都无法取代复现或同行评审。

现在申请的研究人员应在构建工作流前界定自己的边界。模型可以协助哪些任务？哪些输出需要独立复现？团队必须保留哪些记录？如果访问权限发生变化，会怎样？

这些问题能将一项免费服务转化为一种可追责的研究方法。它们也能保护实验室，避免将便利误认为证据。

OpenAI 提出了一项实质性的方案，今年夏天将有 10,000 名研究人员开始测试。到 2027 年，该项目可能让前沿 AI 进入 100,000 名科学家、数学家和工程师的日常工作。

最终评价不应取决于推广规模，而应取决于研究人员能否发表可复现的发现、披露有意义的失败，并保留对自身方法的主导权。

对于关注 Engadget OpenAI 报道的读者来说，这才是真正的考验。免费访问降低了使用先进 AI 的门槛，让更多人能够参与其中。下一步则是证明：受控访问能够支持独立科学研究，而不会让某一家公司的平台悄然成为证据体系中不可见的一部分。