本文要点
- 前沿模型支持从零散研究合作扩展为可申请的机构级计划。
- 计划从今年夏天 10,000 人起步，并设置截至 2027 年的扩容目标。
- 权益从模型访问扩展到 Codex、研究功能、培训与工作流支持。
阅读辅助
先看数字、证据和来源，再读正文。
项目今年夏天从 10,000 名研究者起步，而 100,000 人是截至 2027 年的扩展目标。
2025-03 · OpenAI 推出 NextGenAI，以 5,000 万美元支持高校研究与教育中的 AI 应用。
10,000 人与100,000 人是这则公告中最容易被混写的两个数字。OpenAI 在 7 月 29 日启动 ChatGPT for Academic Researchers：项目今年夏天从前者起步，后者是公司计划到 2027 年逐步达到的覆盖目标。它不是十万人已经在公告当天拿到免费账号。
确定的状态还包括两点。申请在公告当天已经开放；Institute for Advanced Study（IAS）和 École normale supérieure（ENS）被列为已有访问的机构示例。OpenAI 没有给申请截止日，也没有公布从申请、机构核验到开通的处理周期。
参与者可获得包括 GPT-5.6 系列在内的前沿模型，以及 ChatGPT、ChatGPT Work、Codex、扩大后的 deep research、用量与上下文窗口。工作区提供业务级隐私与安全保护，研究者数据默认不用于训练模型。获批者可邀请最多 4 名同机构合作者；每名合作者需要分别验证，且会计入项目总账号数。
对研究团队而言，这不是一张面向所有学者即时生效的个人优惠券。申请资格、机构属性、活跃研究与预期科学用途会共同决定准入。高校研究办公室、实验室负责人和信息安全团队需要把它当作机构级服务评估：免费解决了部分访问成本，却没有自动解决数据治理、结果复核、版本持续性和项目结束后的预算问题。
先分清规模、状态与政策边界
公告的核心句子使用了不同状态动词。把这些动词压成一个中文完成时，会直接改变新闻事实。
| 公告措辞 | 准确含义 | 不应外推 |
|---|---|---|
| starting with 10,000 researchers this summer | 今年夏天从 10,000 人起步 | 不是所有申请者都已开通，也不是固定永久规模 |
| plan to expand to 100,000 researchers through 2027 | 计划截至 2027 年扩展至 100,000 人 | 不是当前覆盖 10 万人，也不是已完成承诺 |
| applications are open today | 申请在 7 月 29 日已开放 | 原文没有截止日，不能编写“某日前申请” |
| data is not used to train our models by default | 数据默认不用于训练 OpenAI 模型 | 不能删去“默认”并写成任何情况下都绝不训练 |
| invite up to four collaborators | 可邀请最多 4 名同机构合作者 | 不是每名申请者自动得到额外四个无条件账号 |
这一拆分也解释了为何该新闻的重要性不应由“十万人免费”一句话概括。当前可执行动作是申请，首阶段量级是今年夏天一万人，十万人则是一条需要未来扩容记录验证的路线。即便公司最终达到目标，仍需要知道名额如何分配、每个账号可以用多少模型资源、不同地区是否同步开放，才能判断实际覆盖质量。
资格设计同样值得注意。OpenAI 将对象限定在获选、符合条件的学术机构中的研究者；机构需要是受认可、授予学位并具有较高研究活动水平的学院或大学。申请者还要说明活跃研究与预期科学用途。这种筛选能帮助公司集中支持和管理风险，也意味着独立研究者、资源较弱机构以及不符合定义的实验室未必能进入首批。
一份免费计划为何需要机构来承接
过去模型厂商支持科研，常见方式是 API credits、单个实验室合作或面向特定课题的资助。ChatGPT for Academic Researchers 增加了一个更接近“机构工作区”的层次：研究者不只拿到模型调用额度，还获得协作账号、Codex、研究连接器、培训、实操支持与同行交流机会。工具访问、协作关系和数据政策因此被放进同一套准入框架。
OpenAI 早前推出的 NextGenAI 可以视为背景。该计划以5,000 万美元支持高校的研究与教育应用，覆盖的是机构合作与项目投入。本次新计划则把入口扩展成公开申请，并把首期人数和未来覆盖目标写得更明确。OpenAI 还把它放在“截至 2027 年对外部科研支持超过2.5 亿美元”的更大承诺之中；但这笔数字是总承诺，不能当成 Academic Researchers 单项预算。
IAS 和 ENS 的出现说明 OpenAI 已经有机构级先行样本，但公告没有公布两校获得多少账号、覆盖哪些团队、研究评估如何设计。机构名称可以证明计划并非只有申请表，不能证明科研产出已经改善。真正有说服力的后续材料应包括入选分布、研究工作流、失败案例、数据治理审计和可复现结果，而不只是新增账号总数。
“最多四名合作者”看似是小条款，却揭示了产品设计单位。账号依然逐人验证，协作者必须属于同一机构，且全部计入项目规模。因此，10,000 人是账号口径，不是 10,000 个课题组；一个负责人邀请四人后，理论上可形成五人协作单元，但并不代表每个负责人都默认拥有这一配置。团队规模、用量上限和资源分配仍是三套不同口径。
访问能力不等于科研效果
OpenAI 用既有使用数据解释需求：公司称，每周约有130 万人使用 ChatGPT 处理高级科学与数学主题，形成约840 万条消息。高强度使用者中，估计至少需要四小时人工工作的长任务约占7%；同领域其他研究者约为3.5%。这里的比较基准必须保留：7% 不是全体用户中的长任务占比，而是被 OpenAI 定义为所在领域 AI 使用量前 20% 的高强度群体口径。
这些数字能说明科研使用已经存在，不能证明 ChatGPT 让研究质量提高。消息量不是论文、实验复现或有效发现的替代指标；长任务估计也不是实际节省的人工小时。计划若要证明“accelerating discovery”，至少需要区分检索、写代码、数据分析、提出假设和论文沟通等工作环节，并用任务完成时间、错误率、复现率与同行评价衡量变化。
公告还列出模型在 FrontierMath Tier 4、GeneBench Pro 等测试上的成绩，并强调生命科学工具能力。这些数据可以解释为什么研究者会需要前沿模型，却不能作为该免费计划的效果评估。benchmark 回答的是模型在设定任务上的表现，机构计划要回答的是团队在真实研究、真实数据和真实合规约束下能否产出更可靠、更快或此前无法完成的工作。
反方限制由此变得清楚：免费访问可能增加试验次数，也可能增加低质量分析、不可追溯代码和模型版本依赖。若实验室缺少评测、数据管理与领域复核能力，更高用量只会把错误更快推入研究流程。尤其是涉及未公开数据、受试者信息或合作方数据时，“业务级保护”和“默认不训练”只是起点，不能代替机构自己的伦理审查、数据处理协议和访问控制。
“默认不训练”仍需要逐条落地
OpenAI 的具体表述是研究者数据 is not used to train our models by default。这里的 by default 是政策边界，不是修辞。它意味着默认设置给出了较强保护，但参与机构仍应确认哪些数据被定义为业务数据、管理员能否更改共享设置、日志与文件保留多久、连接器会把内容发送给谁，以及支持与安全审查中的例外如何处理。
OpenAI 的 Enterprise privacy 页面可以为业务数据政策提供一般背景，但 Academic Researchers 的最终条款仍应以获批工作区、合同和机构配置为准。研究数据还可能同时受资助方、期刊、医院、跨境传输和知识产权协议约束。模型厂商不训练数据，不等于数据可以被无限制上传，也不等于模型输出天然适合写入正式结论。
可复现性是另一个容易被免费额度遮住的问题。若项目在研究中依赖某个前沿模型、特定上下文窗口或较高用量，后续模型版本替换、账号到期和权限变化都可能让第三方无法复跑。高校需要从第一天记录模型版本、提示、工具调用、数据变换与人工复核步骤，而不是等论文投稿时再补实验日志。
这项计划的结构性价值，在于把“能不能用前沿模型”从个人订阅问题提升为机构基础设施问题。模型、Codex、研究工具、协作者、隐私设置和培训被装进一个工作区后，高校终于有机会用统一治理代替每位研究者各自注册、各自上传数据、各自解释合规边界。对资源有限但研究活跃的团队，免费访问确实可能改变可承担的计算与工具成本。
不过，首批 10,000 人与目标 100,000 人之间隔着九倍扩容，也隔着真实服务质量。若账号数量增长而高阶模型用量很紧、排队时间很长或学科分配集中，名义覆盖就不会等于有效科研能力。相比宣布多少人，后续更值得看的是每名研究者可完成多少高强度任务、哪些学科真正获益，以及机构能否稳定复现工作流。
项目也让模型厂商更早进入科研方法与人才训练环节。培训、实操支持和研究工作流反馈会帮助 OpenAI 改进产品，同时让研究者逐步围绕某一套专有工具形成习惯。免费降低了采用摩擦，却可能提高未来迁移成本。高校不应因为价格为零就跳过供应商锁定、模型替换和成果归档评估。
早报判断是，衡量成败的核心不该是 2027 年是否恰好达到十万个账号，而是这些账号是否产生可审计、可复现、能被同行检验的研究增量。公告已经给出规模、资格和默认隐私框架；它还没有给出用量分母、选择公平性、独立效果评估和项目结束后的持续方案。免费访问值得欢迎，但科研基础设施要靠多年证据成立。
后续证据应怎样公开
最直接的透明度指标是入选分布。OpenAI 若公布机构所在地区、学科、职业阶段与资源水平，可以让外界判断计划是在扩大科研机会，还是主要覆盖原本就能获得前沿工具的头部机构。公开申请量与录取率也能解释 10,000 人究竟是供给上限还是需求规模。
服务层指标要与账号数分开。模型可用范围、每周或每月额度、上下文窗口、deep research 次数、高峰期排队和支持响应时间，都决定“免费”能否承载持续研究。OpenAI 公告只说扩大后的功能和用量，没有量化每项上限，因此目前不能计算计划提供了多少等价算力或市场价值。
科研效果需要更长周期。可优先观察有明确基线的任务：代码迁移是否减少人工工时，数据分析是否降低错误率，文献梳理是否提高召回，实验方案是否在盲审中得到更高评价。评价还应记录失败与撤回，避免只展示成功案例。参与机构若能发布去标识化的工作流与复现包，会比单纯引用 benchmark 更有价值。
最后是退出机制。公告把扩展目标写到 2027 年，却没有说明此后账号如何续期、是否收费、模型版本如何保留，以及离开项目的研究者能否导出必要记录。对周期跨越数年的科研项目，这些不是采购尾声才考虑的问题，而是申请时就应写进风险清单的基础条件。