OpenAI 送 10 万个 Pro，买的是科研工作流

10 万个 ChatGPT Pro 账号，免费送给学术研究者。

按每月 200 美元的订阅价算，一年是 2400 美元，10 万份就是 2.4 亿美元。这个数恰好又贴着 OpenAI 承诺在 2027 年前投入外部科学研究的 2.5 亿美元。

当然，这只是按零售价算出来的账面数字，不是 OpenAI 真掏了 2.4 亿美元现金。自家模型的边际成本和订阅牌价压根不是一回事。可即便把营销水分挤掉，这次计划的量级依然很大。

OpenAI 的官方线程已经有两百多万浏览。项目会先覆盖 1 万名研究者，再在 2027 年前扩到 10 万名。入选者能用包括 GPT-5.6 Sol Pro 在内的前沿模型，还能邀请四位同机构合作者。工作区给企业级隐私保护，研究数据默认不拿去训练模型。

好家伙，这不是送几张 API 代金券让大家试试水。

这是把一套顶格的 AI 工作台，直接搬进实验室。

我第一眼看到的当然也是福利。做数学、物理、化学、生物的研究者，尤其是经费紧的小组，每月 200 美元并不算小数。可把那串数字多看一会儿，我更在意另一件事。

OpenAI 送出去的是账号，拿到的可能是一整代科研工作流的入口。

这里的「买」不是阴谋论，也不是说研究者拿了账号就欠谁成果。OpenAI 已经明确说，研究数据默认不用于训练。我的判断更朴素，任何一个工具只要足够早地进入日常流程，就会开始定义文件怎么组织、问题怎么描述、结果怎么复查，以及团队之间怎么交接。

IDE 是这样，云服务是这样，科研工具也不会例外。

10 万个账号，到底在换什么

Axios 拿到的项目信息很具体。第一批 1 万人会在今年夏天开始获得权限，覆盖数学、物理、化学、生物、计算机科学和工程等领域。每位参与者拿到一年权限，大致相当于 ChatGPT Pro，还可以拉四名同机构合作者进工作区。

如果只把它理解成算力补贴，有点低估这件事了。

研究工作不是问模型一道题，拿到答案，关掉网页。真实流程更像一张乱得很诚实的桌子。左边是论文和实验记录，中间是 Python 脚本、LaTeX、数据表，右边还躺着三个昨天跑崩的 notebook。一个猜想要被改写十几次，一份数据要经历清洗、画图、质疑、补实验，才有资格进论文。

GPT-5.6 真正想进入的是这张桌子。

OpenAI 自己披露的数据也把方向写得挺直白。过去六个月，它内部用于科研编码推理的算力增长了 100 倍，agent 类 token 用量增长约 22 倍。活跃研究者在 GPT-5.6 测试期的日均输出 token，超过 GPT-5.5 时代峰值的两倍。它被拿去排查研究系统故障、改训练 recipe、跑实验、优化 GPU kernel，再解释结果。

这些动作听着眼熟吧。

因为它们已经不是聊天，而是工作流。

研究者一旦把文献、脚本、数据解释和实验计划放进同一个工作区，切换成本就不只是每月多少钱了。历史上下文、团队协作方式、提示词习惯、工具连接，都会慢慢长在平台里。你当然可以换模型，但迁移的已经不是一个对话框，是实验室怎么干活。

这就是我说的，OpenAI 买的是科研工作流。

不是用合同买，也不是用训练数据换。它用低于零售价的真实成本，换一个被摆上实验桌的机会。研究者拿到的是原本舍不得用的高强度推理，OpenAI 得到的是最难的一批真实任务开始围着它的产品形态生长。

从商业上看，这一手相当漂亮。微软早年把软件送进学校，云厂商给高校发 credits，开发工具给学生免年费，逻辑都差不多。等一代人习惯用某套工具描述问题，那套工具就不再只是工具，它成了默认环境。

厉害了。

但科研和写 CRUD 终究不是一回事。默认环境如果太封闭，代价会比换 IDE 麻烦得多。

免费账号，不等于开放模型

这次计划给的是使用权限，不是 GPT-5.6 的权重，也不是训练数据。

两者看起来只差一个下载按钮，实际上差了整整一层研究能力。

有账号，你可以让模型分析数据、写代码、查错、提出假设，甚至连续跑很久的任务。没有权重和训练资料，你却很难回答另一类问题。它为什么在这里得出这个结论，换一个模型快照还能不能复现，某类输出到底来自推理还是记忆，安全策略对结果造成了多大偏移。

Axios 在报道里也点出了这层分歧。这个项目广泛面向数理和科学领域，却没有解决研究 AI 本身的学者长期提出的要求。他们要的不只是调用额度，还要足够的内部访问，才能做独立评估、复现和安全研究。

这不代表免费账号没价值。

恰恰相反，对需要处理基因数据、证明草稿、材料模拟或复杂工程代码的研究者来说，高质量推理资源非常实在。只是别把「能用最强模型」误写成「模型已经对学界开放」。

前者是科研基础设施的使用权，后者才涉及基础设施本身能不能被拆开检查。

一个最近的例子很能说明边界。腾讯混元的研究智能体 Hyra 帮助研究者构造了一个解开长期数学问题的新方案，论文放上了 arXiv，团队还把关键证明写进 Lean 形式化仓库。模型负责探索，人类整理论证，再让证明助手逐项验过去。

这套链路里，最让人安心的不是 AI 说「我证明了」。

是答案能离开 AI，进入另一个可检查的系统。

研究用模型最危险的时刻，往往不是它完全胡说。完全胡说反而容易被看出来。麻烦的是它给出一条九成像真的路径，符号漂亮，引用齐全，中间藏着一个只有本领域专家才会警觉的跳步。要是整个团队已经习惯在同一个闭源工作区里生成、讨论、润色，再由同一个模型复核，错误会形成一个很舒服的回音室。

舒服得让人不想出去。

所以账号越强，外部验证越重要。这不是唱反调，是把工具真正用进科研之前该补的护栏。

真正该保存的，不只是 prompt

如果我是拿到这类账号的研究者，我不会先把最难的开放问题一股脑扔进去。我会先找一个团队已经知道答案、但过程足够复杂的旧任务，完整跑一遍。

看看模型会在哪些地方省略条件，什么时候把相关性写成因果，工具调用失败后会不会悄悄换口径，长任务压缩上下文时又丢了什么。

这类测试不够浪漫，却比一上来追求「AI 发现新定理」有用得多。你先得知道这把尺子在哪些刻度会弯，才敢拿它量未知世界。

同时，实验记录里至少要多留四样东西。

模型的具体版本和推理档位要留。完整提示词、系统指令和关键上下文要留。调用过的工具、代码 commit 与数据版本要留。人在中间改过什么、否决过什么，也要留。

只保存收尾那段漂亮答案，复现时基本等于没保存。

这和软件工程里的锁文件、容器镜像、随机种子是同一件事。科研结果要能复跑，AI 参与过的那段过程就不能只存在供应商的聊天历史里。最好还能定期导出关键记录，用独立模型或传统程序交叉验证。数学结论交给 Lean，代码性能交给可重复 benchmark，数据结论交给统计检验，模型不能既当运动员又当唯一裁判。

棒棒的，免费拿到了前沿模型。然后把验证预算也一起写进计划里。

还有隐私。OpenAI 说工作区提供企业级保护，研究数据默认不用于训练，这一点很重要。但「不用于训练」不等于所有数据都适合直接上传。未公开的人体数据、合作方保密资料、出口管制内容、专利申请前的结果，各自还有机构审查和合同边界。接入外部工具之后，第三方服务又有自己的数据政策。

别看到企业级三个字，就把伦理审批当成已读用户协议直接划过去。

OpenAI 既有的 Researcher Access Program过去主要发 API credits，审核研究计划和机构资格。这次新公布的 ChatGPT for Academic Researchers 是更大的产品化计划，具体申请入口和分批方式还要等官方后续。两者名字接近，别急着把旧 FAQ 的季度审核规则硬套到新项目上。

目前最稳妥的动作，是准备好一份能被别人看懂的研究说明。你要解决什么问题，为什么需要前沿模型，哪些数据能进系统，怎么验证输出，失败了如何止损。就算这次没拿到账号，这份东西也不会浪费。它本来就该是 AI 进入实验室前的操作手册。

研究的窄门，还是那道窄门

OpenAI 在官方文案里写，研究者最了解自己的领域，公司的角色是把强大工具交到他们手上。

这句话我认同。

模型可以把搜索空间铺得更宽，把脏活跑得更快，把一个人原本试不起的十条路线同时推下去。对经费和算力有限的团队，免费权限确实可能把一些问题从「没条件碰」变成「可以试试看」。

但它补的是门票，不是判断。

前段时间一项关于开放式 AI 研究的实验里，智能体能在六天里完成大量工程工作，却没能在真正的研究问题上给出足以投稿的进展。这个结果不丢人，反而很诚实。会把实验跑完，和知道什么问题值得追、什么证据足够、什么时候应该放弃一条漂亮路线，中间隔着研究训练最难教的那部分。

10 万个 Pro 账号不会自动变成 10 万项突破。

它更像给 10 万艘船换上更大的发动机。有人会更快抵达新大陆，也有人会更快冲进一条看起来很像航道的死胡同。发动机当然重要，可海图、罗盘和那个愿意在数据不对时掉头的人，仍然得在船上。

所以我对这次计划的判断有两半。

一半很兴奋。前沿模型不再只围着几家大公司的内部研究转，更多小团队终于能拿到同一档工具。另一半保持警惕。谁先成为科研的默认工作台，谁就会开始影响研究过程怎样被记录、复现和评价。

免费账号是入口。

研究的窄门，还是那道窄门。