AI 快讯OpenAI把科研免费席位翻倍
产品更新

OpenAI把科研免费席位翻倍

2026-11-16T21:03:17.814Z
OpenAI把科研免费席位翻倍

OpenAI将ChatGPT学术研究者计划扩大至20万人,新一轮11月23日开放,但免费权益从Pro调整为Plus,覆盖面与单人额度之间的取舍更明确。

OpenAI 正在把面向科研人员的免费 ChatGPT 计划扩大一倍:全球覆盖目标从 10 万人提高至 20 万人,新一轮申请将于 2026 年 11 月 23 日开放。

这次不是简单追加一批账号。OpenAI 同时改变了名额分配方式、团队规模和订阅档位:下一轮将发放 5 万份资助,不再抽签,而是向前 5 万名符合资格的申请者开放;每位获批者最多可带两名同机构协作者,因此理论上可以新增 15 万名使用者。新获批团队拿到的是 ChatGPT Plus,而不是夏季试点提供的 ChatGPT Pro。(openai.com)

**ChatGPT for Academic Researchers 是 OpenAI 面向合格高校科研团队提供的免费 ChatGPT 工作空间计划。**它的核心并不是给研究者发一批模型调用额度,而是让文献检索、数据分析、编程、研究构思和论文沟通等任务进入同一个具备数据保护措施的产品环境。

OpenAI ChatGPT Academic Researchers 全球扩展示意图,突出20万研究者、50,000份资助和每份最多3个席位

一次扩容,改了四条关键规则

OpenAI 在 7 月启动夏季试点时,原计划到 2027 年覆盖 10 万名研究者。11 月 16 日公布的新方案把目标直接提高至 20 万人,并明确表示目前已有来自 33 个国家的 2 万名研究者加入。

新一轮最值得关注的变化,可以概括为“名额增加、团队缩小、档位降低、申请提速”。

| 对比项目 | 2026年夏季试点 | 2026年11月新一轮 | |---|---:|---:| | 总体覆盖目标 | 10万名研究者 | 20万名研究者 | | 已加入人数 | 首批逐步开放 | 2万人,覆盖33个国家 | | 新增资助数量 | 首批约1万个席位 | 5万份资助 | | 每份资助团队规模 | 申请人加最多4名协作者 | 申请人加最多2名协作者 | | 理论新增覆盖人数 | 首轮最多约6.5万人参与申请对应席位 | 最多15万人 | | 选择方式 | 符合资格者抽签 | 符合资格后先到先得 | | 免费订阅档位 | ChatGPT Pro | ChatGPT Plus | | 新一轮开放时间 | 已结束 | 2026年11月23日 | | 数据是否默认训练模型 | 默认不用于训练 | 默认不用于训练 |

这张表也解释了一个容易被标题掩盖的事实:**20 万人是整个计划的覆盖目标,不是 11 月 23 日一次性放出 20 万个个人账号。**下一轮只有 5 万名主申请人,按每人带满两名协作者计算才对应最多 15 万人;再加上已经进入计划的约 2 万人,距离 20 万人的最终目标仍有空间。

从Pro降到Plus,算不算福利缩水

**ChatGPT Plus 是 OpenAI 面向个人高级用户的每月 20 美元订阅计划,提供更高的模型使用上限和文件分析、深度研究等工具。**相比之下,ChatGPT Pro 面向高强度专业用户,价格和使用额度都明显更高。

因此,新一轮从 Pro 调整到 Plus,客观上确实是单个席位权益的下降。OpenAI 给出的理由是:复盘夏季试点后,公司发现大多数参与者的实际使用量没有超过 Plus 的限制,用 Pro 覆盖这些用户存在资源浪费;把新资助改成 Plus,可以让同样的计算资源覆盖更多研究团队。(openai.com)

这个解释在产品运营上成立,但研究者不能把 Plus 理解成无限使用的科研算力。复杂的深度研究、多文件分析、长时间智能体任务以及高强度代码执行,仍可能受到模型、工具和周期性用量上限影响。对于每天持续处理大型数据集、反复运行长链条分析的团队,Plus 和此前的 Pro 体验不会完全等价。

OpenAI 这次做出的选择很现实:与其让少数实验室获得接近重度专业用户的额度,不如把基础但足够可用的前沿模型能力铺给更多人。它更像是科研领域的“普惠计算层”,而不是免费提供一台没有上限的虚拟超级计算机。

从商业角度看,这也是一次明确的成本工程。ChatGPT Plus 的公开价格为每月 20 美元;即便不讨论具体算力成本,把 15 万个潜在新席位全部放在 Plus 档位,也远比全部配置 Pro 更容易长期维持。OpenAI 要验证的不是科研人员是否喜欢免费旗舰账号,而是一个更关键的问题:在可控成本下,通用 AI 能否成为科研机构的日常基础设施。

抽签取消后,申请速度变得更重要

**先到先得是按照合格申请提交或完成审核的顺序分配有限名额的机制。**新方案将夏季试点采用的抽签制改成先到先得,前 5 万份满足资格要求的申请可以获得访问权限。

这一变化减少了抽签的不确定性,却增加了时间和信息差带来的不公平。大型高校通常拥有更成熟的 IT 部门、研究支持办公室和内部邮件系统,可以快速组织研究者提交申请;信息触达较慢的机构、非英语地区团队和规模较小的实验室,可能在知道消息时就已经落后。

OpenAI 表示,已经进入等待名单且符合条件的研究者,会在公开申请开放前收到激活说明。这意味着旧等待名单上的用户可能拥有时间优势。对于尚未登记的团队,11 月 23 日再临时整理材料并不是稳妥做法。

截至 11 月 16 日,新公告没有在正文中完整重述下一轮资格细则。此前计划主要面向合格机构中的研究教职人员和博士后,通常要求验证高校身份、提供正在进行的研究信息,并说明预期科研用途。申请者不应据此默认本科生、硕士生或所有博士生都能独立申请,最终仍要以 11 月 23 日上线的新申请页面为准。

20万免费账号背后,是一次真实科研试验

OpenAI 与扩容消息同步发布了一份科研使用报告,分析夏季试点中 1819 名科学家的 580186 条科学相关消息,并调查了 251 名参与者。研究覆盖的数据时间为 2026 年 8 月 20 日至 9 月 22 日。(openai.com)

这份报告最吸引眼球的数据是:受访研究者估计,在保证相同工作质量的前提下,如果没有 AI,相关任务平均需要 1.9 倍时间。换句话说,他们认为原本需要 1.9 小时的工作,在 ChatGPT 参与后可以压缩到约 1 小时,相当于节省约 47%的时间。

| 试点研究指标 | 数据 | |---|---:| | 纳入分析的科学家 | 1819人 | | 科学相关消息 | 580186条 | | 调查参与者 | 251人 | | 无AI时的估计耗时 | 有AI时的1.9倍 | | 使用ChatGPT构思研究想法的科学家 | 68% | | 预计AI会加速本领域发现的受访者 | 98% | | 研究者主导具体问题的构思对话 | 35% | | 人与模型共同完善想法 | 36% | | 由ChatGPT提出研究问题 | 23% |

**研究构思是研究者借助模型提出、筛选或完善科学问题的过程。**报告显示,68%的科学家至少多次使用 ChatGPT 发展研究想法,但这不等于模型正在自主决定科研方向。

在被归为研究构思的消息中,35%是科学家带着明确问题让模型处理,36%是科学家先提出一个想法,再与模型共同完善;只有23%是由研究者直接要求 ChatGPT 提出研究问题。这个分布说明,当前最常见的形态仍然是人类确定问题空间,模型负责扩展、质疑和快速试错,而不是把实验室的选题权交给聊天机器人。(openai.com)

98%的受访者预计 AI 会缩短本领域的科学发现周期,但这个数字需要谨慎解读。它反映的是研究者的预期,而不是对真实科研成果进行多年追踪后得到的因果结论。1.9倍效率同样来自参与者自我报告,不代表所有学科、所有任务都能获得相同提升。OpenAI 也在报告中明确承认,这些发现不能证明因果关系,实验设备、经费、人员和验证能力仍然会限制科研速度。(openai.com)

AI最先压缩的不是实验,而是等待时间

科研工作中真正适合 ChatGPT 的任务,通常不是替研究者完成关键实验,而是压缩大量分散、重复且依赖信息处理的中间环节。

例如,一名生物研究者可能需要先阅读几十篇论文,比较不同实验条件,整理基因和蛋白质之间的关系,再把分析逻辑转换为代码。传统流程中,研究者会在浏览器、文献管理器、笔记软件、编程环境和写作工具之间来回切换。ChatGPT 的价值,是把这些任务连接成一个连续上下文:先梳理文献,再讨论假设,然后检查代码,最后把结果改写成适合论文或资助申请的表达。

这类效率提升更接近减少“认知上下文切换”,而不是让模型取代科学家。模型可以很快生成十条假设,但研究者仍然要判断哪一条值得投入实验资源;模型可以分析表格和图像,但实验室仍要检查数据处理流程、统计方法和异常值;模型可以解释论文,却可能误读研究限制,甚至生成不存在的文献。

因此,最合理的落地顺序不是把整条研究流水线一次性交给 AI,而是先选择结果容易验收、风险可控的任务,例如:

  • 整理公开文献并生成主题脉络;
  • 检查已经发表分析的复现代码;
  • 为数据清洗流程编写测试方案;
  • 比较多个统计方法的适用条件;
  • 把实验记录转换成结构化摘要;
  • 对论文初稿进行逻辑和表达检查。

当团队能够量化这些环节节省了多少时间、出现了哪些典型错误,再把模型用于更复杂的假设生成和跨领域分析,风险会低得多。

默认不训练,不等于可以随意上传数据

**默认不用于训练是指工作空间中的内容在默认设置下不会被 OpenAI 用来改进其基础模型。**新公告再次确认,参与计划的研究数据默认不会用于模型训练。

这对尚未发表的研究、药物发现和具有知识产权价值的数据很重要,但它不等于研究者可以无条件上传患者资料、受管制数据或合作机构的保密信息。高校自己的伦理审查、数据使用协议、临床隐私规则和出口管制要求,仍然优先于产品层面的隐私承诺。

研究团队至少需要明确三件事:哪些数据可以进入云端工具、哪些结果必须由人类复核、哪些对话需要保留审计记录。特别是涉及医学研究时,去标识化、最小化上传范围和访问权限管理,应该在使用模型之前完成,而不是出问题后再补流程。

OpenAI 把企业级数据保护带进科研工作空间是必要条件,却不是科研合规的完整答案。模型厂商负责产品安全,研究机构仍然要对自己的数据治理负责。

OpenAI真正争夺的是科研工作流入口

这项计划表面上是在免费送订阅,实质上是在争夺下一代科研软件栈的入口。

研究者一旦开始在 ChatGPT 中整理文献、维护项目上下文、检查代码、讨论假设和撰写成果,模型就不再只是一个偶尔打开的问答工具,而会逐步成为研究项目的工作界面。谁占据这个界面,谁就更容易影响科研人员未来使用的模型、智能体工具、连接器和数据服务。

从这个角度看,把覆盖目标扩大到 20 万人比维持 Pro 档位更重要。OpenAI 现在需要的是足够大、足够多样的真实科研使用样本,用来判断不同学科究竟需要什么能力:数学研究可能更重视长链条推理和形式化验证,生命科学更依赖数据库和专业工具,工程研究则可能把代码执行、仿真和文档分析放在一起。

这也是为什么 OpenAI 一边扩大通用研究者计划,一边继续建设面向高校的 ChatGPT Edu,以及偏生命科学场景的 GPT-Rosalind。通用 ChatGPT 负责覆盖广泛的研究任务,垂直产品负责连接专业数据库、实验工具和领域工作流,两条路线并不冲突。

这次扩容有用,但还不是“AI科学家”

OpenAI 把免费覆盖目标翻倍,最大的价值不是让更多人免费生成论文,而是降低中小实验室试用前沿模型的门槛。对于缺少专门 AI 工程团队的研究者,直接获得成熟的 ChatGPT 工作空间,比自己维护模型、检索系统和智能体基础设施更容易产生短期效果。

但这项计划距离“自主科学家”仍然很远。研究者依然要决定问题是否重要、证据是否充分、实验能否复现,以及模型的建议是否违反已知理论或数据约束。ChatGPT 可以加快循环,却不能替代科学判断。

更准确地说,OpenAI 正在把 AI 从科研人员偶尔使用的辅助工具,变成一种可以持续参与研究流程的认知基础设施。此次从 Pro 降到 Plus 看似保守,却反映出项目已经从高配试验进入规模化阶段:不再追求给每个人最大的额度,而是寻找成本、覆盖面和实际需求之间的平衡。

对于准备申请的研究者,眼下最实际的动作不是继续讨论模型会不会改变科学,而是提前确认机构资格、统一 ChatGPT 与高校验证邮箱、整理近期研究成果,并明确一个可以被验收的使用场景。11 月 23 日开始的将是先到先得,不再是等待抽签。

参考来源

相关推荐

查看全部