30万元Token额度发到学生手里，科研试错自由能走多远

Token成了AI时代的实验耗材

「我有个个人观点，如果手上没有付费 Token 的同学，就要立即退学」。

南京大学副教授蒋炎岩在开学季的这句话，很快在社交平台刷屏。乍听刺耳，但他的本意很实在：Token 已经是做 AI 研究绕不开的基础消耗品，就像过去做化学实验得有试剂、做物理实验得有示波器一样。

几乎同时，斯坦福大学教授李飞飞转发 OpenAI 的研究效率数据时警告：全球研发正在分裂成“Token 充足”和“Token 匮乏”两个世界。顶尖机构的研究者靠海量 Token 放大能力，而高校科研若不行动，可能被甩开。

两人喊话对象不同，但指向同一个现实：AI 正在重新定义什么是“科研资源”。过去看实验室有没有 GPU、服务器、数据集；现在，从读文献、设计实验、分析失败原因到生成代码原型，每一步都可能消耗 Token。有人甚至说，Token 就是 AI 时代的笔和纸——不该成为限制思考的门槛。

产业界早已接受这一点。头部 AI 公司内部，研究员和工程师的 Token 额度基本按需分配。给足 Token，等于给足探索空间。但这一共识还没覆盖到大多数高校学生。

变化正在发生。9 月 21 日，腾讯启动第二届青云奖学金，每位获奖者将获得 价值 30 万元的 Token 额度——这是国内首次有企业把如此规模的 Token 直接发到学生个人手中。

没有Token的科研，越来越难

在高校实验室里，缺 Token 是常态。

我们采访了几位在读博士生，他们每月在 API 调用上的开销从几百元到几千元不等。有的课题组能报销一部分，更多人只能自己承担。社交媒体上晒账单的学生不少，自费比例可能比想象中更高。

但无论谁掏钱，共同点是：必须精打细算。

于是出现各种“省 Token”操作：把大任务拆成小任务、手动压缩上下文长度、先用便宜模型跑一遍再决定是否升级……这些做法当然合理，但代价真实存在——时间成本增加，更重要的是，试错次数被预算锁死。

我们问他们：如果突然有一大笔 Token，最想做什么？

答案高度一致：不再把 Token 成本当约束条件。可以更大胆地让模型参与思路搜索，把成百上千个失败案例交给模型分析原因，或者高频生成代码原型、并行测试多条实验路线。

他们缺的不是想法，而是快速验证想法的硬条件。

30万元Token，到底能干啥？

先算总量。按当前主流模型 API 价格估算（输入/输出比例约4:1），如果全用于顶级前沿模型，30 万元可买几十亿混合 Token；若选择性价比更高的模型如 DeepSeek V4.1 Flash，总量可达千亿级。

但数字太抽象。换成科研任务更直观。

Stanford《AI Index 2026》曾统计 AstaBench 上 57 个科研 Agent 的表现。该 benchmark 包含 2400 多道任务，涵盖文献理解、代码执行、数据分析和端到端科学发现。成绩最好的 Agent 平均完成一道题成本约 3.4 美元，多数低于 1 美元。按此折算，30 万元 Token 可支撑 1.3 万至 4.5 万道科研任务。

另一项针对 Terminal-Bench 的研究则展示了极端情况：部分复杂任务中，Agent 连续运行近两小时，发起数百次 API 调用，单次消耗接近 1 亿 Token。这意味着，同样一笔额度，也能跑几十到上千次深度、长链条的 Agent 实验。

换算方式不同，结果差异很大。但无论如何，这都相当于一位“奢侈”的 AI 研究助手。

对那些每月自掏腰包、处处节省的博士生来说，这笔额度意味着什么？他们按理想使用强度估算：够过上 1～3 年“Token 自由”的日子。

换句话说，30 万元买到的不只是调用次数，更是读博期间最稀缺的东西：试错的自由。

不止Token，还有现金和连接

30 万元 Token 已能解决大问题，但这还不是青云奖学金的全部。

考虑到学生普遍的经济压力，本届奖学金还提供 20 万元现金奖励，不限用途。上届获奖者反馈，有人用它支付科研开销（今年这部分也省了），有人负担学术会议差旅。以前跨城参会要精打细算，现在能从容带上学弟学妹一起参会，让非一作的同学也有机会接触顶会现场。

名额也扩大了：去年 15 人，今年增至 20 人；申请范围从大陆及港澳台扩展到全球——只要是中国国籍，在全球高校攻读计算机、AI 及其交叉领域的硕博生，且毕业时间在 2028 年 1 月之后，均可报名。

时间线清晰：9–10 月报名（10 月 25 日截止），11–12 月评审，次年 1 月颁奖。

作为主审人，腾讯首席 AI 科学家姚顺雨更看重学生的 intrinsic motivation（内在驱动力）。在他看来，真正的科研需要长期面对无解问题，在不断尝试与失败中找到值得深耕的方向。“当你愿意花几年甚至十几年思考一个问题，这种驱动力比任何论文或奖项都重要。”

因此，青云奖学金不止于发钱和 Token。它试图识别有自驱力的年轻人，并通过外部支持，把这种驱动力转化为长期探索的能力。而关键的“外力”之一，就是连接。

打破学术圈层，接入更大网络

对高校研究者来说，跨出原有圈子并不容易。日常接触多限于导师、同门和同领域学者，很难持续了解工业界的真实问题，也少有机会与一线技术专家深入交流。

去年的青云奖学金提供了这类机会。在 Poster 展和闭门讨论中，获奖者能直接与腾讯技术专家聊研究，也能结识来自不同学校、不同方向的同龄人。更重要的是，这些连接并未随活动结束而终止。

香港中文大学的邓洋涛提到，获奖后与业内老师、同行的往来增多，合作机会也在积累。做计算生物学与统计遗传学的宋立阳则通过奖学金认识了生命科学产业界的专家，部分联系延续至今。对基础科学研究者而言，这类交流的意义很直接：除了学术同行，多了一批来自真实产业环境的反馈源。

这些价值难以量化，却可能在更长时间尺度上发挥作用。科研不仅需要资源，还需要反馈、参照和合作对象。尤其对刚确立研究方向的年轻人，能否接触到不同问题和视角，有时决定了下一步往哪里走。

所以，青云奖学金实际提供两类支持：一是解除眼前的资源约束，给予试错空间；二是接入更大的科研网络，让交流在获奖后持续发生。

AI Native一代，能走多远？

最近有个新闻值得关注：两名美国高中生 Aayush Bathija 和 Prince Rohatgi，在 UCLA 博士后指导下，借助 Claude Opus 5、GPT-5.6 Sol 等工具，将菲尔兹奖得主 June Huh 研究过的数学问题向前推进——把洛伦兹多项式系数比值的结果从二次情形推广到更一般情况。成果已发布在 arXiv 上。

真正值得注意的，或许不是“高中生做数学研究”，而是它揭示了一种新可能：当年轻人同时拥有强大 AI 工具、优质指导和同行交流环境时，年龄和知识积累的门槛正在被改写。

我们把类似问题抛给一位博士生：如果真给年轻研究者 30 万元 Token，他们会做出跨越式成果吗？

他回答得很干脆：“会的。现在没有什么知识是学不会的，有了 AI，大部分知识都能快速掌握，科研很多环节也能由 AI 辅助完成。”

当然，AI 解决的是能力和效率问题，不是全部。有人帮你判断问题价值，有同行交换思路，有跨领域者提供新反馈——这些“连接”同样影响研究能走多远。

这也正是腾讯青云奖学金“为更值得的探索”在今天更值得被关注的原因：既给资源，也给连接，让真正有好奇心和内在驱动力的人走得更远。

AI Native 的一代研究者，正站在前所未有的工具起点上。接下来更值得观察的是：当工具、资源和连接都更容易获得，他们会把这些条件带向哪些过去不敢碰、也碰不到的问题。