杠杆炒股指软件 这次，Token要直接发给学生，每人30万元

杠杆炒股指软件这次，Token要直接发给学生，每人30万元

没有Token的科研，正变得越来越难

我有个个人观点杠杆炒股指软件，如果手上没有付费 Token 的同学，就要立即退学。

今年开学季，南大副教授蒋炎岩的这句话在社交媒体上迅速刷屏，相关话题还冲上了知乎热榜。

当然，这句话并不能只看字面，蒋教授只是用一种略为夸张的方式给同学们提个醒：Token 已然成为 AI 时代的实验耗材，每个学生都得有，也得会用。

这边蒋教授刚对着学生喊完话，大洋彼岸，斯坦福大学教授李飞飞就给大学校长敲响了警钟。

她在转发 OpenAI 最新的研究效率数据时写道，研发世界正在分裂成Token 充足的研究和Token 匮乏的研究。在最顶尖的 AI 公司和新型研究机构里，研究者的能力正在被大量 AI Token 放大。而大学科研未来怎么办，已经到了值得所有大学校长认真思考的时候。

两个人喊话的群体不同，但背后其实是同一件事：AI 正在重新定义科研资源。

过去我们说一个实验室资源好，想到的可能是 GPU、服务器、实验设备…… 现在，检索文献、设计实验、找失败原因、探索新思路…… 样样离不开 Token。甚至有人说，Token 就是 AI 时代的笔和纸，应该成为科研生产过程中的一种基础投入。

这个判断，产业界早已用脚投票。头部 AI 公司内部，研究团队的 Token 供给几乎按需分配；给工程师和研究员发 Token 额度，正在成为科技公司的标准动作。大家心照不宣的共识是：给研究者充足的 Token，就是给他们出成果的可能。只是这个共识，还没覆盖到广泛的高校学生群体。

不过，变化正在发生。9 月 21 日，腾讯正式启动第二届青云奖学金，每位获奖者的激励中，包含价值 30 万元的 Token 额度。这一次，Token 被直接发到了学生手里。

腾讯青云奖学金专注于解决同学们实际的科研痛点和问题，助力科研探索，去年已经成功组织过一届，腾讯首席 AI 科学家、青云奖学金主审人姚顺雨还在现场给 15 位脱颖而出的青年人才颁了奖（图为颁奖典礼现场）。

申报地址：https://join.qq.com/scholarshipapply.html

30 万元的 Token，对一个学生意味着什么？要算清这笔账，得先知道学生们手里的 Token 现在是怎么花的、又缺到什么程度。为此，我们和几位在读博士生聊了聊。

没有 Token 的科研，

正变得越来越难

在高校实验室里，缺 Token 是一种日常。

在采访中，我们打听了一下几位博士生的 Token 开销，大家报的数字从几百块到大几千不等。有的人可以通过课题组报销，有的人只能自己承担。而从社交媒体晒出的情况来看，自己承担这种情况可能更加普遍。

但不管谁掏钱，有一点是共同的：都得精打细算。

于是，一些本该交给 AI 的工作，最后还得由人来省 Token：把一个大任务拆成几个小任务，手动优化流程，控制上下文长度；或者先用更保守、更便宜的方法试一遍，再决定要不要调用更强的模型。

这些操作当然都能接受，但代价是实打实的：时间成本增加了不说，更要紧的是，试错次数被预算锁死了。

那如果预算突然不再是问题呢？我们也问了他们第二个问题：如果手里真的有一大笔 Token，最想拿它做什么？

几位博士生的回答方向很一致：可以暂时不把 Token 成本当成科研里的约束条件 —— 更大胆地让模型参与思路搜索，把大量 case trace 一股脑交给模型分析失败原因，或者更频繁地生成代码原型、多试几条实验路线。

说白了，他们缺的不是想法，而是快速验证想法的硬性条件。

那么，30 万元的 Token 砸下来，对他们来说意味着什么？这个账可以大致算一下。

30 万元的 Token，什么概念？

先算总量。我们让 AI 按照目前主流模型的公开 API 价格算了一笔账：假设按 4:1 的输入 / 输出比例使用，如果全部花在顶级前沿模型上，30 万元可以买到几十亿规模的混合 Token；如果更追求性价比，比如使用 DeepSeek V4.1 Flash 这一档的模型，Token 总量甚至可以达到千亿级。

但几十亿、千亿依然很抽象。换成科研任务，可能更容易建立直觉。

Stanford《AI Index 2026》曾统计 AstaBench 上不同科研 Agent 的表现（注：AstaBench 包含 2400 多道科研任务，涉及文献理解、代码执行、数据分析以及端到端科学发现等环节）。在参与测试的 57 个 Agent 中，成绩最高的 Agent 平均完成一道 benchmark problem 的成本约为 3.4 美元，而多数 Agent 的单题成本低于 1 美元。如果只是机械地按照这个成本折算，30 万元 Token 大约对应 1.3 万到 4.5 万道科研 benchmark 问题。

2026 年一项针对 Terminal-Bench 的研究，则展示了另一种极端情况：大多数智能体尝试完成任务的时间不到 20 分钟，但在部分复杂任务中，Agent 会连续运行接近两个小时，期间发起数百次 API 调用，单个任务甚至可能消耗接近 1 亿 Token。也就是说，如果把一次任务做得足够重，30 万元 Token 也能跑几十到上千次长链条、深度运行的 Agent 实验。

换算方法不同，数字会有很大差异。但无论从哪个角度算，这都是一位相当奢侈的 AI 研究助手。

落到人身上，这笔账可能更有实感。那几位每月自掏几百到大几千、处处精打细算的博士生，按自己理想中的使用强度估了估：这笔 Token，够他们过上 1～3 年Token 自由的日子。

换句话说，30 万元 Token 买到的不只是调用次数，而是读博期间最稀缺的一样东西：试错的自由。

Token 之外，还有什么？

从上面算出的数字来看，30 万元的 Token 已经能够帮同学们解决很大的难题了，但这并不是腾讯青云奖学金的全部。

考虑到同学们在科研过程中可能面临的其他支出以及普遍存在的经济压力，这届青云奖学金还给每个学生奖励 20 万元现金，而且这笔钱不限用途。据上届同学反馈，他们有的拿这笔钱支付 API 和 Token 调用等科研支出（今年这笔支出也省了）；有的拿它负担学术会议差旅。以前跨城市参会得仔细算账，现在从容了不少，还有人顺带捎上了实验室的同门和学弟学妹，让不是一作的同学，也有机会去顶会现场看一看。

值得注意的是，除了奖励 Token 这个创新，今年的名额也扩大了 —— 去年是 15 位，今年增加到 20 位。而且，面向的人群也从大陆及港澳台扩大到全球 —— 具有中国国籍，计算机科学、人工智能及其交叉领域全球高校就读，毕业时间在 2028 年 1 月及以后的硕博同学，都可以报名。

时间线很简单：9～10 月报名（10 月 25 日报名截止），11～12 月评审，次年 1 月颁奖。

作为青云奖学金主审人，姚顺雨也透露了他对同学们的一些期望。

青云希望找到的，是真正具有科研潜力、创新意识和长期成长潜力的年轻人。在姚顺雨看来，真正的科研和创新，往往需要长期面对没有答案的问题 —— 不断尝试、不断失败，在持续的探索中找到那件真正值得做的事。

所以相比论文和奖项，他更关注一个人有没有足够强的 intrinsic motivation（内在驱动力）。当你真正对一个问题产生兴趣，愿意持续几年、甚至十几年去思考它、探索它，这种驱动力往往比任何一篇论文、任何一个奖项都更加重要。

这也解释了为什么，青云奖学金不止于发钱和 Token。真正有自驱力的年轻人，可以通过评选被识别出来；但要把这种自驱力变成更长期的科研探索动力，光靠个人并不够，还需要一些钱买不到的外力。而这种外力，很多时候就来自连接。

第一届腾讯青云奖学金 Poster 展现场。

对还在高校里的研究者来说，这类连接其实并不天然存在。很多人平时接触最多的是导师、同门和同领域学者，很难持续知道工业界正在面对什么问题，也不容易和真正做一线技术的人长时间交流。

去年的青云奖学金就提供了这样的机会。比如在 Poster 交流和闭门讨论里，获奖同学可以直接和腾讯技术专家聊自己的研究，也会遇到来自不同学校、不同方向的同龄研究者。更重要的是，这些连接并没有随着活动结束就消失。

香港中文大学的邓洋涛提到，获奖后，他和业内老师、同行有了更多往来，也会继续讨论合作的可能，随着交流深入，这样的机会还在增加。

做计算生物学与统计遗传学的宋立阳也有类似经历。获奖之后，他认识了不少生命科学产业界的专家和朋友，其中一些联系一直延续到现在。对做基础科学的人来说，这类交流的意义也很直接：除了学术同行之外，多了一批来自真实产业环境的反馈来源。

这些变化很难像 20 万元现金、30 万元 Token 那样直接量化，却可能在更长的时间里发挥作用。科研当然需要资源，但也需要反馈、参照和合作对象。尤其对刚刚建立自己研究方向的年轻人来说，能不能跨出原来的学术圈层，接触到不同问题和不同视角，有时候会影响下一步往哪里走。

所以青云奖学金想提供的，其实可以理解成两类东西：一类解决眼前的约束，让年轻研究者有更多试错空间；另一类则试图把他们接入一个更大的科研网络，让一次获奖之后，交流还能继续发生。

这届 AI Native 的年轻人，

能走多远？

最近大家可能看到过一个新闻：两名美国高中生 Aayush Bathija 和 Prince Rohatgi，在 UCLA 数学系博士后 Daniel Soskin 的指导下，借助 Claude Opus 5、GPT-5.6 Sol 等 AI 工具，把一个此前已经被菲尔兹奖得主 June Huh 等人研究过的数学问题继续向前推进：他们把关于洛伦兹多项式系数比值的结果，从较特殊的二次情形推广到了更一般的情况。最终，这项工作被写成一篇论文，发布在 arXiv 上。两位高中生均为 UCLA 数学圈（ORMC）成员。