大学实验室能获得多少免费AI额度？
一个在机构、首席研究员和学生三个层面都进行申请的实验室，通常一次可以持有四到五位数的AI额度，因为这些层面的额度由不同的人授予，彼此之间不会相互抵消。
错误的做法是将实验室视为一个单一的申请者。它实际上是三个佩戴同一标志的申请者：机构，可以拥有协商好的云服务分配；首席研究员，可以拥有与特定项目挂钩的额度；以及每个学生，可以以自己的名义申请教育类额度。
没有单一的拨款可以覆盖实验室一整年的开销。通常情况下，三个周期不同的、中等规模的拨款就足够了。AI Perks追踪了194家公司总计770万美元的额度，其中包括创业公司额度汇总完全忽略的学术项目。
哪些供应商为大学实验室提供免费AI额度？
可靠的来源分为四类：前沿模型实验室、超大规模云服务商、GPU和开源推理供应商，以及公共资助的计算项目。每类都覆盖不同的费用项，这也是为什么一个实验室可以同时持有多个的原因。
下方的拨款规模是观察到的范围，而非价格表。拨款大小根据项目而定，因此相同的项目对于一个两人小组和一个有资金支持的多年实验室来说，会产生截然不同的金额。
| 供应商 | 额度覆盖内容 | 典型拨款规模 | 最适合实验室 |
|---|---|---|---|
| Anthropic (Claude) | Claude API token | 小型项目适中，有资金支持的工作为四到五位数 | 对论文、 transcripts 和代码库进行长上下文阅读 |
| OpenAI | GPT模型API使用 | 固定拨款，每个获批项目通常为低四位数 | 试点研究、基准复现 |
| Google Cloud | Vertex AI 和 Gemini，以及GPU和TPU计算 | 直接提供中四位数，通过机构提供的额度会大幅增加 | 需要模型和训练计算的团队 |
| Microsoft Azure | Azure OpenAI 和一般 Azure 计算 | 通常是使用额度而非金额 | 全校范围内的集中协商访问 |
| AWS | Bedrock模型以及更广泛的AWS服务 | 根据项目和地区差异很大 | 数据管道已部署在AWS上的实验室 |
| NVIDIA | GPU小时数和DGX级云访问 | 硬件或计算分配，而非金额额度 | 训练和微调运行，而非API调用 |
| Hugging Face | 托管推理和社区GPU拨款 | 小型、快速、可续期 | 开源数据集、模型发布、公开演示 |
| Together AI, Groq, Fireworks | 开源模型推理 | 慷慨的免费套餐加上酌情学术额度 | 大批量批处理标注和提取 |
| 国家计算项目 | 汇总的公共GPU容量 | 按GPU小时数分配，分批次授予 | 单个供应商拨款无法涵盖的训练运行 |
资格根据项目而异，每个授予机构都有自己的标准，而不是遵循任何通用标准。各项目的当前条款可在 getaiperks.com 上查阅。
为什么实验室的AI账单与创业公司的账单不同
创业公司的AI账单随着用户数量而增长。实验室的账单则随着人员数量和实验条件的增加而增长，而后者增长的速度远远超出任何预算的预期。
| 成本驱动因素 | 在实验室中产生影响的原因 | 实际效果 |
|---|---|---|
| 按席位计费的工具 | 助手和副驾驶按人收费 | 每增加一名学生都会产生固定的月度费用，且永不下降 |
| 消融测试 | 一个结果表会多次运行完整的评估集 | 单个表格的成本可能比一次性运行高出10到30倍 |
| 可复现性 | 结果必须在数月后仍可复现 | 相同的支出需要发生两次，有时甚至三次 |
| 教学负担 | 100名学生的课程与8人的实验室在规模上差异巨大 | 体量而非复杂性驱动账单 |
| 长上下文 | 论文和代码库会填满窗口 | 单次调用的成本会接近价格范围的顶部 |
| 审稿人请求 | 第二轮审稿需要之前未预算的实验 | 支出会在拨款年度结束后才出现 |
有三个因素可以改变计算方式，几乎所有的实验室工作都符合这些条件。批量和排队式端点定价远低于同步费率。提示缓存（Prompt caching）使得重复的系统提示或文档在首次调用后成本大大降低。批量分类、提取和嵌入可以在开源模型上高效运行，从而将前沿额度留给真正需要的调用。
谁应该持有额度，以及为什么这很重要
授予一个人，却由整个团队花费的额度是实验室在几个月内耗尽拨款的最常见方式。 供八人共用的一个密钥没有归属，没有项目上限，也无法在余额用完之前区分失控的评估循环和正常使用。
在发放第一个密钥之前，有三个值得做出的决定：
按人或按项目发放密钥，绝不按实验室发放。 每个主要供应商都支持工作区级别的密钥，并带有单独的支出上限，设置它们是实验室行政管理中最有价值的一个小时。
将教学使用与研究使用分开。 它们在续订时通常评估方式不同，一个悄悄消耗了研究拨款的课程，在申请下一个时很难辩护。
检查账户所在的位置。 个人账户中的额度在后期会变成采购和数据治理问题，尤其是涉及学生数据或经伦理审批的工作。机构协议正是为此而设，并归中央IT部门管理。
大学实验室额度可以与什么叠加？
模型额度、计算、存储和工具是四个独立的账单，一个只拥有模型额度的实验室仍然每月要支付真实的金钱。
- 模型访问: 来自Anthropic、OpenAI、Google或开源宿主方的API token
- 计算: 用于训练、微调和自托管推理的GPU小时数
- 数据和存储: 对象存储、向量数据库、托管Postgres
- 工具: 实验跟踪、标注、编排、可观测性
后两个层面是实验室最容易“丢下”的部分。数据和工具供应商提供学术套餐，其价格通常比创业公司套餐更有优势。没有人去问，因为头条数字总是模型额度。
层级也可以跨持有者叠加。一个系级别的云服务分配通常不会消耗首席研究员为特定项目授予的额度，而这也不会影响学生在教育套餐中所声称的额度。AI Perks 涵盖了哪些类别兼容，哪些类别相互排斥。
授奖时机是否重要？
比头条总额更重要。这些来源的准备时间相差一个数量级，因此将它们视为可互换的实验室最终会持有无法花费的额度，并等待着急需的额度。
准备时间不均衡。 有些来源几乎立即就能获得答复，而有些则需要经过评审轮次，所以日程安排，而不是拨款大小，决定了在实验准备运行时的实际可用性。
时钟通常在接受时开始计时，而不是在使用时开始。 在工作设计完成之前接受的额度，其一部分寿命将处于闲置状态，这是价值损失最安静的方式。
条款会变动。 学术项目比创业项目更频繁地开放、关闭和调整规模，去年的评测已经严重误导。当前有效的信息可在 getaiperks.com 上追踪。
实验室对免费AI额度的常见误解
最昂贵的错误是将额度视为折扣而非截止日期。 几乎所有额度都有时间限制，未使用的额度会退还给供应商，而不是结转到下一年。
只申请一个供应商。 批准率远远不足以支持单一申请作为一种策略。四个申请有三个获批比一个精心准备的申请更好。
为所有人购买席位。 按人收费的工具会随着团队人数的增加而增加。为代码编写最多的人提供共享许可证池通常可以节省三分之一的成本。
假设创业公司项目不包含学术界。 许多公司不包含，尤其是针对初创公司和与实验室相关的公司。在 AI Perks 上追踪的770万美元中有很大一部分对假设这些项目不适合他们的实验室开放。
从不重新申请。 续订很常见，但大多数团队从不主动申请。将拨款视为一次性事件，意味着下个周期将悄无声息地被放弃。
常见问题解答
大学实验室是否符合创业公司AI额度计划的资格？
通常是的，尤其是当实验室拥有初创公司、商业合作伙伴或基于其研究构建的产品时。学术项目和创业项目是分开评估的，因此实验室可能会被一个拒绝，但被另一个批准。哪些项目接受学术申请者可在 getaiperks.com 上找到。
大学实验室的免费AI额度价值多少？
一个在机构、首席研究员和学生层面都进行申请的实验室，通常一次可以持有四到五位数的额度，而公共GPU分配则以计算小时数而非美元计价。有资金支持的团队可以达到更高的水平。AI Perks 在 getaiperks.com 上追踪了194家公司总计770万美元的额度。
PI拨款和大学云分配可以同时持有吗？
通常可以。它们由不同的机构根据不同的标准授予，一个通常不会消耗另一个。冲突主要出现在同一个项目被命名两次以承担相同成本时，这更多是一个报告问题而非资格问题。
学生是否应该各自拥有自己的账户，还是实验室应该共享一个密钥？
始终分开密钥。共享密钥会破坏归属，使项目预算无法实现，并将一个失控的脚本变成一个花完的拨款。供应商工作区以零额外成本支持按密钥的支出上限。共享账户还会使后续审查谁接触了敏感数据或经伦理批准的数据变得复杂。
开源模型是否足够用于实际的实验室工作？
对于大部分工作来说，是的。分类、提取、嵌入和批量标注在开源模型上运行良好，成本仅为前沿模型的一小部分。前沿模型在高成本下提供了长上下文推理和复杂的生成能力。将工作负载分开是固定拨款覆盖整个研究项目而非单个实验的方法。
实验室未使用的额度会怎么样？
在几乎所有项目中，它们都会被没收，延长使用期限最多只能酌情处理。这就是为什么顺序比头条总额更重要：在实验设计完成之前接受的拨款，会损失大部分价值。到期行为因供应商而异。
运行实验室。让供应商资助计算。