新智元报道
编辑：元宇
18 岁高中生挖出约 150 万个未知天体，25 岁博士生给 1.4 亿张星系图装上自然语言搜索……OpenAI 发布了首届「ChatGPT Futures Class of 2026」，26 位入选者来自从大一就用上 ChatGPT 的年轻群体，他们正在用 AI 改写「优秀年轻人」的定义。
刚刚，OpenAI 上线了一个叫「ChatGPT Futures」的页面。
一共 26 个年轻人（或团队），每人（或团队）1 万美元奖金，外加前沿模型访问权限。
其中，最引人瞩目的一个名字叫 Matteo Paz。
去年 3 月，他还是一位 18 岁的高中生，他开发机器学习算法，处理了 NEOWISE 十余年红外巡天攒下的近 200TB 数据、约 2000 亿行记录，从中标记并分类出 190 万个红外变源天体，其中约 150 万个为此前未记录的潜在新发现。
他的论文发在《Astronomical Journal》（《天文学杂志》）。
今年 3 月又拿下 Regeneron Science Talent Search（雷杰纳隆科学天才奖）头奖。
按 Caltech（加州理工学院）的描述，这是「一个本地高中生在 Caltech 实现了突破」。
而 Paz 只是 26 位入选者里的一个。
2025 年 3 月 11 日，18 岁的 Matteo Paz 在颁奖典礼上手持 Regeneron Science Talent Search 头奖奖杯，他因凭借 AI 算法发现 150 万个未知天体获奖。
同一份名单上，还有——
18 岁的 Crystal Yang：她为 20 万视障学生开发了「以听代看」的学习游戏；
19 岁的 Anshi Bhatt：她做的反诈系统已经帮 1.8 万人避开网络骗局；
25 岁的 Amrita Bhasin：她搭建的物流系统让超过 500 万磅滞销库存绕开了垃圾填埋场
26 个项目，从天文到救灾、从医疗到农业、从盲童教育到南美街头小贩的财务管理，没有一个是「用 ChatGPT 写论文」，他们把目光投向的，全是过去要靠资历、靠机构、靠资金才能碰的硬命题。
AI 让他们敢想、能做，这是上一代年轻人难以想象的。
「第一代 ChatGPT 原住民」毕业了
2026 届毕业生，是第一届在整个大学经历中都能「随时使用」ChatGPT 的毕业生。
虽然「随时可用」并不意味着「全程依赖」，但已足以让 AI 重塑一代人学习和生活方式。
大约三年半以前，2022 年秋季，2026 届新生入学。两个多月后的 11 月 30 日，ChatGPT 横空出世。他们的大学生涯，从此和 ChatGPT 绑在了一起，「第一代 ChatGPT 原住民」诞生。
大一第一学期还没结束，他们的书桌上就多出了一个能写代码、能找文献、能聊任何话题的 AI。
在这 26 名个人（或团队）里，有 18 岁的高中生，也有跨校组队的研究小组，并非清一色的「应届毕业生」标签，但都是这一代年轻人的样本。
OpenAI 这次推出的「ChatGPT Futures」，不仅是在发奖金，还想为「AI 时代的优秀年轻人」打个样。
他们「用 AI 看见人类看不见的东西」
「第一代 ChatGPT 原住民」在用 AI 做什么？
先看三个最具代表性的项目。
第一个是 Matteo Paz 的项目。
他面对的是 NEOWISE：一台 NASA 退役红外巡天望远镜十年扫天攒下的全部数据。
用 Paz 导师 Davy Kirkpatrick 的话说：「这张表已经逼近 2000 亿行，记录了我们过去十年的每一次探测。」
2000 亿行、近 200TB 的数据，单纯依靠人力根本翻不动，这是 AI 能做但人类很难做的那类工作。
2023 年，Matteo Paz 在 Caltech 暑期研究项目（Summer Research Connection）研讨会上展示其 AI 天文项目的初期成果。
Paz 写了一个叫 VARnet 的机器学习算法，把整张表过了一遍，标出 190 万个红外变源天体，其中 150 万是此前没人记录过的全新发现：超大质量黑洞、新生恒星、超新星……
这一项工作，Kirkpatrick 原本只指望「找几颗变星出来，告诉天文界这数据里还有宝」。
结果 Paz 给整个数据集出了一份完整目录：190 万个变源天体，分十大类，全部归档。
第二个项目叫 AION-Search，主理人 Nolan Koblischke。
他的目标是让 1.4 亿张星系图变得「可被自然语言搜索」。
传统的天文图像检索，要么靠图像相似度，要么靠预定义类别。想找「具有并合迹象的螺旋星系」或「疑似引力透镜」？对不起，得先训一个专门分类器。
AION-Search 公开 Demo 界面，支持自然语言检索，论文称系统可扩展到 1.4 亿张星系图像。https://huggingface.co/spaces/astronolan/AION-Search
Koblischke 的做法是：先让 GPT-4.1-mini 给 27.5 万张星系图自动写文字描述（成本 150 美元）；再用对比学习训练一个图文共享检索空间；最后，扩展到 1.4 亿张图。
结果有多硬核？
引力透镜是星系数据里最稀有的目标，只占整个数据库的 0.1%：相当于在 1000 张照片里找 1 张。
让传统的图像相似度算法去找，前 10 个结果里几乎全是错的。换成 AION-Search，前 10 个里有相当一部分是对的。
行业用一个叫 nDCG@10 的指标衡量「前 10 个结果排得有多准」。
AION-Search 拿到 0.180，传统方法只有 0.015：这是 10 倍以上检索效果的提升。
原本要让天文学家从几十万张图里手动一张张翻找的稀有现象，现在用自然语言就能搜到。
第三个项目叫 WiFind。
该项目是 Nayel Rehman、Arhan Menta、Rushil Kukreja、Aayush Tendulkar 做的 WiFind，用 AI 处理 WiFi 信号，试图穿墙、穿瓦砾，在灾区找到幸存者。
WiFind 项目团队成员
WiFind 目前是 Springer 会议论文加 Conrad Challenge 获奖项目，还在原型阶段，不是已经部署的救灾系统。
但它的思路非常新奇：WiFi 路由器全世界遍地都是，每一台都是潜在的「生命探测器」。
还有 Zeyneb Kaya 在用 AI 保护濒危语言；Amrita Bhasin 的项目让超过 500 万磅未售库存从填埋场转向再利用……
这 26 个项目的共同点，不是「用 AI 写论文」，而是「用 AI 去碰人类碰不动的事」。
26 个名字
不只是天体和救援
把这份名单完整摊开，你会看到一个更立体的图景：
26 位入选者（团队）来自 20 多所大学和机构，包括 MIT、斯坦福、哈佛、牛津、Berkeley、耶鲁……名单基本覆盖了北美和英国的研究第一梯队。
OpenAI 将他们分成三类：Creators（创造者）做产品，Explorers（探索者）做研究，Advocates（倡导者）做推广和普及。
天体发现、星系搜索、灾区救援只是最集中的三个方向。
剩下的项目里，有人在做学习辅助工具，给同龄人减轻压力；有人在把心理健康资料翻译成少数族裔母语，让心理咨询不再只服务英语世界；有人在给残障学生开发无障碍功能，让课堂不再把人挡在门外；还有人在用 AI 识别诈骗信息，预防老年人受骗。
24 岁的 Kyle Scenna 来自 Waterloo，是一位创业者。他在谈到 ChatGPT 时说：「我从没想过，从发现一个问题到把它做出来，这个距离能这么短。」
20 岁的 Michelle Lawson 在 Smith College（史密斯学院）读书。她说：「我一直相信，只要给你合适的支持和资源，你能实现你想象的一切。AI 让这件事，对我自己、对成千上万的人，都成真了。」
23 岁的 Nolan Windham 已经是一家知名对冲基金的 AI 主管。他说：「让人兴奋的是，这才刚刚开始。」
提到 AI，他们的一个共同点在于，AI 让他们能做的事变多了。
这才是这一代「AI 原住民」与上一代人最大的不同：
他们已经将 AI 当成默认基础设施，自己学习和生活中不可或缺的一部分，就像上一代互联网原住民看待「Wi-Fi」一样。
门槛并未消失
只是挪了位置
高中生都可以做天文学发现，很多人可能因此产生一种乐观的幻觉：AI 真把科研的门槛给抹平了。
但下这样的判断还为时过早，先看一下 Paz 的完整履历。
2022 年夏天，他还在读高中的时候，就进了 Caltech 的 Planet Finder Academy（行星发现学院）。
2023 年，又参加 Caltech 为期六周的 Summer Research Connection（夏季研究连接）项目，由 IPAC 资深天文学家 Davy Kirkpatrick 担任他的科研导师。
Paz 在中学就读完了 Pasadena 学区项目「Math Academy」（数学学院）：八年级修完 AP Calculus BC（大学先修微积分 BC），普通高中生要在 12 年级才碰到的微积分，他在 14 岁前就拿下。
换句话说，Paz 不是「一个普通高中生加 ChatGPT」，他是「一个数学先修到大学水平、有 Caltech 顶级导师陪了两年、能直接调用 IPAC 计算资源的高中生」，再加 AI。
https://arxiv.org/pdf/2512.11982
那个让 1.4 亿张星系图可被自然语言搜索的 AION-Search，论文里也提到了它的局限：
VLM 会漏掉细微的天文结构，会把 GPT-4.1-mini 本身的偏见带进系统，整套方法在天文领域能跑得通，本身也得益于 Galaxy Zoo 等人工标注数据已经被 GPT 当训练语料喂过。
AI 找到的，主要还是天文学家以前就知道该怎么标注的现象。
而用 WiFi 信号穿透瓦砾找幸存者的 WiFind，眼下也还只是原型，不是已经在地震灾区跑起来的救援系统。
AI 抹平的是「重复劳动的门槛」，它并没有抹平「品味、判断、长期训练」。
Paz 故事的重点，不在于 AI 让任何高中生都能做天文学，而在于一个本来就要做出天文发现的高中生，把这件事提前了十年。
门槛并没消失，它只是从「能不能做到」，挪到了「能不能想到」。
参考资料：
