关于发布可解释、可通用的下一代人工智能方法重大研究计划2026年度项目指南的通告国科金发计〔2026〕6号国家自然科学基金委员会现发布可解释、可通用的下一代人工智能方法重大研究计划2026年度项目指南,请申请人及依托单位按项目指南所述要求和注意事项申请，国家自然科学基金委员会2026年1月26日可解释、可通用的下一代人工智能方法重大研究计划2026年度项目指南可解释、可通用的下一代人工智能方法重大研究计划面向人工智能发展国家重大战略需求,以人工智能的基础科学问题为核心,发展人工智能新方法体系,促进我国人工智能基础研究和人才培养,支撑我国在新一轮国际科技竞争中的主导地位，一、科学目标本重大研究计划面向以深度学习为代表的人工智能方法鲁棒性差、可解释性差、对数据的依赖性强等基础科学问题,挖掘机器学习的基本原理,发展可解释、可通用的下一代人工智能方法,并推动人工智能方法在科学领域的创新应用，二、核心科学问题本重大研究计划针对可解释、可通用的下一代人工智能方法的基础科学问题,围绕以下三个核心科学问题开展研究，围绕核心科学问题,以总体科学目标为牵引,拟以重点支持项目的方式资助前期研究成果积累较好、对总体科学目标在理论和关键技术上能发挥推动作用、具备产学研用基础的申请项目,研究方向如下:1.几何对称性先验嵌入的深度神经网络，构建由智能体驱动的自动化数据治理平台,支持从数据获取、治理、训练到应用的全流程:(1)构建可灵活部署、支持自动调度的算力管理底座,支持不同规模的单/多模态人工智能模型(如FastText、SAM、YOLO、Qwen-VL等)的混合推理与流水线编排;(2)研发基于智能体的统一数据工程平台,覆盖多源异构数据(不少于5种模态)的获取与治理(支持不少于200个算子,流水线编排成功率不低于97%),支持大模型训练过程中数据的动态选择和配比、以及多垂域(Code、GUI、Web等不少于5个领域)智能体数据的自动合成与质量管控;(3)开发面向复杂科学发现的垂域智能体,在Lean数学形式化推理、蛋白质与多糖结构分析、学科竞赛策略推演等不少于3种典型科学任务上验证有效性，针对数据驱动的高维科学计算生成建模中物理一致性缺失、复杂约束难以严格满足的难题,通过引入物理守恒律与结构先验,建立严谨的生成演化理论框架;设计能够保持物理不变量的数值算法,发展流形约束下的动力学控制机制,使生成路径严格满足守恒、边界与几何等约束要求;进一步面向功能材料设计、复杂物理场反演与参数识别等典型任务,研究“模型—算法—验证”一体化技术,提升约束满足精度与结果可信度，发展面向极端尺度的科学成像新方法,推进多尺度、多物理场计算物理模型与生成式人工智能、视觉—语言基础模型等前沿人工智能技术深度融合,构建可解释、可通用的成像反演框架，针对仿星器优化中多目标、高参数维度与强非线性等挑战,发展人工智能驱动的仿星器聚变堆设计新方法:(1)构建开源的大规模先进仿星器平衡态与线圈设计数据库,规模不少于10万组,覆盖典型设计空间,支撑模型训练标定与可复现评测;(2)基于生成式人工智能技术,对指定设计指标快速生成可行的初始候选方案,实现仿星器优化设计的“热启动”;(3)建立等离子体约束与稳定性等多目标优化的高保真深度神经网络代理模型,提升单次评估效率与可信度,支撑闭环迭代优化，(1)建立来自真实世界的大规模生物元件序列数据集,规模不少于100亿条,包括不少于50亿条环境标签,包含不少于10亿条来自高温、高压、强酸、强碱等极端环境的序列;(2)构建生物元件预训练人工智能模型,并开发极端环境适应度预测模型与特定条件下的元件挖掘模型;(3)研究小样本和主动学习方法,开发配套自动化实验装置,实现干湿闭环迭代，(1)针对大模型训练中的尺度定律(scalinglaw)现象,通过系统分析学习率、批大小、权重衰减等超参数作用,揭示尺度定律产生的内在机理及边界条件,形成面向大模型训练的调参指导原则,并在参数规模不少于10亿的模型训练任务中验证;(2)针对深度神经网络的训练过程,通过系统分析架构、优化算法、初始化、权重衰减等,研究嵌入结构的形成机制、记忆和推理的偏好机制、不稳定现象(如损失尖峰等)的成因,以及损失景观上训练轨迹的特征等,在参数规模不少于10亿的模型上验证;(3)针对不同深度神经网络优化算法收敛速度存在差异的现象,选取至少三种主流优化算法,对其训练动力学特性进行分析建模,并揭示其收敛特性与内在机理;(4)基于理论研究,发展新型深度神经网络基础架构及相应预训练方法,在不少于300亿词元的真实数据集上进行训练,验证其相对于经典decoder-onlyTransformer架构的性能优势，研究面向空天发动机高端工程装备研发的全流程智能一体化方法,并开展示范应用:(1)研究融合物理机理的大模型自监督预训练方法,构建融合多源领域知识、工程数据以及计算工具的垂域基座模型(不少于100亿参数),验证模型在复杂工程任务中的推理、工具调用和决策能力;(2)构建“设计—分析—制造”全流程智能体体系,实现几何设计智能生成与强泛化预训练模型的耦合,完成自动化闭环智能设计流程;(3)打通从智能生成到物理样机的全数据链路,研制不少于3种不同推力等级的高性能发动机样机,在真实工程型号中开展中试,验证人工智能方法在高端装备研制中的通用性与有效性，(二)优先支持面向发展下一代人工智能新方法或能推动人工智能新方法在科学领域应用的研究项目，(3)申请书中的资助类别选择“重大研究计划”,亚类说明选择“重点支持项目”或“集成项目”,附注说明选择“可解释、可通用的下一代人工智能方法”,受理代码选择T01,根据申请的具体研究内容选择不超过5个申请代码，(4)申请人在申请书起始部分应明确说明申请符合本项目指南中的资助研究方向,以及对解决本重大研究计划核心科学问题、实现本重大研究计划科学目标的贡献。