國家自然科學基金委員會現發布可解釋、可通用的下一代人工智能方法重大研究計劃2026年度項目指南，請申請人及依托單位按項目指南所述要求和注意事項申請。  

 

國家自然科學基金委員會

2026年1月26日

 

可解釋、可通用的下一代人工智能方法重大研究計劃2026年度項目指南

　　 

　　可解釋、可通用的下一代人工智能方法重大研究計劃面向人工智能發展國家重大戰略需求，以人工智能的基礎科學問題為核心，發展人工智能新方法體系，促進我國人工智能基礎研究和人才培養，支撐我國在新一輪國際科技競爭中的主導地位。 

　　一、科學目標

　　本重大研究計劃面向以深度學習為代表的人工智能方法魯棒性差、可解釋性差、對數據的依賴性強等基礎科學問題，挖掘機器學習的基本原理，發展可解釋、可通用的下一代人工智能方法，并推動人工智能方法在科學領域的創新應用。

　　二、核心科學問題

　　本重大研究計劃針對可解釋、可通用的下一代人工智能方法的基礎科學問題，圍繞以下三個核心科學問題開展研究。

　　（一）深度學習的基本原理。

　　深入挖掘深度學習模型對超參數的依賴關系，理解深度學習背后的工作原理，建立深度學習方法的逼近理論、泛化誤差分析理論和優化算法的收斂性理論。

　?。ǘ┛山忉?、可通用的下一代人工智能方法。

　　通過規則與學習結合的方式，建立高精度、可解釋、可通用且不依賴大量標注數據的人工智能新方法。開發下一代人工智能方法需要的數據庫和模型訓練平臺，完善下一代人工智能方法驅動的基礎設施。

　?。ㄈ┟嫦蚩茖W領域的下一代人工智能方法的應用。

　　發展新物理模型和算法，建設開源科學數據庫、知識庫、物理模型庫和算法庫，推動人工智能新方法在解決科學領域復雜問題上的示范性應用。

　　三、2026年度資助研究方向

　?。ㄒ唬┲攸c支持項目。

　　圍繞核心科學問題，以總體科學目標為牽引，擬以重點支持項目的方式資助前期研究成果積累較好、對總體科學目標在理論和關鍵技術上能發揮推動作用、具備產學研用基礎的申請項目，研究方向如下：

　　1. 幾何對稱性先驗嵌入的深度神經網絡。

　　針對現有前沿深度神經網絡架構難以有效嵌入幾何對稱性先驗的瓶頸問題，發展能夠與數據對稱性相適配的深度神經網絡泛化理論，揭示數據幾何對稱性與模型等變結構之間的內在關聯，構建能夠捕捉數據對稱性的新型深度神經網絡基礎模塊體系。完成對不少于3種前沿深度神經網絡基礎模塊（如Transformer、Mamba、INR等）的對稱性先驗改造，使其具備旋轉、鏡像、仿射等幾何對稱性的建模能力；在不少于3類實際應用場景中驗證所提出的新型深度神經網絡架構的有效性，確保在參數規模相當的條件下，性能顯著優于原始方法。

　　2. 智能體驅動的多模態全流程數據治理平臺。

　　構建由智能體驅動的自動化數據治理平臺，支持從數據獲取、治理、訓練到應用的全流程：（1）構建可靈活部署、支持自動調度的算力管理底座，支持不同規模的單/多模態人工智能模型（如FastText、SAM、YOLO、Qwen-VL等）的混合推理與流水線編排；（2）研發基于智能體的統一數據工程平臺，覆蓋多源異構數據（不少于5種模態）的獲取與治理（支持不少于200個算子，流水線編排成功率不低于97%），支持大模型訓練過程中數據的動態選擇和配比、以及多垂域（Code、GUI、Web等不少于5個領域）智能體數據的自動合成與質量管控；（3）開發面向復雜科學發現的垂域智能體，在Lean數學形式化推理、蛋白質與多糖結構分析、學科競賽策略推演等不少于3種典型科學任務上驗證有效性。

　　3. 高維復雜物理約束下的生成建模與科學計算。

　　針對數據驅動的高維科學計算生成建模中物理一致性缺失、復雜約束難以嚴格滿足的難題，通過引入物理守恒律與結構先驗，建立嚴謹的生成演化理論框架；設計能夠保持物理不變量的數值算法，發展流形約束下的動力學控制機制，使生成路徑嚴格滿足守恒、邊界與幾何等約束要求；進一步面向功能材料設計、復雜物理場反演與參數識別等典型任務，研究“模型—算法—驗證”一體化技術，提升約束滿足精度與結果可信度。

　　4. 融合物理與人工智能的極端尺度科學成像。

　　發展面向極端尺度的科學成像新方法，推進多尺度、多物理場計算物理模型與生成式人工智能、視覺—語言基礎模型等前沿人工智能技術深度融合，構建可解釋、可通用的成像反演框架。面向先進制程半導體三維量測、非侵入深層生物組織成像、深空天文探測等極端空間、時間與能量尺度場景，突破現有技術在成像分辨率、成像深度、成像對比度、成像通量及不確定性量化等方面的瓶頸，構建可開放共享的模型、數據與工具體系，在不少于3種典型科學成像任務上驗證有效性。

　　5. 基于深度學習的量子多體計算。

　　面向多電子薛定諤方程的高精度與高可擴展求解，發展以變分優化為核心的量子多體計算方法。圍繞量子多體基態、激發態、有限溫度與動力學等科學問題，構建融合神經網絡量子態、張量網絡與生成模型的新型計算框架，突破高精度、大規模與長時間演化的計算瓶頸，建立可復用的開源算例庫與數據集。在強關聯體系、高壓致密物質及超快動力學等前沿領域，取得可實驗驗證的熱力學狀態方程、相圖與譜學計算結果。

　　6. 人工智能加速的仿星器優化設計。

　　針對仿星器優化中多目標、高參數維度與強非線性等挑戰，發展人工智能驅動的仿星器聚變堆設計新方法：（1）構建開源的大規模先進仿星器平衡態與線圈設計數據庫，規模不少于10萬組，覆蓋典型設計空間，支撐模型訓練標定與可復現評測；（2）基于生成式人工智能技術，對指定設計指標快速生成可行的初始候選方案，實現仿星器優化設計的“熱啟動”；（3）建立等離子體約束與穩定性等多目標優化的高保真深度神經網絡代理模型，提升單次評估效率與可信度，支撐閉環迭代優化。

　　7. 耐受極端環境的生物元件設計平臺。

　　面向生物制造對耐受極端工業環境生物元件的需求，開發通用的、人工智能驅動的設計平臺。（1）建立來自真實世界的大規模生物元件序列數據集，規模不少于100億條，包括不少于50億條環境標簽，包含不少于10億條來自高溫、高壓、強酸、強堿等極端環境的序列；（2）構建生物元件預訓練人工智能模型，并開發極端環境適應度預測模型與特定條件下的元件挖掘模型；（3）研究小樣本和主動學習方法，開發配套自動化實驗裝置，實現干濕閉環迭代。在小樣本（不超過100個實驗樣本）條件下，完成不少于3款可耐受極端工業環境的生物元件的設計驗證。 

　?。ǘ┘身椖?。

　　本年度擬遴選具有重大應用價值和良好研究基礎的研究方向進行集成資助，研究方向如下：

　　1. 深度神經網絡動力學機制理論與新架構設計。

　　針對深度神經網絡在訓練中的重要現象，從動力學角度研究現象背后的機制，為深度神經網絡訓練優化與新架構設計提供理論指導。（1）針對大模型訓練中的尺度定律（scaling law）現象，通過系統分析學習率、批大小、權重衰減等超參數作用，揭示尺度定律產生的內在機理及邊界條件，形成面向大模型訓練的調參指導原則，并在參數規模不少于10億的模型訓練任務中驗證；（2）針對深度神經網絡的訓練過程，通過系統分析架構、優化算法、初始化、權重衰減等，研究嵌入結構的形成機制、記憶和推理的偏好機制、不穩定現象（如損失尖峰等）的成因，以及損失景觀上訓練軌跡的特征等，在參數規模不少于10億的模型上驗證；（3）針對不同深度神經網絡優化算法收斂速度存在差異的現象，選取至少三種主流優化算法，對其訓練動力學特性進行分析建模，并揭示其收斂特性與內在機理；（4）基于理論研究，發展新型深度神經網絡基礎架構及相應預訓練方法，在不少于300億詞元的真實數據集上進行訓練，驗證其相對于經典decoder-only Transformer架構的性能優勢。

　　2. 符合物理規律的世界模型理論與關鍵技術。

　　面向通用智能體長期自主交互需求，研究數據驅動與物理機理融合的可交互視頻世界模型技術，建立“生成—理解”一體化機制，支撐魯棒規劃、安全決策與持續學習，構建長時交互數據與物理一致性基準。（1）構建刻畫連續動力學、離散事件與高層語義的統一架構，研究開放環境下模型自診斷、自完善方法；（2）提出碰撞、移動、流動等關鍵物理屬性的顯式嵌入與可控推演技術，開發支持多主體、多視角復雜場景的長時連續交互生成模型，形成百億級參數世界模型底座，連續生成與推演時長不少于180秒；（3）研究物理先驗驅動的因果建模與可干預推斷，面向罕見事件與分布漂移實現策略演進與模型自適應，確保能量守恒、碰撞等關鍵物理約束違背率不超過5%，提升對長尾風險的魯棒性與可恢復性；（4）探索基于世界模型的不確定性評估、風險約束規劃與安全決策機制，構建“世界模型+具身智能體”閉環系統原型，在靈巧操作、具身導航、多智能體協同等不少于3類任務中開展端到端驗證，成功率不低于85%。

　　3. 感知與決策協同的全病種多模態病理大模型與應用。

　　針對多中心病理數據分布和模態多樣性的挑戰，研究面向全病種、賦能臨床全流程的通用病理基礎大模型。（1）構建覆蓋不少于100個中心、50萬患者的大規模病理數據庫，訓練不少于300億參數、支持萬級上下文理解的基礎大模型。探索數據規模、模態配比與模型容量約束下的表征與泛化規律，研究面向病理全場圖的超長上下文編碼方法；（2）研究病理多模態數據（HE、免疫組化、分子病理、診斷報告）的跨模態統一表征與對齊融合機制，闡明“對齊—融合”協同驅動的跨模態語義一致性機制，構建百萬級病理圖文指令數據；（3）研究面向鏡下閱片與高通量掃描等不同臨床場景的通用模型適配方法，發展模型量化及多規格適配的關鍵技術，構建面向嵌入式環境的高效推理機制，結合診斷智能體與強化學習，探索切片掃描過程中感知與決策并行耦合的主動診斷框架。在不少于100家醫療機構完成研究成果驗證。

　　4. 面向空天發動機高端工程裝備研發的智能基座與應用。

　　研究面向空天發動機高端工程裝備研發的全流程智能一體化方法，并開展示范應用：（1）研究融合物理機理的大模型自監督預訓練方法，構建融合多源領域知識、工程數據以及計算工具的垂域基座模型（不少于100億參數），驗證模型在復雜工程任務中的推理、工具調用和決策能力；（2）構建“設計—分析—制造”全流程智能體體系，實現幾何設計智能生成與強泛化預訓練模型的耦合，完成自動化閉環智能設計流程；（3）打通從智能生成到物理樣機的全數據鏈路，研制不少于3種不同推力等級的高性能發動機樣機，在真實工程型號中開展中試，驗證人工智能方法在高端裝備研制中的通用性與有效性。

　　四、項目遴選的基本原則。

　?。ㄒ唬┚o密圍繞核心科學問題，鼓勵基礎性和交叉性的前沿探索，優先支持原創性研究。

　?。ǘ﹥炏戎С置嫦虬l展下一代人工智能新方法或能推動人工智能新方法在科學領域應用的研究項目。

　?。ㄈ┲攸c支持項目和集成項目應具有良好的研究基礎和前期積累，對總體科學目標有直接貢獻并發揮支撐作用。

　　五、2026年度資助計劃

　　擬資助重點支持項目約5項，直接費用資助強度約為200萬元/項，資助期限為3年，重點支持項目申請書中研究期限應填寫“2027年1月1日－2029年12月31日”；擬資助集成項目約4項，直接費用資助強度為300－500萬元/項，資助期限為3年，集成項目申請書中研究期限應填寫“2027年1月1日－2029年12月31日”。

　　六、申請要求及注意事項

　?。ㄒ唬┥暾垪l件。

　　本重大研究計劃項目申請人應當具備以下條件：

　　1. 具有承擔基礎研究課題的經歷；

　　2. 具有高級專業技術職務（職稱）。

　　在站博士后研究人員、正在攻讀研究生學位以及無工作單位或者所在單位不是依托單位的科學技術人員不得作為申請人進行申請。

　?。ǘ┫揄椛暾堃幎ā?/p>

　　執行《2026年度國家自然科學基金項目指南》“申請規定”中限項申請規定的相關要求。

　?。ㄈ┥暾堊⒁馐马棥?/p>

　　申請人和依托單位應當認真閱讀并執行本項目指南、《2026年度國家自然科學基金項目指南》和《關于2026年度國家自然科學基金項目申請與結題等有關事項的通告》中相關要求。

　　1. 本重大研究計劃項目實行無紙化申請。申請書提交日期為2026年3月1日－2026年3月20日16時。

　?。?）申請人應當按照科學基金網絡信息系統（以下簡稱“信息系統”）中重大研究計劃項目的填報說明與撰寫提綱要求在線填寫和提交電子申請書及附件材料。

　?。?）本重大研究計劃旨在緊密圍繞核心科學問題，對多學科相關研究進行戰略性的方向引導和優勢整合，成為一個項目集群。申請人應根據本重大研究計劃擬解決的核心科學問題和項目指南公布的擬資助研究方向，自行擬定項目名稱、科學目標、研究內容、技術路線和相應的研究經費等。

　?。?）申請書中的資助類別選擇“重大研究計劃”，亞類說明選擇“重點支持項目”或“集成項目”，附注說明選擇“可解釋、可通用的下一代人工智能方法”，受理代碼選擇T01，根據申請的具體研究內容選擇不超過5個申請代碼。

　　重點支持項目的合作研究單位不得超過2個，集成項目合作研究單位不得超過4個。集成項目主要參與者必須是項目的實際貢獻者，合計人數不超過9人。

　?。?）申請人在申請書起始部分應明確說明申請符合本項目指南中的資助研究方向，以及對解決本重大研究計劃核心科學問題、實現本重大研究計劃科學目標的貢獻。

　　如果申請人已經承擔與本重大研究計劃相關的其他科技計劃項目，應當在申請書正文的“研究基礎與工作條件”部分論述申請項目與其他相關項目的區別與聯系。

　　2. 依托單位應當按照要求完成依托單位承諾、組織申請以及審核申請材料等工作。在2026年3月20日16時前通過信息系統逐項確認提交本單位電子申請書及附件材料，并于3月21日16時前在線提交本單位項目申請清單。未按時提交項目清單的申請將不予接收。

　　3. 其他注意事項。

　?。?）為實現重大研究計劃總體科學目標和多學科集成，獲得資助的項目負責人應當承諾遵守相關數據和資料管理與共享的規定，項目執行過程中應關注與本重大研究計劃其他項目之間的相互支撐關系。

　　（2）為加強項目的學術交流，促進項目群的形成和多學科交叉與集成，本重大研究計劃將每年舉辦1次資助項目的年度學術交流會，并將不定期地組織相關領域的學術研討會。獲資助項目負責人有義務參加本重大研究計劃指導專家組和管理工作組所組織的上述學術交流活動，并認真開展學術交流。

　?。ㄋ模┳稍兎绞健?/p>

　　國家自然科學基金委員會交叉科學部交叉科學一處

　　聯系電話：010-62328382