<strong id="9n4tp"></strong>
<th id="9n4tp"><pre id="9n4tp"></pre></th>
<tbody id="9n4tp"><pre id="9n4tp"></pre></tbody>
  • <th id="9n4tp"></th>

    <dd id="9n4tp"></dd>
  • <li id="9n4tp"></li>
      1. <rp id="9n4tp"><object id="9n4tp"></object></rp>

        登錄 注冊

        使用微信,掃描二維碼登錄

        項目資助

        使用其他賬號登錄

        忘記密碼

        輸入圖形碼

        取消
        切換城市
        4000-119-388 注冊 登錄

        申請免費項目登記評估

        取消

        當前位置:政策資訊 - 申報通知 - 2021年度科技創新2030—“新一代人工智能”重大項目申報指南

        開放申報中科技創新2030“新一代人工智能”重大項目

        為落實國務院印發的《新一代人工智能發展規劃》總體部署,現根據《新一代人工智能重大科技項目實施方案》啟動實施科技創新2030—“新一代人工智能”重大項目。

        發布時間:2021-07-07 | 部委 技術創新 資金+政策

        |為你推薦

        • 通知原文
        • 相關附件

        關于發布2021年度科技創新2030—“新一代人工智能”重大項目申報指南的通知

        各省、自治區、直轄市及計劃單列市科技廳(委、局),新疆生產建設兵團科技局,國務院各有關部門,各有關單位:

          為落實國務院印發的《新一代人工智能發展規劃》總體部署,現根據《新一代人工智能重大科技項目實施方案》啟動實施科技創新2030—“新一代人工智能”重大項目。按照《關于深化中央財政科技計劃(專項、基金等)管理改革的方案》(國發﹝2014﹞64號)的相關要求,將2021年度項目申報指南予以公布。請按照指南要求組織項目申報工作。有關事項通知如下。


          一、總體目標

          以推動人工智能技術持續創新和與經濟社會深度融合為主線,按照并跑、領跑兩步走戰略,圍繞大數據智能、跨媒體智能、群體智能、混合增強智能、自主智能系統等五大方向持續攻關,從基礎理論、支撐體系、關鍵技術、創新應用四個層面構筑知識群、技術群和產品群的生態環境,搶占人工智能技術制高點,妥善應對可能帶來的新問題和新挑戰,促進大眾創業萬眾創新,使人工智能成為智能經濟社會發展的強大引擎。


          二、具體項目

          1. 新一代人工智能基礎理論

          1.1 因果推理與決策理論模型研究

          研究內容:研究面向跨媒體數據的因果關系發現方法,構建數據驅動的因果網絡結構學習理論,支持因果輔助下決策判斷; 研究基于因果關聯的決策理論和反事實推斷方法,構建因果強化學習框架,刻畫環境、動作和激勵之間的多層因果關聯與耦合,形成知識引導、數據驅動和行為探索相結合的因果推理和反事實推理基礎模型和算法;研究基于因果的機器學習泛化理論和可解釋性框架,提出基于因果的去除偽關聯表征學習機理,突破模型泛化瓶頸問題,提升模型系統的安全性、魯棒性及可解釋性。

          考核指標:提出基于因果推理和決策的新方法和新模型,實現包括因果發現、因果遷移學習、因果強化決策、反事實推理在內的綜合因果智能開源框架;提出深度模型中因果關聯的評價分析方法,降低對數據獨立同分布的依賴,提升泛化能力和可解釋性;在不少于 3 個典型大規模場景中驗證深度學習方法的因果推理和決策能力;開源數據、模型和代碼等,開源成果下載量和注冊使用等方面具有一定影響力。

          申報說明:本任務擬支持項目數不超過 4 項,每個項目下設課題數不超過 2 個,所含參研單位總數不超過 2 家。


          1.2 連續學習理論和方法

          研究內容:針對智能機器學習中數據稀缺、關聯維度高和異常識別弱等問題,研究基于多源異構數據的知識聯邦建模、表征、蒸餾、合成、遷移、推理和決策的連續學習理論及模型;構建從小樣本和零樣本中進行結構辨識和挖掘的模型,支持模型對不規律模式主動探知和模型主動修正;研究跨媒體多重知識表達和更新方法,構建機器智能自主式持續學習和能力成長模型,探索人在回路的智能理論方法;構建連續學習能力評估體系和相應測試手段。

          考核指標:研究建立針對知識和數據相融合的連續學習理論和模型;圍繞不少于 3 個具有代表性任務場景,構建基準測試數據集;實現零樣本和小樣本學習,學習方法魯棒可靠和可驗證; 實現連續學習過程中知識穩定增擴;開源學習數據、模型和軟件 框架等,開源成果下載量和注冊使用等方面具有一定影響力。

          申報說明:本任務擬支持項目數不超過 4 項,每個項目下設課題數不超過 2 個,所含參研單位總數不超過 2 家。


          1.3 復雜動態系統智能理論與方法

          研究內容:針對復雜系統所蘊含的動力學機制及豐富邏輯關系和隱性關聯結構,研究刻畫此類系統特點的表征模型及建模機制;提出多重知識結構支持下自組織涌現動力學分析理論方法,建立融合先驗知識的智能感知模型,實現未知環境自適應學習;

          研究非線性內嵌規律與演化行為的多重知識表達方法,提出適用于復雜動態過程的學習理論,建立面向復雜系統演化的自主決策模型;研究基于復雜行為演進的動態調控策略,探索智能模型感知和應對環境變化的系統穩定性和自適應性,發展局部性特征和全局性動態相互結合的智能理論框架。

          考核指標:提出具備環境感知、知識學習、經驗反饋等特點的復雜系統理論和方法,建立刻畫復雜動態系統的動力學模型,研制包含數據感知、行為分析、知識學習及經驗反饋的算法與模型庫;選擇不少于 2 個復雜智能系統應用領域驗證相關理論和方法的有效性;開源數據、模型和代碼等,開源成果下載量和注冊使用等方面具有一定影響力。

          申報說明:本任務擬支持項目數不超過 4 項,每個項目下設課題數不超過 2 個,所含參研單位總數不超過 2 家。


          2. 新一代人工智能基礎軟硬件支撐體系

          2.1 大規模分布式神經網絡通用智能計算芯片

          研究內容:以大規模多類神經網絡分布式訓練需求為牽引,研究訪存密集型和計算密集混合的智能計算范式,設計高能效可擴展智能計算芯片;研究芯片通用性和可編程性問題,有效支持稀疏匯聚和嵌入查詢等需求;研究支持大規模動態圖網絡高效表征學習方法和高效訓練范式,解決計算時序和通信容量等問題,滿足大規模分布式人工智能訓練要求;研究新型智能計算體系結構、內存子系統、編程和編譯框架等配套基礎軟件和工具鏈,研究高端系統級封裝技術。

          考核指標:支持包括PaddlePaddle 和MindSpore 在內的 4 種以上主流開源框架;支持大規模動態表征學習架構和訓練范式, 在典型應用場景下提升表征性能 50%以上和訓練效率 3 倍以上; 支持訪存密集+ 計算密集混合的智能計算芯片,相對最新CPU-GPU 混合架構能效提升 100 倍以上;新型內存子系統針對大規模嵌入表或圖數據的稀疏查詢和匯聚,相對最新的 CPU 內存系統能效提升 10 倍;構建自主編程和編譯框架等基礎軟件和工具鏈,相對主流開源方案具有明顯優勢,配套上述芯片系統;研制的智能計算芯片支持包括TF32/FP32/BF16/FP16/INT16/INT8/INT4 等各種精度;芯片級支持虛擬化,多租戶隔離和安全可信執行;支持不低于 8 卡和 128 節點的大規模芯片互連下的分布式訓練,片間互連帶寬不低于 500GB/s,8 卡線性度不低于 0.9;單芯片功耗不高于 300W,32 位浮點性能不低于 400 TFLOPS,16 位浮點性能不低于 800 TFLOPS,8 位整型性能不低于 1600 TOPS。

          2.2 感存算一體化的智能感知芯片

          研究內容:面向物聯網、智能無人系統中傳感器智能化、小型化的迫切需求,研發集成傳感—存儲—計算一體化(感存算一體)、高能效、高算力的智能感知芯片與系統;研究融合傳感器陣列與模數轉換的感算一體前端電路,研究基于RRAM 和SRAM 混合的存算一體計算單元及其硅基工藝實現;研究支持信號處理和神經網絡的可重構架構技術,研究面向芯粒(Chiplet)集成的先進封裝技術;完成面向典型智能感知場景的應用驗證。

          考核指標:研制感存算一體化的智能感知芯片;感算一體傳感器集成模數轉換與模擬計算,等效轉換速率不低于 30MSPS; 存算一體處理器不依賴外部 DRAM 存儲,總存儲空間不低于2MB,處理器計算能效比峰值不低于50TOPS/W,處理幀率不低于 30FPS;芯片在單封裝內集成至少 4 顆芯粒,片間通信峰值速率不低于 8Gbps,通信電路電壓不高于 0.9V;芯片總功耗不高于1W,支持圖像/深度傳感器陣列信號處理、目標識別、碰撞預測等典型智能感知任務。


          2.3 自主無人系統標準化流式智能計算單元

          研究內容:面向多場景、多應用、多安全級別等自主無人系統需求,研究提供具有產業競爭力的高效自主可控的標準化流式智能計算單元設計;研究可無縫接入各類智能感知設備及相關智能場景、對海量智能感知設備的端數據進行流式算存的智能計算處理機制,提供最簡、完備和高效的智能處理和存儲功能,減少數據傳輸及云端智能處理的算力壓力;研究基于國產芯片、操作系統、編程框架、基礎算法庫的智能計算單元,高效支撐智能計算在各個領域的應用。

          考核指標:自主可控標準化流式算存智能單元覆蓋語音識別、自然語言處理、知識問答、圖像視頻等重要應用,接口標準化,并提供模型加密安全特性。產出基于先進工藝的端側核心芯片,峰值能效達到 1000TOPS/W,峰值性能超過 50TOPS。


          2.4 自主無人系統的開放通用高端智能控制器

          研究內容:研究通用高端智能控制器的開放智能體系結構、基于實時總線通信和自主信息處理的智能傳感器封裝、面向智能傳感器集成的即插即用型自主無人操作系統中間件;研究自主學習訓練器的可編程組態方法、基于多傳感器信息融合的環境感知、以及基于傳感信息反饋的反應式局部自主決策方法;面向無人駕駛、自主移動等自主無人系統對智能控制系統開放式硬件環境需求,研制具備自主知識產權的開放通用高端智能控制器,為各類自主無人系統研制與應用提供關鍵軟硬件支撐。

          考核指標:制定開放式通用高端智能控制器的開放智能體系 結構規范;智能控制器至少具有 5 個宿主結點的組網能力,結點間通信速率高于 1Mbps;能夠集成至少 5 類傳感器中間件,具有運動、姿態、觸覺、視覺、全局定位與環境的感知能力,能夠完 成自主避障、自主跟隨領航員、局部自主運動等功能,傳感器融合更新速率高于 50Hz;智能控制器至少在 3 種跨域異構自主無人系統中得到應用。


          2.5 大規模多智能體強化學習訓練和評估技術

          研究內容:針對大規模多智能體學習樣本采樣效率低、訓練不收斂、算力需求大、有效評估指標缺乏等問題,研究多智能體交互機制、數據驅動的人機協同等理論;研究實現多智能體的協同與共享、評估與演化、人機整合與增強、自我維持與安全交互等技術;研制高并發性、高效率、高魯棒性的大規模多智能體強化學習計算平臺;研究加快多智能體博弈關鍵技術在現實任務應用的工程方法。

          考核指標:建立支持大規模智能體仿真、訓練和評估系統,支持在 3 個以上復雜任務場景進行不少于 1000 個智能體的強化學習訓練和執行,并支持異構智能體的分組、分層控制;提出一套多智能體分布式學習框架,在同等算力下進行 2 個以上游戲自對弈測試,運行效率超過主流強化學習框架(如 RLlib、PyMARL 等)10%以上;在交通控制、智能電網、智能物流等領域進行技術驗證和應用。


          2.6 數據安全與隱私保護下的機器學習技術

          研究內容:針對人工智能應用中隱私信息保護等問題,研究跨設備、跨場景的聯合機器學習模型;研究同態與半同態加密的隱私保護算法,建立數據驅動機器學習框架下的隱私保護方法; 研究基于差分隱私保護與多方可信計算的多模型匯聚算法,構造隱私保護下跨域遷移學習方法;研究針對網絡攻擊、對抗樣本與數據投毒的檢測與防御方法,突破超大規模設備規模下安全學習算法的計算加速與通信優化難點。

          考核指標:支持包括PaddlePaddle 和MindSpore 在內的 4 種以上主流開源框架下隱私保護方法,實現隱私保護前提下的安全和魯棒聯合建模,具有良好抗攻擊能力;針對隱私保護要求的跨兩個場景以上的業務,提出算法優化和通訊優化方法;形成安全攻擊和防護對抗體系,在 100 萬設備終端規模上,算法與通信效率滿足實際需求并示范應用。


          2.7 基于人機協作的復雜智能軟件系統構造與演化技術

          研究內容:針對復雜智能軟件系統呈現的人機耦合、智能驅動等趨勢,研究面向此類系統的人類智能和機器智能融合演化理論模型,研究人—機智能互補融合、持續提升機制,建立人機協作驅動的復雜智能軟件系統演化支撐框架;研究融合軟件代碼和智能模型為一體的混合智能軟件架構,突破基于人機協作的智能模型和軟件代碼的自動構造、測試用例自動生成及持續優化方法,研究軟件制品的精準檢索推薦,支持復雜智能軟件的快速構建; 研究基于微服務的智能模型構件化方法,研究大規模智能構件的智能適配與動態互聯技術,突破面向復雜智能軟件系統的開發、 部署與優化一體化方法;建立復雜智能軟件系統持續構造演化支撐環境,面向新一代人工智能軟件系統開展應用示范。

          考核目標:構建面向復雜智能軟件系統的人機協作驅動演化環境,支持不少于 2 種人機協作模式,支持代碼總規模達千萬行以上,實現系統的智能化設計開發、運行監測與持續演進,支持C/C++、Java 和Python 等多種編程語言的軟件制品智能檢索與推薦,檢索與推薦準確率不低于 90%,在不少于 3 個典型領域任務上實現智能模型和模塊級代碼的自動生成,生成代碼制品的采納 率超過 40%,關鍵技術在人工智能開源平臺等復雜軟件系統上進行驗證。


          2.8 跨域異質分布式學習和推理系統

          研究內容:針對分布式環境下機器學習任務場景,突破跨域 分布式學習難點問題,提出跨域大規模分布式人工智能架構;研發以人工智能芯片為核心的具有可變拓撲的軟硬件體系結構和接 口適配標準,以應對分布式學習中對軟硬件協同的要求;研究高 帶寬多源異構數據的實時輸入問題,滿足云—邊—端一體化協同 處理;研究弱連接環境下異構多源分布式數據可靠傳輸與互連, 實現大規模分布式模型訓練和持續場景優化;提出跨機構的數據 安全共享機制,在端與端數據隔離情況下實現模型訓練和迭代更新;研究適合在邊緣端運行的高性能、低功耗人工智能應用算法 和模型以及邊緣端人工智能芯片上的部署方法;研究建立分布式人工智能學習推理評測體系和標準等。

          考核指標:完成以國產人工智能芯片為核心的分布式機器學習 系統,支持不少于 3 種國產人工智能芯片。支持包括 PaddlePaddle 和MindSpore 在內的 4 種以上主流開源框架,支持云際計算、云—邊—端等多種分布式學習架構;云端整機性能達到同期國際先 進水平,單機 32 位浮點性能不小于 100TFLOPS,邊緣端單芯片功耗不超過 5W,能效比不低于 10TOPS/W,支持幾十萬到百萬級規模的聯邦智能網絡節點擴展能力;建立并開源開放分布式機 器學習測例及基準,在計算機視覺、語音識別和自然語言理解等 領域形成規?;瘧檬痉?。


          3. 人工智能提高經濟社會發展水平創新應用

          3.1 面向模擬集成電路版圖自動優化的人工智能EDA

          研究內容:面向模擬集成電路物理版圖自動化設計,開展模擬集成電路版圖在不同工藝水平或同一工藝水平不同要求之間的 智能化自我重載設計方法研究,重點突破基于AI 的版圖約束提取技術、模擬電路模塊版圖生成技術、模擬電路布局布線技術、 仿真器矩陣求解技術以及仿真器步長控制技術,建立模擬集成電 路從設計輸入、約束提取與生成、智能尋優計算到版圖輸出的全流程智能化重載方法。在此理論方法和框架基礎上,實現模擬集 成電路版圖智能化重載EDA 系統。

          考核指標:智能化重載方法覆蓋模擬集成電路、數?;旌霞呻娐泛蜕漕l集成電路并形成產品;基于AI 的約束提取方法,準確率較傳統的 SDL(Schematic Driven Layout)方法提高 10%以上,誤報率降低 50%以上;基于 AI 的版圖生成和布局布線技術, 設計效率較傳統的EDA 技術提升 10%以上;基于 AI 的仿真器矩陣求解技術智能預測準確率在 90%以上,提升整體電路仿真效率30%以上;基于 AI 的仿真器步長控制技術減少 80%以上的時間點回退;基于 AI 的模擬集成電路設計EDA 工具實現示范應用,支持典型應用工藝不少于 3 種,支持不少于 3 款模擬集成電路的自動化設計流片,支持的電路規模不低于 5000 個晶體管。

          申報說明:本任務需由具有 EDA 產品能力的單位牽頭申報,聯合國內產學研優勢單位組織實施。


          3.2 面向數字集成電路設計的人工智能EDA

          研究內容:面向集成電路規模呈指數級增長對EDA 工具的高效化需求,研究應用于高層次綜合、邏輯綜合、布局布線和時 序分析EDA 工具的人工智能優化技術。重點突破基于貝葉斯優化的設計空間探索技術、基于分類學習的多引擎邏輯優化技術、基于非監督學習的版圖驅動邏輯綜合技術、融合圖神經網絡的時序功耗擁塞預測模型技術、融合機器學習的大規模稀疏線性矩陣 求解技術。實現上述技術基礎與國產EDA 工具的集成,完成應用驗證。

          考核指標:圍繞上述研究內容和具體場景需求,形成數據建 模和分析方法、關鍵模型和算法突破的理論成果,形成可驗證的 集成AI 技術的新一代EDA 工具產品。在多個工藝節點(7nm、14nm、28nm、32nm)完成應用驗證。設計空間探索在典型人工優化后的處理器芯片架構上持續優化可獲得10%以上的PPA 綜合收益;針對千萬級單元規模的設計,布局擁塞預測模型在布局階 段可達到85%以上的預測精度,時序模型技術獲得5%以上的PPA 綜合收益;融合機器學習的大規模稀疏線性矩陣求解技術處理功耗分析問題,可以獲得 30%以上計算效率提升。

          申報說明:本任務需由具有 EDA 產品能力的單位牽頭申報,聯合國內產學研優勢單位組織實施。


          3.3 模型驅動的工業算法與優化求解

          研究內容:針對以智能設計、優化、規劃、制造為代表的典型工業問題中數據和模型高度融合迫切需求,設計數理模型驅動的工業算法優化求解器,研究相應的數理模型作用原理、計算效率、數值精度與穩定性等核心問題;研究面向典型工業領域設計、 制造與優化模式的深度融合問題,研究工業算法與優化求解器的軟硬件智能匹配方法,融合多目標優化機制,開展新型算法求解 器的一體化研發;研究面向智能設計建模的高速高精度優化、智 能規劃與制造的高效加工與高可靠驗證方法,建立數理模型與工 業數據相互協調驅動的智能加工核心算法庫;針對特定幾何物理 信息,開發模型高效高精度檢測、幾何結構多指標優化、多軸數 控加工規劃、高精度數控插補等智能算法與高效求解器,實現基于工業大數據和深度學習的加工參數驗證與優化。

          考核指標:形成上述領域自主可控的工業軟件產品,算法效 率等較現有主流產品提升 10%以上;建立面向制造與加工度量的工業算法—優化求解器一體化框架,開發模型驅動的網格和樣條 建模等核心算法工業求解器。在智能設計建模方面,開發相應軟 件模塊,需在不少于 1000 個實例上驗證其效率與精度,相比主流方法,算法效率提升不低于 10%;在智能規劃方面,搭建數理模型與大數據耦合驅動的高質量制造規劃軟件框架,實現幾何物 理信息驅動的數控軌跡規劃算法的工業求解器,相比傳統CAM 方法,算法編程效率提升大于 10%。針對上述工業算法,搭建樣機測試軟硬件協作能力與算法有效性,在諸如航空發動機葉片、燃氣渦輪、高端模具等典型應用領域開展不少于 3 個場景應用,形成具有自主知識產權的先進工業軟硬件應用平臺。


          3.4 人機融合醫療會診關鍵技術與應用

          研究內容:針對臨床診療中的復雜病情會診問題,研發能夠實現醫生、患者和智能體一起進行多方、多模態、多輪辯論和會診的理論、方法和平臺;構建包括醫生、患者、病歷數據、醫學知識和醫學文獻在內的多類型、多模態知識庫;建立面向醫學的多智能體辯論和談判的技術體系,能夠基于各種數據源自動生成診療決策的證據,研究基于正面和反面證據的沖突、融合、發現、信任等辯論要素,并最終形成決策;研究和開發智能體自組織和自學習功能,使智能體知識、智能和辯論能力不斷增強;研究和實現面向醫學的受限自然語言理解和受限自然語言生成,以利于智能體和醫生之間的討論和交流。

          考核指標:針對以學科交叉為基礎的科室,開發醫學人工智 能會診辯論的基本理論、模型、算法和工具,并進行雙盲測試。 設計并實現辯論型多方人機聯合會診平臺,支持特定疑難??萍?病的會診全過程,覆蓋人機聯合會診中至少 20 種合作和沖突類型等,包括針對性疾病不少于 3000 份真實病歷,實現動態多輪辯論和協商、自動診療方案生成和解釋、及根據診后隨訪進行復 診等功能。在包括人機聯合團隊和全醫生團隊的雙盲實例會診考核中,前者的平均得分應高于后者。

          申報說明:本任務擬支持項目數不超過 4 項,申請者選擇 1個優勢醫學科室申報。


          3.5 標準化兒童患者模型關鍵技術與應用

          研究內容:針對基層醫生兒科臨床能力不足、優質資源短缺,以及基層兒科臨床能力難以大規模高效培養等問題,研發和驗證基于智能終端的虛擬標準化兒童患者模型,作為基層醫療機構診療能力快速評估和改善的工具。構建兒童疾病大數據庫、兒科臨床循證指南庫、兒科疾病知識圖譜,為相關技術研究提供數據支撐;基于語音交互、計算機視覺、認知計算、虛擬現實等技術,創造醫生和虛擬患者高保真和交互式模擬診療,實現診療全過程患者病情演變的高度還原;分析醫生與虛擬標準化兒童患者的通信模式和實現過程,并根據循證醫學證據建立質量考核標準,構建基于虛擬標準化兒童患者的醫療能力評估體系;面向基層醫生兒科方面診療水平不足的問題,在基層醫生的規范化培訓、臨床能力考察和提升等方面開展高效、大規模和低成本應用。

          考核指標:研制兒童疾病標準資源云平臺,支持醫生在線協 同研發審核虛擬標準化兒童患者模型;構建覆蓋兒科 90%以上疾病的兒科臨床循證指南庫,所有覆蓋的疾病均以知識圖譜形式存 儲管理;構建不少于 300 例不同病情、不同復雜程度的基于智能終端的虛擬標準化兒童患者,完整覆蓋基層醫療機構兒童常見病和多發病,對臨床知識覆蓋率大于 90%;根據醫生治療干預發生病情變化構建的臨床真實環境,與診療過程貼合度達 95%;構建自動匹配測試對象臨床學習資源的系統,建立一套適用于基層醫 療機構的醫療服務能力標準控制體系和相關疾病臨床診療能力的評估體系;在多省不少于 200 家基層醫療機構開展隨機對照臨床試驗,驗證虛擬標準化兒童患者模型和系統的有效性、可靠性和可行性。

          申報說明:本任務擬支持項目數不超過 2 項。


          3.6 農業智能知識服務平臺

          研究內容:針對經營主體對農情信息智能化需求,研究多源、多領域、長周期的農業動植物全生命周期環境及生命特征提取與狀態識別方法;研究知識圖譜中概念、屬性和關系的動態生成與演化模式,構建氣象、水文和農業動植物等相互耦合的跨媒體知識圖譜,設計農業知識眾包獲取方法,形成農業知識迭代更新高效手段;研究多模式協同下農情現象的反演模型,具備定量定性綜合預測能力;構建面向農業農村場景的知識服務云,具備線上線下交互、生產銷售業務自適應協同、云網端無縫耦合和個性化信息推薦等智能服務功能。

          考核指標:突破多源、多領域和長周期農情知識獲取、知識 發現與演化等構建技術;建立基于事實案例知識和跨媒體知識規 則不少于 2000 萬條,其中包括不少于 100 萬條跨領域知識;形成全國實時農情圖片不少于 3000 萬張,農業動植物環境及生命狀態識別準確率達 95%以上;構建全國農業知識智能服務云平臺并支持定制不少于 1000 個縣域的農業知識智能服務系統;平臺服務能力 10 億人次/年以上,需求覆蓋率達 85%以上,服務匹配準確率達 85%以上,農戶反饋滿意度達到 95%以上,平臺全天候響應率 100%。

          申報說明:本任務擬支持項目數不超過 2 項。


          3.7 典型畜禽疫病智能診斷與主動防控系統

          研究內容:針對畜禽養殖過程存在的禽流感、豬藍耳病等典 型疫病在線診斷難、主動防控能力弱、生產一線獸藥資源嚴重短缺等突出問題,面向豬、雞等主要畜禽品種日常管理中巡檢、診斷、防疫關鍵環節的實際作業需求,重點研究畜禽舍復雜場景主動感知與理解、畜禽特征聲音智能識別、多模畜禽行為識別與智能融合、監測路徑自主規劃實時精準定位等關鍵技術,研發智能巡檢系統,實現亞健康和發病初期畜禽智能診斷;研究多源畜禽 疫病知識圖譜構建與學習、智能描述與生成、知識發現與決策、知識演化與推理、多媒體信息理解的人機對話等關鍵技術,研發智慧獸醫系統,實現畜禽疾病高精度在線智能診斷;研究自主無人系統計算架構、面向復雜環境的適應性智能導航、智能變量高效噴霧消毒控制等關鍵技術,研發畜禽免疫消毒系統,實現畜禽舍日常免疫的自主無人作業。

          考核指標:實現肉(蛋)雞滑液囊支原體、新城疫、禽流行性感冒-H5 等不少于 30 種常見禽類疾病以及豬只豬瘟、藍耳病、口蹄疫等不少于 10 種常見畜類疫病的在線智能診斷,診斷準確率 90%以上,響應時間達到秒級,通過智慧獸醫云服務平臺覆蓋規模累計不少于 4 億只雞、2000 萬頭豬;突破環境信息、行為信息、視頻信息、聲音信息的智能移動監測和數據融合方法,疫病預警預報準確率達 95%以上,定位精度小于 0.5 米,實時感知能力達到秒級;實現畜禽舍免疫噴霧作業控制精度 95%以上,直線導航精度±20mm,節約日常免疫消毒人力投入 80%以上;形成不少于 3 項畜禽疫病智能診斷標準。

          申報說明:本任務擬支持項目數不超過 2 項。


          4. 人工智能提升社會綜合治理能力創新應用

          4.1 新冠肺炎疫情等公共衛生事件的智能流調研究

          研究內容:研究融合智能語音、視覺、文本等多模態數據的 流調自主交互技術,研究流調要素交互式可視化和流調知識個性 化嵌入方法,支持多類型移動終端部署,實現調查對象主訴方式 的無接觸式信息收集,替代現有紙筆記錄信息模式;研究基于機 器學習的自然語言處理、人機連續問答等技術,研究關鍵公共衛 生事件識別、流調主訴對象信息表征與場景關聯分析、流調問答 模板輔助生成等技術,支持流調信息結構化智能解析,實現疫情信息自動化匯集和疫情信息溯源;研究基于區塊鏈和聯邦學習的 模型級流調數據隱私保護技術,監控流調數據采集和生成疫情偵 測預警報告全流程,實現疫情信息共享安全;研發智能流調輔助 系統,提供多類型終端的可視化自主交互功能,實現流調報告的自動撰寫和摘要生成。

          考核指標:構建面向信息抽取、自動問答、可信度評估等公共衛生事件流調機器學習模型 10 種以上;構造智能流調輔助系統,系統支持語音、視覺等不少于三種無接觸式調查對象信息采集方式,智能感知采集準確率不低于 98%,效率提高 50%以上,并形成流調產品;支持在移動終端和電腦端自動生成個案調查表和流行病學調查報告,實現電子化流調全程管理;系統支持基于流調和生命體征等多模態信息,形成人員接觸、行蹤、接觸環境圖譜,實現快速追蹤流溯源;在一家以上省級疾控中心穩定使用半年以上并形成規?;髡{數據。

          申報說明:本任務擬支持項目數不超過 2 項。


          4.2 全球重大突發傳染病智能化主動監測預警系統

          研究內容:針對全球應對公共衛生突發事件存在的信息源 散、感知慢和決策難等問題,研究基于區塊鏈的可信公共衛生大 數據共享關聯方法,匯聚跨界多源數據,構建公共衛生和流行病 學的知識圖譜,探索突發傳染病的實時主動感知與監測方法;研究公共衛生異常事件檢測、突發傳染病的時空聚集模式挖掘方法, 構建支持自適應學習的傳染病早期暴發時空異常預警模型;研究面向傳染病實時態勢長周期時序建模的預報方法,實現傳染病在時間、空間與人群間的實時態勢評估、風險分級和多級預警;研制流式和圖式大數據處理系統,建立突發傳染病的主動實時監測、 風險研判、早期預警、態勢預報的技術平臺,增強國家應對全球重大傳染病風險的全面感知與預警能力。

          考核指標:匯聚不少于億級規模的跨界多源傳染病監測數 據;傳染病早期預警模型具有跨域遷移能力,具有突發傳染病知 識的自動獲取和在線更新能力,預警模型早期預警在 2 周內,有效時間窗口覆蓋率超過 80%,預警模型的靈敏度超過 98%,特異度超過 70%;建立評估社區或城市疫情風險的指標體系,包括確定性和概率型指標不少于 10 個;研制面向全球重大突發傳染病的主動監測預警和態勢預測平臺,建立日?;O測預警系統,并 在 2 個單位進行試點應用。


          4.3 面向重大突發事件的智能應急物資物流調配技術及應用

          研究內容:針對重大突發事件的應急物資儲備調配、物流 運輸和供應鏈協同等重大需求,研究基于復雜系統耦合機制的突發事件風險傳遞和級聯突變機理,提出應急物資物流倉儲調配保障體系應對風險的彈性評估模型;研究面向應急物資需求特征的動態智能物流供應保障模型,提出演化協同情景推演和智能預測分析算法;研究應急物資供應鏈協同體系和物流網絡架構,構建基于可信演化調度模型的應急物資處置方案生成和智能持續優化模型;研究基于群智感知的應急供應鏈實時監測和物流優化調度方法,支持面向應急物資保障的供應鏈協同智能重構和遞進優化方法;研究融合社會、生產與物流等多維度數據的應急物資全流程供應鏈協同管理調度平臺體系架構,構建相應的風險監視、感知預警、應急規劃、物流調配、供應鏈績效動態評價的智能決策系統。

          考核指標:構建面向重大突發公共衛生事件的應急物資調配和供應鏈保障智能分析和決策系統,實現日處理數據量達 1 億級別以上的智能物流協同調配高效優化算法平臺。開發面向航空、鐵路和公路等運輸形式實現 8 種以上關鍵應急物資物流智能調配決策算法,能有效處理 1000 個以上物流節點和 10 萬個以上并發物流載體的優化配置,實現生產、流通和使用全流程的可信智能應急物資供應鏈應用支持系統,并聯合國家級重大公共衛生事件相關應急機構開展驗證。


        本項目統計信息

        • 最近一批資助企業數量

          -

        • 最近一批資助總金額

          -

        • 最近一批資助單筆最高

          -

        查看項目詳情 >>

        亚洲av在线,婷婷丁香五月,久热香蕉在线视频免费,亚洲性视频,欧美色视频日本片免费