部屬各高校、部屬相關(guān)單位，部機(jī)關(guān)相關(guān)司局：

現(xiàn)將《科技部關(guān)于發(fā)布科技創(chuàng)新2030—“新一代人工智能”重大項(xiàng)目2021年度項(xiàng)目申報(bào)指南的通知》（國科發(fā)資〔2021〕191號）轉(zhuǎn)發(fā)你單位（申報(bào)指南全文詳見國家科技管理信息系統(tǒng)公共服務(wù)平臺網(wǎng)站http://service.most.gov.cn）。

請你單位按照指南要求，認(rèn)真組織開展項(xiàng)目申報(bào)及推薦工作。擬申報(bào)項(xiàng)目需內(nèi)容合理、材料齊備，并經(jīng)審核后，于8月20日前將書面推薦函及申報(bào)材料電子版報(bào)送我司。

為落實(shí)《新一代人工智能發(fā)展規(guī)劃》，啟動實(shí)施科技創(chuàng)新 2030 —“新一代人工智能”重大項(xiàng)目。根據(jù)重大項(xiàng)目實(shí)施方案的部署，科技部組織編制了 2021 年度項(xiàng)目申報(bào)指南。

本重大項(xiàng)目的總體目標(biāo)是：以推動人工智能技術(shù)持續(xù)創(chuàng)新和與經(jīng)濟(jì)社會深度融合為主線，按照并跑、領(lǐng)跑兩步走戰(zhàn)略，圍繞大數(shù)據(jù)智能、跨媒體智能、群體智能、混合增強(qiáng)智能、自主智能系統(tǒng)等五大方向持續(xù)攻關(guān)，從基礎(chǔ)理論、支撐體系、關(guān)鍵技術(shù)、創(chuàng)新應(yīng)用四個層面構(gòu)筑知識群、技術(shù)群和產(chǎn)品群的生態(tài)環(huán)境，搶占人工智能技術(shù)制高點(diǎn)，妥善應(yīng)對可能帶來的新問題和新挑戰(zhàn)，促進(jìn)大眾創(chuàng)業(yè)萬眾創(chuàng)新，使人工智能成為智能經(jīng)濟(jì)社會發(fā)展的強(qiáng)大引擎。

2021 年度項(xiàng)目申報(bào)指南在新一代人工智能基礎(chǔ)理論、新一代人工智能基礎(chǔ)軟硬件支撐體系、人工智能提高經(jīng)濟(jì)社會發(fā)展水平創(chuàng)新應(yīng)用、人工智能提升社會綜合治理能力創(chuàng)新應(yīng)用等 4 個技術(shù)方向啟動 21 個研究任務(wù)，擬安排國撥經(jīng)費(fèi)概算 5.34 億元。項(xiàng)目鼓勵充分發(fā)揮地方和市場作用，強(qiáng)化產(chǎn)學(xué)研用緊密結(jié)合，調(diào)動社會資源投入新一代人工智能研發(fā)。指南技術(shù)方向“2.新一代人工智能基礎(chǔ)軟硬件支撐體系”“3.人工智能提高經(jīng)濟(jì)社會發(fā)展水平創(chuàng)新應(yīng)用”和“4.人工智能提升社會綜合治理能力創(chuàng)新應(yīng)用”所屬任務(wù)的項(xiàng)目（任務(wù) 3.6、3.7 除外），配套經(jīng)費(fèi)與國撥經(jīng)費(fèi)比例不低于 2:1；其中，任務(wù) 3.6“農(nóng)業(yè)智能知識服務(wù)平臺”、任務(wù) 3.7“典型畜禽疫病智能診斷與主動防控系統(tǒng)”的項(xiàng)目配套經(jīng)費(fèi)與國撥經(jīng)費(fèi)比例不低于 4:1。

各研究任務(wù)要求以項(xiàng)目為單元整體組織申報(bào)，項(xiàng)目須覆蓋所申報(bào)指南方向二級標(biāo)題（例如：1.1）下的所有研究內(nèi)容并實(shí)現(xiàn)對應(yīng)的研究目標(biāo)。除特殊說明外，各研究任務(wù)擬支持項(xiàng)目數(shù)均為 1~2項(xiàng)，每個項(xiàng)目下設(shè)課題數(shù)不超過 5 個，所含參研單位總數(shù)不超過10 家，實(shí)施周期為 3~5 年。項(xiàng)目設(shè) 1 名項(xiàng)目負(fù)責(zé)人，項(xiàng)目中的每個課題設(shè) 1 名課題負(fù)責(zé)人?；A(chǔ)理論部分研究任務(wù) 1.1—1.3 的申報(bào)要求詳見具體申報(bào)說明。

指南中“擬支持項(xiàng)目數(shù)為 1~2 項(xiàng)”是指：在同一研究方向下，當(dāng)出現(xiàn)申報(bào)項(xiàng)目評審結(jié)果前兩位評分評價(jià)相近、技術(shù)路線明顯不同的情況時，可同時支持這 2 個項(xiàng)目。2 個項(xiàng)目將采取分兩個階段支持的方式。建立動態(tài)調(diào)整機(jī)制，第一階段完成后將對 2 個項(xiàng)目執(zhí)行情況進(jìn)行評估，根據(jù)評估結(jié)果確定后續(xù)支持方式。

1. 新一代人工智能基礎(chǔ)理論

1.1 因果推理與決策理論模型研究

研究內(nèi)容：研究面向跨媒體數(shù)據(jù)的因果關(guān)系發(fā)現(xiàn)方法，構(gòu)建數(shù)據(jù)驅(qū)動的因果網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)理論，支持因果輔助下決策判斷；研究基于因果關(guān)聯(lián)的決策理論和反事實(shí)推斷方法，構(gòu)建因果強(qiáng)化學(xué)習(xí)框架，刻畫環(huán)境、動作和激勵之間的多層因果關(guān)聯(lián)與耦合，形成知識引導(dǎo)、數(shù)據(jù)驅(qū)動和行為探索相結(jié)合的因果推理和反事實(shí)推理基礎(chǔ)模型和算法；研究基于因果的機(jī)器學(xué)習(xí)泛化理論和可解釋性框架，提出基于因果的去除偽關(guān)聯(lián)表征學(xué)習(xí)機(jī)理，突破模型泛化瓶頸問題，提升模型系統(tǒng)的安全性、魯棒性及可解釋性。

考核指標(biāo)：提出基于因果推理和決策的新方法和新模型，實(shí)現(xiàn)包括因果發(fā)現(xiàn)、因果遷移學(xué)習(xí)、因果強(qiáng)化決策、反事實(shí)推理在內(nèi)的綜合因果智能開源框架；提出深度模型中因果關(guān)聯(lián)的評價(jià)分析方法，降低對數(shù)據(jù)獨(dú)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(guī)模場景中驗(yàn)證深度學(xué)習(xí)方法的因果推理和決策能力；開源數(shù)據(jù)、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(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 4 項(xiàng)，每個項(xiàng)目下設(shè)課題數(shù)不超過 2 個，所含參研單位總數(shù)不超過 2 家。

1.2 連續(xù)學(xué)習(xí)理論和方法

研究內(nèi)容：針對智能機(jī)器學(xué)習(xí)中數(shù)據(jù)稀缺、關(guān)聯(lián)維度高和異常識別弱等問題，研究基于多源異構(gòu)數(shù)據(jù)的知識聯(lián)邦建模、表征、蒸餾、合成、遷移、推理和決策的連續(xù)學(xué)習(xí)理論及模型；構(gòu)建從小樣本和零樣本中進(jìn)行結(jié)構(gòu)辨識和挖掘的模型，支持模型對不規(guī)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(dá)和更新方法，構(gòu)建機(jī)器智能自主式持續(xù)學(xué)習(xí)和能力成長模型，探索人在回路的智能理論方法；構(gòu)建連續(xù)學(xué)習(xí)能力評估體系和相應(yīng)測試手段。

考核指標(biāo)：研究建立針對知識和數(shù)據(jù)相融合的連續(xù)學(xué)習(xí)理論和模型；圍繞不少于 3 個具有代表性任務(wù)場景，構(gòu)建基準(zhǔn)測試數(shù)據(jù)集；實(shí)現(xiàn)零樣本和小樣本學(xué)習(xí)，學(xué)習(xí)方法魯棒可靠和可驗(yàn)證；實(shí)現(xiàn)連續(xù)學(xué)習(xí)過程中知識穩(wěn)定增擴(kuò)；開源學(xué)習(xí)數(shù)據(jù)、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(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 4 項(xiàng)，每個項(xiàng)目下設(shè)

課題數(shù)不超過 2 個，所含參研單位總數(shù)不超過 2 家。

1.3 復(fù)雜動態(tài)系統(tǒng)智能理論與方法

研究內(nèi)容：針對復(fù)雜系統(tǒng)所蘊(yùn)含的動力學(xué)機(jī)制及豐富邏輯關(guān)系和隱性關(guān)聯(lián)結(jié)構(gòu)，研究刻畫此類系統(tǒng)特點(diǎn)的表征模型及建模機(jī)制；提出多重知識結(jié)構(gòu)支持下自組織涌現(xiàn)動力學(xué)分析理論方法，建立融合先驗(yàn)知識的智能感知模型，實(shí)現(xiàn)未知環(huán)境自適應(yīng)學(xué)習(xí)；研究非線性內(nèi)嵌規(guī)律與演化行為的多重知識表達(dá)方法，提出適用于復(fù)雜動態(tài)過程的學(xué)習(xí)理論，建立面向復(fù)雜系統(tǒng)演化的自主決策模型；研究基于復(fù)雜行為演進(jìn)的動態(tài)調(diào)控策略，探索智能模型感知和應(yīng)對環(huán)境變化的系統(tǒng)穩(wěn)定性和自適應(yīng)性，發(fā)展局部性特征和全局性動態(tài)相互結(jié)合的智能理論框架。

考核指標(biāo)：提出具備環(huán)境感知、知識學(xué)習(xí)、經(jīng)驗(yàn)反饋等特點(diǎn)的復(fù)雜系統(tǒng)理論和方法，建立刻畫復(fù)雜動態(tài)系統(tǒng)的動力學(xué)模型，研制包含數(shù)據(jù)感知、行為分析、知識學(xué)習(xí)及經(jīng)驗(yàn)反饋的算法與模型庫；選擇不少于 2 個復(fù)雜智能系統(tǒng)應(yīng)用領(lǐng)域驗(yàn)證相關(guān)理論和方法的有效性；開源數(shù)據(jù)、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(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 4 項(xiàng)，每個項(xiàng)目下設(shè)課題數(shù)不超過 2 個，所含參研單位總數(shù)不超過 2 家。

2. 新一代人工智能基礎(chǔ)軟硬件支撐體系

2.1 大規(guī)模分布式神經(jīng)網(wǎng)絡(luò)通用智能計(jì)算芯片

研究內(nèi)容：以大規(guī)模多類神經(jīng)網(wǎng)絡(luò)分布式訓(xùn)練需求為牽引，研究訪存密集型和計(jì)算密集混合的智能計(jì)算范式，設(shè)計(jì)高能效可擴(kuò)展智能計(jì)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(guī)模動態(tài)圖網(wǎng)絡(luò)高效表征學(xué)習(xí)方法和高效訓(xùn)練范式，解決計(jì)算時序和通信容量等問題，滿足大規(guī)模分布式人工智能訓(xùn)練要求；研究新型智能計(jì)算體系結(jié)

構(gòu)、內(nèi)存子系統(tǒng)、編程和編譯框架等配套基礎(chǔ)軟件和工具鏈，研

究高端系統(tǒng)級封裝技術(shù)。

考核指標(biāo)：支持包括 PaddlePaddle 和 MindSpore 在內(nèi)的 4 種以上主流開源框架；支持大規(guī)模動態(tài)表征學(xué)習(xí)架構(gòu)和訓(xùn)練范式，在典型應(yīng)用場景下提升表征性能 50%以上和訓(xùn)練效率 3 倍以上；支持訪存密集+計(jì)算密集混合的智能計(jì)算芯片，相對最新CPU-GPU 混合架構(gòu)能效提升 100 倍以上；新型內(nèi)存子系統(tǒng)針對大規(guī)模嵌入表或圖數(shù)據(jù)的稀疏查詢和匯聚，相對最新的 CPU 內(nèi)存系統(tǒng)能效提升 10 倍；構(gòu)建自主編程和編譯框架等基礎(chǔ)軟件和工具鏈，相對主流開源方案具有明顯優(yōu)勢，配套上述芯片系統(tǒng)；研制的智能計(jì)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(zhí)行；支持不低于 8 卡和 128 節(jié)點(diǎn)的大規(guī)模芯片互連下的分布式訓(xùn)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(diǎn)性能不低于 400 TFLOPS，16 位浮點(diǎn)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(nèi)容：面向物聯(lián)網(wǎng)、智能無人系統(tǒng)中傳感器智能化、小型化的迫切需求，研發(fā)集成傳感—存儲—計(jì)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(tǒng)；研究融合傳感器陣列與模數(shù)轉(zhuǎn)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(jì)算單元及其硅基工藝實(shí)現(xiàn)；研究支持信號處理和神經(jīng)網(wǎng)絡(luò)的可重構(gòu)架構(gòu)技術(shù)，研究面向芯粒（Chiplet）集成的先進(jìn)封裝技術(shù)；完成面向典型智能感知場景的應(yīng)用驗(yàn)證。

考核指標(biāo)：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(shù)轉(zhuǎn)換與模擬計(jì)算，等效轉(zhuǎn)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(jì)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(nèi)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(biāo)識別、碰撞預(yù)測等典型智能感知任務(wù)。

2.3 自主無人系統(tǒng)標(biāo)準(zhǔn)化流式智能計(jì)算單元

研究內(nèi)容：面向多場景、多應(yīng)用、多安全級別等自主無人系統(tǒng)需求，研究提供具有產(chǎn)業(yè)競爭力的高效自主可控的標(biāo)準(zhǔn)化流式智能計(jì)算單元設(shè)計(jì)；研究可無縫接入各類智能感知設(shè)備及相關(guān)智能場景、對海量智能感知設(shè)備的端數(shù)據(jù)進(jìn)行流式算存的智能計(jì)算處理機(jī)制，提供最簡、完備和高效的智能處理和存儲功能，減少數(shù)據(jù)傳輸及云端智能處理的算力壓力；研究基于國產(chǎn)芯片、操作系統(tǒng)、編程框架、基礎(chǔ)算法庫的智能計(jì)算單元，高效支撐智能計(jì)算在各個領(lǐng)域的應(yīng)用。

考核指標(biāo)：自主可控標(biāo)準(zhǔn)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(yīng)用，接口標(biāo)準(zhǔn)化，并提供模型加密安全特性。產(chǎn)出基于先進(jìn)工藝的端側(cè)核心芯片，峰值能效達(dá)到 1000TOPS/W，峰值性能超過 50TOPS。

2.4 自主無人系統(tǒng)的開放通用高端智能控制器

研究內(nèi)容：研究通用高端智能控制器的開放智能體系結(jié)構(gòu)、基于實(shí)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(tǒng)中間件；研究自主學(xué)習(xí)訓(xùn)練器的可編程組態(tài)方法、基于多傳感器信息融合的環(huán)境感知、以及基于傳感信息反饋的反應(yīng)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(tǒng)對智能控制系統(tǒng)開放式硬件環(huán)境需求，研制具備自主知識產(chǎn)權(quán)的開放通用高端智能控制器，為各類自主無人系統(tǒng)研制與應(yīng)用提供關(guān)鍵軟硬件支撐。

考核指標(biāo)：制定開放式通用高端智能控制器的開放智能體系結(jié)構(gòu)規(guī)范；智能控制器至少具有 5 個宿主結(jié)點(diǎn)的組網(wǎng)能力，結(jié)點(diǎn)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(yùn)動、姿態(tài)、觸覺、視覺、全局定位與環(huán)境的感知能力，能夠完成自主避障、自主跟隨領(lǐng)航員、局部自主運(yùn)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(gòu)自主無人系統(tǒng)中得到應(yīng)用。

2.5 大規(guī)模多智能體強(qiáng)化學(xué)習(xí)訓(xùn)練和評估技術(shù)

研究內(nèi)容：針對大規(guī)模多智能體學(xué)習(xí)樣本采樣效率低、訓(xùn)練不收斂、算力需求大、有效評估指標(biāo)缺乏等問題，研究多智能體交互機(jī)制、數(shù)據(jù)驅(qū)動的人機(jī)協(xié)同等理論；研究實(shí)現(xiàn)多智能體的協(xié)同與共享、評估與演化、人機(jī)整合與增強(qiáng)、自我維持與安全交互等技術(shù)；研制高并發(fā)性、高效率、高魯棒性的大規(guī)模多智能體強(qiáng)化學(xué)習(xí)計(jì)算平臺；研究加快多智能體博弈關(guān)鍵技術(shù)在現(xiàn)實(shí)任務(wù)應(yīng)用的工程方法。

考核指標(biāo)：建立支持大規(guī)模智能體仿真、訓(xùn)練和評估系統(tǒng)，支持在 3 個以上復(fù)雜任務(wù)場景進(jìn)行不少于 1000 個智能體的強(qiáng)化學(xué)習(xí)訓(xùn)練和執(zhí)行，并支持異構(gòu)智能體的分組、分層控制；提出一套多智能體分布式學(xué)習(xí)框架，在同等算力下進(jìn)行 2 個以上游戲自對弈測試，運(yùn)行效率超過主流強(qiáng)化學(xué)習(xí)框架（如 RLlib、PyMARL等）10%以上；在交通控制、智能電網(wǎng)、智能物流等領(lǐng)域進(jìn)行技術(shù)驗(yàn)證和應(yīng)用。

2.6 數(shù)據(jù)安全與隱私保護(hù)下的機(jī)器學(xué)習(xí)技術(shù)

研究內(nèi)容：針對人工智能應(yīng)用中隱私信息保護(hù)等問題，研究跨設(shè)備、跨場景的聯(lián)合機(jī)器學(xué)習(xí)模型；研究同態(tài)與半同態(tài)加密的隱私保護(hù)算法，建立數(shù)據(jù)驅(qū)動機(jī)器學(xué)習(xí)框架下的隱私保護(hù)方法；研究基于差分隱私保護(hù)與多方可信計(jì)算的多模型匯聚算法，構(gòu)造隱私保護(hù)下跨域遷移學(xué)習(xí)方法；研究針對網(wǎng)絡(luò)攻擊、對抗樣本與數(shù)據(jù)投毒的檢測與防御方法，突破超大規(guī)模設(shè)備規(guī)模下安全學(xué)習(xí)算法的計(jì)算加速與通信優(yōu)化難點(diǎn)。

考核指標(biāo)：支持包括 PaddlePaddle 和 MindSpore 在內(nèi)的 4 種以上主流開源框架下隱私保護(hù)方法，實(shí)現(xiàn)隱私保護(hù)前提下的安全和魯棒聯(lián)合建模，具有良好抗攻擊能力；針對隱私保護(hù)要求的跨兩個場景以上的業(yè)務(wù)，提出算法優(yōu)化和通訊優(yōu)化方法；形成安全攻擊和防護(hù)對抗體系，在 100 萬設(shè)備終端規(guī)模上，算法與通信效率滿足實(shí)際需求并示范應(yīng)用。

2.7 基于人機(jī)協(xié)作的復(fù)雜智能軟件系統(tǒng)構(gòu)造與演化技術(shù)研究內(nèi)容：

針對復(fù)雜智能軟件系統(tǒng)呈現(xiàn)的人機(jī)耦合、智能驅(qū)動等趨勢，研究面向此類系統(tǒng)的人類智能和機(jī)器智能融合演化理論模型，研究人—機(jī)智能互補(bǔ)融合、持續(xù)提升機(jī)制，建立人機(jī)協(xié)作驅(qū)動的復(fù)雜智能軟件系統(tǒng)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(gòu)，突破基于人機(jī)協(xié)作的智能模型和軟件代碼的自動構(gòu)造、測試用例自動生成及持續(xù)優(yōu)化方法，研究軟件制品的精準(zhǔn)檢索推薦，支持復(fù)雜智能軟件的快速構(gòu)建；研究基于微服務(wù)的智能模型構(gòu)件化方法，研究大規(guī)模智能構(gòu)件的智能適配與動態(tài)互聯(lián)技術(shù)，突破面向復(fù)雜智能軟件系統(tǒng)的開發(fā)、部署與優(yōu)化一體化方法；建立復(fù)雜智能軟件系統(tǒng)持續(xù)構(gòu)造演化支撐環(huán)境，面向新一代人工智能軟件系統(tǒng)開展應(yīng)用示范?？己四繕?biāo)：構(gòu)建面向復(fù)雜智能軟件系統(tǒng)的人機(jī)協(xié)作驅(qū)動演化環(huán)境，支持不少于 2 種人機(jī)協(xié)作模式，支持代碼總規(guī)模達(dá)千萬行以上，實(shí)現(xiàn)系統(tǒng)的智能化設(shè)計(jì)開發(fā)、運(yùn)行監(jiān)測與持續(xù)演進(jìn)，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(zhǔn)確率不低于 90%，在不少于 3 個典型領(lǐng)域任務(wù)上實(shí)現(xiàn)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(guān)鍵技術(shù)在人工智能開源平臺等復(fù)雜軟件系統(tǒng)上進(jìn)行驗(yàn)證。

2.8 跨域異質(zhì)分布式學(xué)習(xí)和推理系統(tǒng)

研究內(nèi)容：針對分布式環(huán)境下機(jī)器學(xué)習(xí)任務(wù)場景，突破跨域分布式學(xué)習(xí)難點(diǎn)問題，提出跨域大規(guī)模分布式人工智能架構(gòu)；研發(fā)以人工智能芯片為核心的具有可變拓?fù)涞能浻布w系結(jié)構(gòu)和接口適配標(biāo)準(zhǔn)，以應(yīng)對分布式學(xué)習(xí)中對軟硬件協(xié)同的要求；研究高帶寬多源異構(gòu)數(shù)據(jù)的實(shí)時輸入問題，滿足云—邊—端一體化協(xié)同處理；研究弱連接環(huán)境下異構(gòu)多源分布式數(shù)據(jù)可靠傳輸與互連，實(shí)現(xiàn)大規(guī)模分布式模型訓(xùn)練和持續(xù)場景優(yōu)化；提出跨機(jī)構(gòu)的數(shù)據(jù)安全共享機(jī)制，在端與端數(shù)據(jù)隔離情況下實(shí)現(xiàn)模型訓(xùn)練和迭代更新；研究適合在邊緣端運(yùn)行的高性能、低功耗人工智能應(yīng)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(xué)習(xí)推理評測體系和標(biāo)準(zhǔn)等。

考核指標(biāo)：完成以國產(chǎn)人工智能芯片為核心的分布式機(jī)器學(xué)習(xí)系統(tǒng)，支持不少于 3 種國產(chǎn)人工智能芯片。支持包括 PaddlePaddle和 MindSpore 在內(nèi)的 4 種以上主流開源框架，支持云際計(jì)算、云—邊—端等多種分布式學(xué)習(xí)架構(gòu)；云端整機(jī)性能達(dá)到同期國際先進(jìn)水平，單機(jī) 32 位浮點(diǎn)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(guī)模的聯(lián)邦智能網(wǎng)絡(luò)節(jié)點(diǎn)擴(kuò)展能力；建立并開源開放分布式機(jī)器學(xué)習(xí)測例及基準(zhǔn)，在計(jì)算機(jī)視覺、語音識別和自然語言理解等領(lǐng)域形成規(guī)模化應(yīng)用示范。

3. 人工智能提高經(jīng)濟(jì)社會發(fā)展水平創(chuàng)新應(yīng)用

3.1 面向模擬集成電路版圖自動優(yōu)化的人工智能 EDA

研究內(nèi)容：面向模擬集成電路物理版圖自動化設(shè)計(jì)，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(shè)計(jì)方法研究，重點(diǎn)突破基于 AI 的版圖約束提取技術(shù)、模擬電路模塊版圖生成技術(shù)、模擬電路布局布線技術(shù)、仿真器矩陣求解技術(shù)以及仿真器步長控制技術(shù)，建立模擬集成電路從設(shè)計(jì)輸入、約束提取與生成、智能尋優(yōu)計(jì)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(chǔ)上，實(shí)現(xiàn)模擬集成電路版圖智能化重載 EDA 系統(tǒng)。

考核指標(biāo)：智能化重載方法覆蓋模擬集成電路、數(shù)?；旌霞呻娐泛蜕漕l集成電路并形成產(chǎn)品；基于 AI 的約束提取方法，準(zhǔn)確率較傳統(tǒng)的 SDL(Schematic Driven Layout)方法提高 10%以上，誤報(bào)率降低 50%以上；基于 AI 的版圖生成和布局布線技術(shù)，設(shè)計(jì)效率較傳統(tǒng)的 EDA 技術(shù)提升 10%以上；基于 AI 的仿真器矩陣求解技術(shù)智能預(yù)測準(zhǔn)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(shù)減少 80%以上的時間點(diǎn)回退；基于 AI 的模擬集成電路設(shè)計(jì) EDA 工具實(shí)現(xiàn)示范應(yīng)用，支持典型應(yīng)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(shè)計(jì)流片，支持的電路規(guī)模不低于 5000 個晶體管。

申報(bào)說明：本任務(wù)需由具有 EDA 產(chǎn)品能力的單位牽頭申報(bào)，聯(lián)合國內(nèi)產(chǎn)學(xué)研優(yōu)勢單位組織實(shí)施。

3.2 面向數(shù)字集成電路設(shè)計(jì)的人工智能 EDA

研究內(nèi)容：面向集成電路規(guī)模呈指數(shù)級增長對 EDA 工具的高效化需求，研究應(yīng)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(yōu)化技術(shù)。重點(diǎn)突破基于貝葉斯優(yōu)化的設(shè)計(jì)空間探索技術(shù)、基于分類學(xué)習(xí)的多引擎邏輯優(yōu)化技術(shù)、基于非監(jiān)督學(xué)習(xí)的版圖驅(qū)動邏輯綜合技術(shù)、融合圖神經(jīng)網(wǎng)絡(luò)的時序功耗擁塞預(yù)測模型技術(shù)、融合機(jī)器學(xué)習(xí)的大規(guī)模稀疏線性矩陣求解技術(shù)。實(shí)現(xiàn)上述技術(shù)基礎(chǔ)與國產(chǎn) EDA 工具的集成，完成應(yīng)用驗(yàn)證。

考核指標(biāo)：圍繞上述研究內(nèi)容和具體場景需求，形成數(shù)據(jù)建模和分析方法、關(guān)鍵模型和算法突破的理論成果，形成可驗(yàn)證的集成 AI 技術(shù)的新一代 EDA 工具產(chǎn)品。在多個工藝節(jié)點(diǎn)（7nm、14nm、28nm、32nm）完成應(yīng)用驗(yàn)證。設(shè)計(jì)空間探索在典型人工優(yōu)化后的處理器芯片架構(gòu)上持續(xù)優(yōu)化可獲得10%以上的PPA綜合收益；針對千萬級單元規(guī)模的設(shè)計(jì)，布局擁塞預(yù)測模型在布局階段可達(dá)到85%以上的預(yù)測精度，時序模型技術(shù)獲得5%以上的PPA綜合收益；融合機(jī)器學(xué)習(xí)的大規(guī)模稀疏線性矩陣求解技術(shù)處理功耗分析問題，可以獲得 30%以上計(jì)算效率提升。申報(bào)說明：本任務(wù)需由具有 EDA 產(chǎn)品能力的單位牽頭申報(bào)，聯(lián)合國內(nèi)產(chǎn)學(xué)研優(yōu)勢單位組織實(shí)施。

3.3 模型驅(qū)動的工業(yè)算法與優(yōu)化求解

研究內(nèi)容：針對以智能設(shè)計(jì)、優(yōu)化、規(guī)劃、制造為代表的典型工業(yè)問題中數(shù)據(jù)和模型高度融合迫切需求，設(shè)計(jì)數(shù)理模型驅(qū)動的工業(yè)算法優(yōu)化求解器，研究相應(yīng)的數(shù)理模型作用原理、計(jì)算效率、數(shù)值精度與穩(wěn)定性等核心問題；研究面向典型工業(yè)領(lǐng)域設(shè)計(jì)、制造與優(yōu)化模式的深度融合問題，研究工業(yè)算法與優(yōu)化求解器的軟硬件智能匹配方法，融合多目標(biāo)優(yōu)化機(jī)制，開展新型算法求解器的一體化研發(fā)；研究面向智能設(shè)計(jì)建模的高速高精度優(yōu)化、智能規(guī)劃與制造的高效加工與高可靠驗(yàn)證方法，建立數(shù)理模型與工業(yè)數(shù)據(jù)相互協(xié)調(diào)驅(qū)動的智能加工核心算法庫；針對特定幾何物理信息，開發(fā)模型高效高精度檢測、幾何結(jié)構(gòu)多指標(biāo)優(yōu)化、多軸數(shù)控加工規(guī)劃、高精度數(shù)控插補(bǔ)等智能算法與高效求解器，實(shí)現(xiàn)基于工業(yè)大數(shù)據(jù)和深度學(xué)習(xí)的加工參數(shù)驗(yàn)證與優(yōu)化。

考核指標(biāo)：形成上述領(lǐng)域自主可控的工業(yè)軟件產(chǎn)品，算法效率等較現(xiàn)有主流產(chǎn)品提升 10%以上；建立面向制造與加工度量的工業(yè)算法—優(yōu)化求解器一體化框架，開發(fā)模型驅(qū)動的網(wǎng)格和樣條建模等核心算法工業(yè)求解器。在智能設(shè)計(jì)建模方面，開發(fā)相應(yīng)軟件模塊，需在不少于 1000 個實(shí)例上驗(yàn)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(guī)劃方面，搭建數(shù)理模型與大數(shù)據(jù)耦合驅(qū)動的高質(zhì)量制造規(guī)劃軟件框架，實(shí)現(xiàn)幾何物理信息驅(qū)動的數(shù)控軌跡規(guī)劃算法的工業(yè)求解器，相比傳統(tǒng) CAM方法，算法編程效率提升大于 10%。針對上述工業(yè)算法，搭建樣機(jī)測試軟硬件協(xié)作能力與算法有效性，在諸如航空發(fā)動機(jī)葉片、燃?xì)鉁u輪、高端模具等典型應(yīng)用領(lǐng)域開展不少于 3 個場景應(yīng)用，形成具有自主知識產(chǎn)權(quán)的先進(jìn)工業(yè)軟硬件應(yīng)用平臺。

3.4 人機(jī)融合醫(yī)療會診關(guān)鍵技術(shù)與應(yīng)用

研究內(nèi)容：針對臨床診療中的復(fù)雜病情會診問題，研發(fā)能夠?qū)崿F(xiàn)醫(yī)生、患者和智能體一起進(jìn)行多方、多模態(tài)、多輪辯論和會診的理論、方法和平臺；構(gòu)建包括醫(yī)生、患者、病歷數(shù)據(jù)、醫(yī)學(xué)知識和醫(yī)學(xué)文獻(xiàn)在內(nèi)的多類型、多模態(tài)知識庫；建立面向醫(yī)學(xué)的多智能體辯論和談判的技術(shù)體系，能夠基于各種數(shù)據(jù)源自動生成診療決策的證據(jù)，研究基于正面和反面證據(jù)的沖突、融合、發(fā)現(xiàn)、信任等辯論要素，并最終形成決策；研究和開發(fā)智能體自組織和自學(xué)習(xí)功能，使智能體知識、智能和辯論能力不斷增強(qiáng)；研究和實(shí)現(xiàn)面向醫(yī)學(xué)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(yī)生之間的討論和交流。

考核指標(biāo)：針對以學(xué)科交叉為基礎(chǔ)的科室，開發(fā)醫(yī)學(xué)人工智能會診辯論的基本理論、模型、算法和工具，并進(jìn)行雙盲測試。設(shè)計(jì)并實(shí)現(xiàn)辯論型多方人機(jī)聯(lián)合會診平臺，支持特定疑難專科疾病的會診全過程，覆蓋人機(jī)聯(lián)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(shí)病歷，實(shí)現(xiàn)動態(tài)多輪辯論和協(xié)商、自動診療方案生成和解釋、及根據(jù)診后隨訪進(jìn)行復(fù)診等功能。在包括人機(jī)聯(lián)合團(tuán)隊(duì)和全醫(yī)生團(tuán)隊(duì)的雙盲實(shí)例會診考核中，前者的平均得分應(yīng)高于后者。

申報(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 4 項(xiàng)，申請者選擇 1個優(yōu)勢醫(yī)學(xué)科室申報(bào)。

3.5 標(biāo)準(zhǔn)化兒童患者模型關(guān)鍵技術(shù)與應(yīng)用

研究內(nèi)容：針對基層醫(yī)生兒科臨床能力不足、優(yōu)質(zhì)資源短缺，以及基層兒科臨床能力難以大規(guī)模高效培養(yǎng)等問題，研發(fā)和驗(yàn)證基于智能終端的虛擬標(biāo)準(zhǔn)化兒童患者模型，作為基層醫(yī)療機(jī)構(gòu)診療能力快速評估和改善的工具。構(gòu)建兒童疾病大數(shù)據(jù)庫、兒科臨床循證指南庫、兒科疾病知識圖譜，為相關(guān)技術(shù)研究提供數(shù)據(jù)支撐；基于語音交互、計(jì)算機(jī)視覺、認(rèn)知計(jì)算、虛擬現(xiàn)實(shí)等技術(shù)，創(chuàng)造醫(yī)生和虛擬患者高保真和交互式模擬診療，實(shí)現(xiàn)診療全過程患者病情演變的高度還原；分析醫(yī)生與虛擬標(biāo)準(zhǔn)化兒童患者的通信模式和實(shí)現(xiàn)過程，并根據(jù)循證醫(yī)學(xué)證據(jù)建立質(zhì)量考核標(biāo)準(zhǔn)，構(gòu)建基于虛擬標(biāo)準(zhǔn)化兒童患者的醫(yī)療能力評估體系；面向基層醫(yī)生兒科方面診療水平不足的問題，在基層醫(yī)生的規(guī)范化培訓(xùn)、臨床能力考察和提升等方面開展高效、大規(guī)模和低成本應(yīng)用。

考核指標(biāo)：研制兒童疾病標(biāo)準(zhǔn)資源云平臺，支持醫(yī)生在線協(xié)同研發(fā)審核虛擬標(biāo)準(zhǔn)化兒童患者模型；構(gòu)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(gòu)建不少于 300 例不同病情、不同復(fù)雜程度的基于智能終端的虛擬標(biāo)準(zhǔn)化兒童患者，完整覆蓋基層醫(yī)療機(jī)構(gòu)兒童常見病和多發(fā)病，對臨床知識覆蓋率大于 90%；根據(jù)醫(yī)生治療干預(yù)發(fā)生病情變化構(gòu)建的臨床真實(shí)環(huán)境，與診療過程貼合度達(dá) 95%；構(gòu)建自動匹配測試對象臨床學(xué)習(xí)資源的系統(tǒng)，建立一套適用于基層醫(yī)療機(jī)構(gòu)的醫(yī)療服務(wù)能力標(biāo)準(zhǔn)控制體系和相關(guān)疾病臨床診療能力的評估體系；在多省不少于 200 家基層醫(yī)療機(jī)構(gòu)開展隨機(jī)對照臨床試驗(yàn)，驗(yàn)證虛擬標(biāo)準(zhǔn)化兒童患者模型和系統(tǒng)的有效性、可靠性和可行性。

申報(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 2 項(xiàng)。

3.6 農(nóng)業(yè)智能知識服務(wù)平臺

研究內(nèi)容：針對經(jīng)營主體對農(nóng)情信息智能化需求，研究多源、多領(lǐng)域、長周期的農(nóng)業(yè)動植物全生命周期環(huán)境及生命特征提取與狀態(tài)識別方法；研究知識圖譜中概念、屬性和關(guān)系的動態(tài)生成與演化模式，構(gòu)建氣象、水文和農(nóng)業(yè)動植物等相互耦合的跨媒體知識圖譜，設(shè)計(jì)農(nóng)業(yè)知識眾包獲取方法，形成農(nóng)業(yè)知識迭代更新高效手段；研究多模式協(xié)同下農(nóng)情現(xiàn)象的反演模型，具備定量定性綜合預(yù)測能力；構(gòu)建面向農(nóng)業(yè)農(nóng)村場景的知識服務(wù)云，具備線上線下交互、生產(chǎn)銷售業(yè)務(wù)自適應(yīng)協(xié)同、云網(wǎng)端無縫耦合和個性化信息推薦等智能服務(wù)功能。

考核指標(biāo)：突破多源、多領(lǐng)域和長周期農(nóng)情知識獲取、知識發(fā)現(xiàn)與演化等構(gòu)建技術(shù)；建立基于事實(shí)案例知識和跨媒體知識規(guī)則不少于 2000 萬條，其中包括不少于 100 萬條跨領(lǐng)域知識；形成全國實(shí)時農(nóng)情圖片不少于 3000 萬張，農(nóng)業(yè)動植物環(huán)境及生命狀態(tài)識別準(zhǔn)確率達(dá) 95%以上；構(gòu)建全國農(nóng)業(yè)知識智能服務(wù)云平臺并支持定制不少于 1000 個縣域的農(nóng)業(yè)知識智能服務(wù)系統(tǒng)；平臺服務(wù)能力 10 億人次/年以上，需求覆蓋率達(dá) 85%以上，服務(wù)匹配準(zhǔn)確率達(dá) 85%以上，農(nóng)戶反饋滿意度達(dá)到 95%以上，平臺全天候響應(yīng)率 100%。

申報(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 2 項(xiàng)。

3.7 典型畜禽疫病智能診斷與主動防控系統(tǒng)

研究內(nèi)容：針對畜禽養(yǎng)殖過程存在的禽流感、豬藍(lán)耳病等典型疫病在線診斷難、主動防控能力弱、生產(chǎn)一線獸藥資源嚴(yán)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(guān)鍵環(huán)節(jié)的實(shí)際作業(yè)需求，重點(diǎn)研究畜禽舍復(fù)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(jiān)測路徑自主規(guī)劃實(shí)時精準(zhǔn)定位等關(guān)鍵技術(shù)，研發(fā)智能巡檢系統(tǒng)，實(shí)現(xiàn)亞健康和發(fā)病初期畜禽智能診斷；研究多源畜禽疫病知識圖譜構(gòu)建與學(xué)習(xí)、智能描述與生成、知識發(fā)現(xiàn)與決策、知識演化與推理、多媒體信息理解的人機(jī)對話等關(guān)鍵技術(shù)，研發(fā)智慧獸醫(yī)系統(tǒng)，實(shí)現(xiàn)畜禽疾病高精度在線智能診斷；研究自主無人系統(tǒng)計(jì)算架構(gòu)、面向復(fù)雜環(huán)境的適應(yīng)性智能導(dǎo)航、智能變量高效噴霧消毒控制等關(guān)鍵技術(shù)，研發(fā)畜禽免疫消毒系統(tǒng)，實(shí)現(xiàn)畜禽舍日常免疫的自主無人作業(yè)。

考核指標(biāo)：實(shí)現(xiàn)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(lán)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(zhǔn)確率 90%以上，響應(yīng)時間達(dá)到秒級，通過智慧獸醫(yī)云服務(wù)平臺覆蓋規(guī)模累計(jì)不少于 4 億只雞、2000 萬頭豬；突破環(huán)境信息、行為信息、視頻信息、聲音信息的智能移動監(jiān)測和數(shù)據(jù)融合方法，疫病預(yù)警預(yù)報(bào)準(zhǔn)確率達(dá) 95%以上，定位精度小于 0.5 米，實(shí)時感知能力達(dá)到秒級；實(shí)現(xiàn)畜禽舍免疫噴霧作業(yè)控制精度 95%以上，直線導(dǎo)航精度±20mm，節(jié)約日常免疫消毒人力投入 80%以上；形成不少于 3 項(xiàng)畜禽疫病智能診斷標(biāo)準(zhǔn)。

申報(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 2 項(xiàng)。

4. 人工智能提升社會綜合治理能力創(chuàng)新應(yīng)用

4.1 新冠肺炎疫情等公共衛(wèi)生事件的智能流調(diào)研究

研究內(nèi)容：研究融合智能語音、視覺、文本等多模態(tài)數(shù)據(jù)的流調(diào)自主交互技術(shù)，研究流調(diào)要素交互式可視化和流調(diào)知識個性化嵌入方法，支持多類型移動終端部署，實(shí)現(xiàn)調(diào)查對象主訴方式的無接觸式信息收集，替代現(xiàn)有紙筆記錄信息模式；研究基于機(jī)器學(xué)習(xí)的自然語言處理、人機(jī)連續(xù)問答等技術(shù)，研究關(guān)鍵公共衛(wèi)生事件識別、流調(diào)主訴對象信息表征與場景關(guān)聯(lián)分析、流調(diào)問答模板輔助生成等技術(shù)，支持流調(diào)信息結(jié)構(gòu)化智能解析，實(shí)現(xiàn)疫情信息自動化匯集和疫情信息溯源；研究基于區(qū)塊鏈和聯(lián)邦學(xué)習(xí)的模型級流調(diào)數(shù)據(jù)隱私保護(hù)技術(shù)，監(jiān)控流調(diào)數(shù)據(jù)采集和生成疫情偵測預(yù)警報(bào)告全流程，實(shí)現(xiàn)疫情信息共享安全；研發(fā)智能流調(diào)輔助系統(tǒng)，提供多類型終端的可視化自主交互功能，實(shí)現(xiàn)流調(diào)報(bào)告的自動撰寫和摘要生成。

考核指標(biāo)：構(gòu)建面向信息抽取、自動問答、可信度評估等公共衛(wèi)生事件流調(diào)機(jī)器學(xué)習(xí)模型 10 種以上；構(gòu)造智能流調(diào)輔助系統(tǒng)，系統(tǒng)支持語音、視覺等不少于三種無接觸式調(diào)查對象信息采集方式，智能感知采集準(zhǔn)確率不低于 98%，效率提高 50%以上，并形成流調(diào)產(chǎn)品；支持在移動終端和電腦端自動生成個案調(diào)查和流行病學(xué)調(diào)查報(bào)告，實(shí)現(xiàn)電子化流調(diào)全程管理系統(tǒng)支持基于流調(diào)和生命體征等多模態(tài)信息，形成人員接觸、行蹤、接觸環(huán)境圖譜，實(shí)現(xiàn)快速追蹤流溯源；在一家以上省級疾控中心穩(wěn)定使用半年以上并形成規(guī)?；髡{(diào)數(shù)據(jù)。

申報(bào)說明：本任務(wù)擬支持項(xiàng)目數(shù)不超過 2 項(xiàng)。

4.2 全球重大突發(fā)傳染病智能化主動監(jiān)測預(yù)警系統(tǒng)

研究內(nèi)容：針對全球應(yīng)對公共衛(wèi)生突發(fā)事件存在的信息源散、感知慢和決策難等問題，研究基于區(qū)塊鏈的可信公共衛(wèi)生大數(shù)據(jù)共享關(guān)聯(lián)方法，匯聚跨界多源數(shù)據(jù)，構(gòu)建公共衛(wèi)生和流行病學(xué)的知識圖譜，探索突發(fā)傳染病的實(shí)時主動感知與監(jiān)測方法；研究公共衛(wèi)生異常事件檢測、突發(fā)傳染病的時空聚集模式挖掘方法，構(gòu)建支持自適應(yīng)學(xué)習(xí)的傳染病早期暴發(fā)時空異常預(yù)警模型；研究面向傳染病實(shí)時態(tài)勢長周期時序建模的預(yù)報(bào)方法，實(shí)現(xiàn)傳染病在時間、空間與人群間的實(shí)時態(tài)勢評估、風(fēng)險(xiǎn)分級和多級預(yù)警；研制流式和圖式大數(shù)據(jù)處理系統(tǒng)，建立突發(fā)傳染病的主動實(shí)時監(jiān)測、風(fēng)險(xiǎn)研判、早期預(yù)警、態(tài)勢預(yù)報(bào)的技術(shù)平臺，增強(qiáng)國家應(yīng)對全球重大傳染病風(fēng)險(xiǎn)的全面感知與預(yù)警能力。

考核指標(biāo)：匯聚不少于億級規(guī)模的跨界多源傳染病監(jiān)測數(shù)據(jù)；傳染病早期預(yù)警模型具有跨域遷移能力，具有突發(fā)傳染病知識的自動獲取和在線更新能力，預(yù)警模型早期預(yù)警在 2 周內(nèi)，有效時間窗口覆蓋率超過 80%，預(yù)警模型的靈敏度超過 98%，特異度超過 70%；建立評估社區(qū)或城市疫情風(fēng)險(xiǎn)的指標(biāo)體系，包括確定性和概率型指標(biāo)不少于 10 個；研制面向全球重大突發(fā)傳染病的主動監(jiān)測預(yù)警和態(tài)勢預(yù)測平臺，建立日?；O(jiān)測預(yù)警系統(tǒng)，并在 2 個單位進(jìn)行試點(diǎn)應(yīng)用。

4.3 面向重大突發(fā)事件的智能應(yīng)急物資物流調(diào)配技術(shù)及應(yīng)用

研究內(nèi)容：針對重大突發(fā)事件的應(yīng)急物資儲備調(diào)配、物流運(yùn)輸和供應(yīng)鏈協(xié)同等重大需求，研究基于復(fù)雜系統(tǒng)耦合機(jī)制的突發(fā)事件風(fēng)險(xiǎn)傳遞和級聯(lián)突變機(jī)理，提出應(yīng)急物資物流倉儲調(diào)配保障體系應(yīng)對風(fēng)險(xiǎn)的彈性評估模型；研究面向應(yīng)急物資需求特征的動態(tài)智能物流供應(yīng)保障模型，提出演化協(xié)同情景推演和智能預(yù)測分析算法；研究應(yīng)急物資供應(yīng)鏈協(xié)同體系和物流網(wǎng)絡(luò)架構(gòu)，構(gòu)建基于可信演化調(diào)度模型的應(yīng)急物資處置方案生成和智能持續(xù)優(yōu)化模型；研究基于群智感知的應(yīng)急供應(yīng)鏈實(shí)時監(jiān)測和物流優(yōu)化調(diào)度方法，支持面向應(yīng)急物資保障的供應(yīng)鏈協(xié)同智能重構(gòu)和遞進(jìn)優(yōu)化方法；研究融合社會、生產(chǎn)與物流等多維度數(shù)據(jù)的應(yīng)急物資全流程供應(yīng)鏈協(xié)同管理調(diào)度平臺體系架構(gòu)，構(gòu)建相應(yīng)的風(fēng)險(xiǎn)監(jiān)視、感知預(yù)警、應(yīng)急規(guī)劃、物流調(diào)配、供應(yīng)鏈績效動態(tài)評價(jià)的智能決策系統(tǒng)。

考核指標(biāo)：構(gòu)建面向重大突發(fā)公共衛(wèi)生事件的應(yīng)急物資調(diào)配和供應(yīng)鏈保障智能分析和決策系統(tǒng)，實(shí)現(xiàn)日處理數(shù)據(jù)量達(dá) 1 億級別以上的智能物流協(xié)同調(diào)配高效優(yōu)化算法平臺。開發(fā)面向航空、鐵路和公路等運(yùn)輸形式實(shí)現(xiàn) 8 種以上關(guān)鍵應(yīng)急物資物流智能調(diào)配決策算法，能有效處理 1000 個以上物流節(jié)點(diǎn)和 10 萬個以上并發(fā)物流載體的優(yōu)化配置，實(shí)現(xiàn)生產(chǎn)、流通和使用全流程的可信智能應(yīng)急物資供應(yīng)鏈應(yīng)用支持系統(tǒng)，并聯(lián)合國家級重大公共衛(wèi)生事件相關(guān)應(yīng)急機(jī)構(gòu)開展驗(yàn)證。

政策來源：工業(yè)和信息化部科技司

發(fā)布時間：2021年7月19日