Jepun Peruntuk ¥32 Bilion kepada ARiSE untuk Mengintegrasikan AI dalam Keseluruhan Kitaran Penyelidikan Saintifik

31 projek dipilih untuk memikirkan semula cara sains dijalankan

Inisiatif baharu Jepun, ARiSE, akan memperuntukkan ¥32 bilion kepada penyelidikan saintifik yang menggunakan kecerdasan buatan untuk menjana hipotesis, merancang dan menjalankan eksperimen, menganalisis hasil serta menentukan perkara yang perlu dikaji seterusnya. Agensi Sains dan Teknologi Jepun (JST) memilih 31 projek daripada 203 permohonan, dengan pembiayaan meliputi kira-kira dua setengah tahun, dari Oktober 2026 hingga Mac 2029.

Pengumuman pemilihan JST pada 29 September mengesahkan bahawa 12 projek dipilih dalam kategori Sasaran Strategik dan 19 dalam kategori Antarabangsa dan Antara Disiplin. Seramai 82 penasihat terlibat dalam semakan dokumen dan temu duga. Penyelidikan dijadualkan bermula setelah kontrak dan persiapan lain selesai, bukannya secara automatik pada tarikh pengumuman.

ARiSE ialah singkatan bagi AI untuk Mereka Bentuk Semula Penerokaan Saintifik. Cita-citanya melangkaui penggunaan AI untuk memproses set data atau meringkaskan kertas saintifik. Program ini berusaha menghubungkan penaakulan digital dengan eksperimen fizikal, lalu membentuk kitaran berulang yang membolehkan hasil eksperimen membantu AI menghasilkan hipotesis dan reka bentuk yang lebih baik.

Kadar pemilihan keseluruhan ialah kira-kira 15.3%, berdasarkan 31 cadangan yang berjaya daripada 203 permohonan. Kategori Sasaran Strategik menerima 12 daripada 70 cadangan, kira-kira 17.1%, manakala kategori Antarabangsa dan Antara Disiplin menerima 19 daripada 133, kira-kira 14.3%. Angka ini menunjukkan persaingan untuk menyertai program, tetapi tidak menentukan kedudukan setiap projek atau jumlah pembiayaan yang akhirnya akan diagihkan.

Pengarah program ialah Takafumi Aoki, naib presiden eksekutif Universiti Tohoku. Sadao Kurohashi, pengarah Institut Informatik Kebangsaan (NII), menyelia kategori Sasaran Strategik. Shunichi Ueda, timbalan pengarah Pusat Projek Perisikan Termaju RIKEN, menyelia kategori Antarabangsa dan Antara Disiplin.

Strategi kebangsaan mula dibentuk

ARiSE menyusuli strategi Kementerian Pendidikan, Kebudayaan, Sukan, Sains dan Teknologi untuk menggalakkan AI bagi Sains, yang diterima pakai pada 31 Mac 2026. JST menyifatkan inisiatif itu sebagai program utama yang bertujuan menumpukan pelaburan pada bidang yang membolehkan kekuatan saintifik Jepun menghasilkan keputusan yang berdaya saing di peringkat antarabangsa, sambil menyokong kerjasama dengan penyelidik terkemuka di luar negara.

Biro Promosi Penyelidikan kementerian itu menerbitkan halaman dasar asas ARiSE pada 16 April 2026. Halaman itu memautkan dokumen dasar bersaiz 262 KB, tetapi tidak memaparkan peruntukan terperinci dokumen tersebut dalam teksnya.

Urutan daripada pembangunan dasar hingga pemilihan projek berlangsung dalam tempoh yang agak singkat:

• 31 Mac 2026: Kementerian menerima pakai dasar strategik asas untuk menggalakkan AI bagi Sains.
• 16 April 2026: Biro Promosi Penyelidikan menerbitkan halaman dasar asas ARiSE.
• 12 Mei hingga 30 Jun 2026: JST menerima cadangan penyelidikan.
• 29 September 2026: JST mengumumkan 31 projek terpilih.
• 2 Oktober 2026: Universiti Tohoku mengumumkan tiga projek yang berjaya.
• 13 Oktober 2026: JST mengadakan taklimat untuk menerangkan latar belakang inisiatif dan operasi yang dirancang.
• Mac 2029: Tempoh pembiayaan penyelidikan semasa dijadualkan berakhir.

Presiden JST Kazuhito Hashimoto berpendapat Jepun tidak mampu menandingi Amerika Syarikat dan China melalui jumlah pelaburan semata-mata. Sebaliknya, Jepun perlu menumpukan usaha pada bidang yang telah mengumpulkan data saintifik bernilai, kepakaran khusus, keupayaan eksperimen dan kepakaran robotik.

Beliau juga bimbang tentang kebergantungan. Jika penyelidik Jepun hanya menggunakan AI yang dibangunkan di luar negara, teknologi asas dan sumber pengkomputeran mungkin kekal di bawah kawalan negara lain. Oleh itu, ARiSE menggabungkan pembangunan model dalam negara dengan kerjasama antarabangsa, dan bukannya menganggap kedua-duanya sebagai pilihan yang saling bersaing.

Dua kategori pembiayaan dengan peranan berbeza

Kategori Sasaran Strategik menyokong pasukan lebih besar dalam sains bahan, sains hayat serta kemudahan dan peralatan penyelidikan berskala besar. Daripada 12 projek terpilih, enam ialah projek sains bahan, empat sains hayat dan dua melibatkan kemudahan atau peralatan berskala besar.

Projek sains bahan dibahagikan kepada tiga sasaran. Sasaran 1-1 dan 1-2 masing-masing mempunyai satu projek terpilih, dengan had pembiayaan anggaran ¥3 bilion bagi setiap projek. Sasaran 1-3 mempunyai empat projek, dengan had kira-kira ¥1 bilion setiap satu. Projek sains hayat dan kemudahan berskala besar mempunyai had anggaran ¥2 bilion bagi setiap projek. Ini ialah had pembiayaan, bukannya jumlah geran yang telah disahkan untuk setiap pasukan.

Kategori Antarabangsa dan Antara Disiplin terbuka kepada semua bidang saintifik. Kategori ini menyokong penyelidikan yang menggabungkan teori, hukum dan pengetahuan struktur saintifik ke dalam AI, dengan pembiayaan biasanya ditetapkan sebanyak ¥200 juta bagi setiap projek. Cadangan boleh memohon sehingga ¥650 juta jika perlu untuk mencapai objektifnya.

Setiap cadangan mesti menghimpunkan seorang penyelidik AI dan seorang penyelidik daripada disiplin saintifik berkaitan sebagai ketua bersama. Pasukan juga perlu merancang keperluan pengkomputeran sejak awal, menjalinkan kerjasama antarabangsa, menetapkan peraturan perkongsian dan perlindungan data serta menangani keselamatan penyelidikan. Keperluan ini menjadikan kepakaran saintifik dan perancangan infrastruktur sebahagian daripada reka bentuk penyelidikan, bukannya tambahan selepas model AI dipilih.

Data bahan menjadi platform penyelidikan bersama

Satu projek utama dalam bidang bahan bertujuan menghubungkan data bahan yang telah dikumpulkan Jepun dengan model bahasa besar domestik dan AI khusus. Data dan sumber penyelidikan yang dibangunkan berkaitan Institut Sains Bahan Kebangsaan (NIMS) dijangka membantu membina platform AI bahan kebangsaan.

Platform yang dicadangkan mempunyai beberapa lapisan yang saling berkaitan: data dan alat analisis yang disediakan untuk kegunaan AI, model asas bahan, ejen AI yang membantu penemuan dan reka bentuk, serta peralatan eksperimen termaju. Model asas ialah model yang dilatih secara meluas dan boleh menjadi titik permulaan bagi pelbagai tugasan penyelidikan. Ejen AI boleh menggunakan alat dan menyelaraskan langkah untuk mencapai objektif tertentu.

Kitaran penyelidikan yang disasarkan bermula apabila AI mencadangkan bahan atau keadaan eksperimen. Peralatan yang disambungkan kemudian menjalankan eksperimen, dan hasilnya digunakan dalam reka bentuk seterusnya. Matlamatnya adalah untuk menyediakan keupayaan ini kepada komuniti penyelidik bahan yang luas, bukan mengehadkannya kepada beberapa pasukan yang mempunyai kepakaran AI mendalam.

Tiga projek terpilih Universiti Tohoku menunjukkan bagaimana usaha kebangsaan ini berkait dengan program penyelidikan tertentu. Profesor Yu Kumagai mengetuai platform untuk membangunkan bahan pukal keras menggunakan AI, dengan profesor Goro Miyamoto dan Motoki Shiga sebagai ketua bersama penyelidikan.

Projek kedua Universiti Tohoku menumpukan penciptaan bahan magnet secara autonomi dan pemahaman mekanismenya melalui kerjasama manusia dengan AI. Projek ini diketuai Profesor Takafumi Hirohata, bersama Yuma Iwasaki dari NIMS dan Profesor Kanta Ono dari Universiti Osaka sebagai ketua bersama.

Projek ketiga Universiti Tohoku, dalam kategori Antarabangsa dan Antara Disiplin, ialah Model Dunia Tsunami. Profesor Shunichi Koshimura mengetuainya bersama Profesor Kentaro Inui dan Yuichiro Usuda dari Institut Penyelidikan Kebangsaan bagi Sains Bumi dan Ketahanan Bencana. Pemilihannya menunjukkan ARiSE melangkaui bahan makmal dan biologi, walaupun pengumuman universiti itu tidak memperincikan keupayaan yang disasarkan bagi model berkenaan.

Model genom yang belajar daripada eksperimen gagal

Program sains hayat merangkumi model bahasa genom dengan kira-kira empat bilion parameter, yang dirancang untuk meliputi tumbuhan, haiwan, manusia dan mikroorganisma. Tidak seperti model bahasa konvensional yang dilatih menggunakan perkataan, model bahasa genom mempelajari corak dalam jujukan DNA untuk menyokong penyelidikan fungsi biologi dan reka bentuk genom.

Parameter ialah nilai berangka yang dilaraskan oleh model semasa latihan. Model yang dirancang itu akan dibina berdasarkan model sedia ada yang mempunyai kira-kira tujuh bilion parameter. Angka tersebut menerangkan saiz model, bukannya bukti bahawa model baharu akan mengatasi model sebelumnya. Nilai saintifik yang disasarkan bergantung pada data biologi, eksperimen dan proses pembelajaran yang dibangunkan bersamanya.

Projek ini menggunakan kitaran Reka Bentuk, Bina, Uji, Pelajari. Penyelidik mereka bentuk jujukan atau hipotesis, menghasilkannya dan mengujinya melalui eksperimen, kemudian memasukkan semula hasilnya ke dalam model. Keputusan yang berjaya, eksperimen yang gagal dan sumber genetik semuanya dijangka menyumbang kepada pembelajaran seterusnya. Kegagalan turut diambil kira kerana eksperimen yang tidak berjaya boleh membantu mengenal pasti reka bentuk atau keadaan yang tidak berkesan.

Model itu dirancang sebagai sumber bersama untuk penyelidik sains hayat, dengan penggunaan praktikal diusahakan melalui konsortium Bio-AGILE. Keselamatan bio dan keselamatan model dinyatakan secara jelas sebagai sebahagian daripada kerja ini. Alat yang berupaya menyokong reka bentuk biologi memerlukan perlindungan di samping peningkatan keupayaan ramalannya.

Daripada instrumen automatik kepada kemudahan autonomi

Projek untuk membangunkan kemudahan penyelidikan tanpa pemandu menghimpunkan Institut Sains Tokyo, RIKEN dan Epistora. Menurut pengumuman projek Epistora, Profesor Genki Kanda dari Institut Sains Tokyo mengetuai penyelidikan ini. Ketua bersamanya ialah Koichi Takahashi, pengarah projek dalam program pembangunan model asas saintifik RIKEN, dan Ketua Pegawai Eksekutif Epistora Yosuke Ozawa.

Projek ini tergolong dalam Sasaran Strategik 3, yang meliputi pengoptimuman operasi, automasi, operasi autonomi serta penambahbaikan dalam perancangan eksperimen dan analisis data di kemudahan penyelidikan berskala besar. Projek ini akan membangunkan dan menunjukkan keupayaan ejen AI serta model asas yang menghubungkan rancangan penyelidikan, peralatan eksperimen dan data yang terhasil.

Perbezaan antara instrumen automatik dengan kemudahan autonomi bersifat praktikal. Robot mungkin dapat menjalankan satu eksperimen, tetapi manusia masih perlu menyediakan peralatan, memindahkan sampel, menambah bekalan, menjadualkan penggunaan instrumen dan mengatasi gangguan. ARiSE bertujuan menangani tugas-tugas sokongan itu selain eksperimen itu sendiri.

Kemudahan yang dicadangkan mempunyai tiga komponen yang saling berkaitan. Sistem maklumatnya akan mengendalikan objektif penyelidikan, hipotesis, rancangan eksperimen, analisis dan keputusan tentang eksperimen seterusnya. Sistem operasi akan mengagihkan peralatan, masa dan bahan. Sistem fizikal pula akan mengautomasikan pemindahan, penambahan bekalan dan pemulihan operasi.

Manusia akan menyelia proses itu dan bukannya mengurus setiap langkah secara individu. Kemudahan ini dirancang untuk menyokong penyelidikan berterusan tentang kanser, imuniti, vaksin, penuaan dan perubatan regeneratif. Epistora berkata ia membawa pengalaman kira-kira sedekad dalam penyelidikan yang melibatkan AI dan robotik, termasuk usaha mengoptimumkan keadaan untuk menukarkan sel stem pluripoten teraruh kepada sel epitelium pigmen retina. Sel-sel ini menyokong retina.

Kurohashi berkata jangkaan terhadap kemudahan sedemikian beralih daripada sekitar 2050 ke arah 2040, kemudian sekitar 2030, seiring kemajuan AI dan robotik. Itu merupakan anggaran yang masih berubah, bukannya jaminan bahawa kemudahan autonomi sepenuhnya akan beroperasi sebelum tempoh pembiayaan ARiSE berakhir pada Mac 2029.

Teori saintifik menjadi sebahagian daripada AI

Kategori Antarabangsa dan Antara Disiplin menggunakan pendekatan berbeza untuk memperkukuh AI saintifik. Pendekatan Ueda menggabungkan teori saintifik ke dalam struktur, perwakilan dan prinsip pembelajaran model, bukannya menggunakan teori hanya sebagai peraturan yang mengehadkan model konvensional.

Pengetahuan yang berkaitan merangkumi simetri, invarian, sebab musabab, syarat sempadan dan hukum penskalaan. Secara ringkas, semua ini menerangkan hubungan yang sepatutnya kekal apabila sesuatu sistem berubah, cara sebab berkait dengan hasil dan syarat yang menentukan kebolehgunaan sesuatu model saintifik. Pengetahuan sedemikian dimasukkan ke dalam AI dengan tujuan memperbaik penaakulan apabila data terhad atau keadaan berbeza daripada yang ditemui semasa latihan.

Satu projek terpilih menggabungkan fizik matematik dan AI untuk menjana hipotesis saintifik serta menyemak kesahihannya menggunakan teori matematik dan fizik. Matlamatnya adalah untuk merapatkan jurang antara menghasilkan pernyataan yang munasabah dengan membuktikan sama ada pernyataan itu benar. Pengesahan autonomi ialah objektif penyelidikan, bukannya keupayaan program yang telah ditunjukkan.

Satu lagi projek menumpukan rangka kerja logam-organik (MOF), iaitu bahan berliang yang dikaji untuk kegunaan seperti penjerapan dan pemisahan gas. Sifatnya boleh berubah mengikut sintesis dan keadaan eksperimen. Projek ini menggabungkan perwakilan saintifik yang berubah-ubah, penaakulan kontrafaktual dan maklum balas penyelidik untuk mengkaji bagaimana perubahan sesuatu keadaan boleh mengubah hasil.

Penaakulan kontrafaktual bertanya apa yang akan berlaku dalam keadaan berbeza, dan bukannya sekadar mengenal pasti corak dalam pemerhatian sedia ada. Penyelidik akan menilai hipotesis dan penaakulan, kemudian menyalurkan penilaian itu semula kepada AI. Oleh itu, projek ini mengekalkan penglibatan langsung manusia, walaupun projek kemudahan tanpa pemandu mengusahakan autonomi operasi yang jauh lebih tinggi.

Penyelidikan kanser melangkaui pengecaman corak

Satu projek kanser berasingan akan menggabungkan struktur tisu, bentuk sel, ekspresi gen dan interaksi antara sel kanser, sel imun serta sel lain di sekelilingnya. Matlamatnya adalah untuk membina model yang menaakul tentang mekanisme penyakit, bukannya hanya mengenal pasti ciri yang dikaitkan dengan kanser.

Usaha ini menghubungkan dua peringkat pemerhatian. Berdasarkan susunan tisu, model akan membuat inferens tentang tingkah laku setiap sel. Berdasarkan tingkah laku itu, model akan meramalkan perubahan keadaan tisu. Pemeriksaan terhadap ruang dan masa boleh membantu penyelidik mengkaji perkembangan kanser dalam persekitaran biologi sekelilingnya.

Aplikasi yang disasarkan termasuk penemuan mekanisme penyakit, ramalan prognosis dan penerokaan rawatan. Semua ini ialah hasil penyelidikan yang dicadangkan. Pemilihan untuk ARiSE tidak membuktikan keberkesanan klinikal atau bermakna alat diagnosis atau rawatan sudah sedia digunakan terhadap pesakit.

Akses pengkomputeran dan perkongsian akan membentuk pelaksanaan

ARiSE memerlukan rancangan pengkomputeran pada peringkat permohonan kerana latihan dan penggunaan model boleh menggunakan sebahagian besar dana penyelidikan. JST bercadang menggabungkan sumber di universiti, institusi penyelidikan awam, syarikat dan RIKEN, sambil membenarkan penggunaan pengkomputeran komersial luar negara jika sesuai.

Maklumat yang tersedia berbeza tentang nama superkomputer AI RIKEN yang sedang dipertimbangkan: satu sumber menamakannya RIKEN, manakala laporan taklimat Oktober menamakannya 理究. Kedua-duanya menyatakan hasrat untuk menggunakan sumber pengkomputeran domestik bersama sumber lain. Agihan kapasiti pengkomputeran akhir kepada setiap projek belum diperincikan.

Program ini juga berhasrat menyebarkan model, ejen, alat dan kaedah penilaian yang berguna secara meluas, melangkaui pasukan terpilih. JST merancang hubungan dengan rangkaian akademik SINET milik NII dan infrastruktur data penyelidikan NII RDC. Hubungan ini bertujuan menjadikan hasil penyelidikan boleh diakses oleh penyelidik di seluruh Jepun serta menyokong pertukaran antara projek bahan, sains hayat dan kemudahan.

Perkongsian tidak bermakna segala-galanya akan diterbitkan. Data atau hasil yang perlu dilindungi atas sebab persaingan atau keselamatan mungkin kekal sulit. Keperluan keselamatan penyelidikan terpakai sejak pemilihan, manakala projek genom turut memikul tanggungjawab khusus berhubung keselamatan bio dan keselamatan model.

Pegawai program dijangka menyemak kemajuan dan menyokong pelarasan, termasuk peluasan tugasan penyelidikan, penambahan rakan antarabangsa dan acara bersama. Fleksibiliti ini menangani risiko bahawa rancangan yang ditetapkan pada 2026 mungkin tidak lagi sesuai menjelang 2029. Maklumat semasa belum menetapkan tarikh mula kontrak individu, jumlah geran akhir, agihan pengkomputeran atau jadual terperinci untuk pelancaran model kepada umum.

Ujian utamanya ialah sama ada projek-projek ini dapat menghubungkan aset saintifik Jepun dengan sistem AI yang berfungsi, eksperimen yang boleh diulang dan sumber yang benar-benar boleh digunakan oleh penyelidik lain. ARiSE menetapkan hala tuju itu, tetapi penemuan yang dijanjikan, keupayaan autonomi dan platform bersama masih perlu dibangunkan dan dibuktikan.

Perkara Utama

• ARiSE mempunyai dana ¥32 bilion untuk tempoh kira-kira Oktober 2026 hingga Mac 2029.
• JST memilih 31 projek daripada 203 permohonan, dengan kadar penerimaan kira-kira 15.3%.
• Kategori Sasaran Strategik mempunyai 12 projek; kategori Antarabangsa dan Antara Disiplin mempunyai 19.
• Usaha utama merangkumi platform AI bahan, model genom dengan kira-kira empat bilion parameter dan kemudahan penyelidikan tanpa pemandu.
• Penyelidikan terpilih turut meliputi fizik matematik, MOF, mekanisme kanser dan Model Dunia Tsunami.
• Pengkomputeran domestik dan infrastruktur penyelidikan bersama menjadi keutamaan, dengan sumber luar negara dibenarkan jika sesuai.
• Tarikh mula setiap projek bergantung pada kontrak dan persiapan; kemudahan autonomi dan aplikasi saintifik masih merupakan matlamat pembangunan.