“生成式人工智能基础研究”专项项目申请指南.docx
《“生成式人工智能基础研究”专项项目申请指南.docx》由会员分享,可在线阅读,更多相关《“生成式人工智能基础研究”专项项目申请指南.docx(4页珍藏版)》请在优知文库上搜索。
1、“生成式人工智能基础研究”专项项目申请指南生成式人工智能正在成为信息化、数字化、智能化的新型技术基座,特别是以大语言模型为代表的生成模型拥有强大的知识编码和储存能力、文本和代码理解及生成能力,以及复杂任务的推理能力,被认为是有可能实现通用人工智能的技术路线之一,有望成为推动新一轮科技变革、经济发展的重要技术,对科学和社会产生深远的影响。当前,生成式人工智能正处于快速变革和更新迭代的关键时期,面临智能涌现基础理论机理不明、计算成本高昂、生成内容安全性有待提高、自动评价困难等挑战,开展新型高效可信大模型相关研究尤为重要。在生成式人工智能的基础理论创新、关键技术突破上布局,牵引系统性原创性的基础研究
2、,从预训练数据治理、对齐策略、知识增强等不同层面提高模型全周期安全,推动生成式人工智能技术的发展和应用,对于提升国家战略地位和国际竞争力具有重要意义。一、科学目标本专项探索大模型的智能涌现机制并提高其处理复杂任务的能力,努力解决生成内容中存在的安全可信问题,探索大模型的知识融合和创新性应用,增强用户体验并推动新技术的发展。二、资助研究方向面向生成式人工智能的前沿科学方向和国家重大战略需求,针对当前技术瓶颈和挑战,从“理论机理-架构设计-计算效率-安全对齐-评价方法-典型应用”六个层面开展研究,重点研究高效可信模型的基础理论和关键技术。本专项拟资助以下研究方向:(一)生成式模型的智能涌现机理研究
3、。针对生成式人工智能中的智能涌现、情景学习、指令微调以及思维链等能力,设计有效分析工具以探索其数理机理,并在此基础上进一步提升模型的泛化性、多步推理及复杂任务分解等能力。(二)面向生成式模型的新型高效神经网络架构研究。针对生成式人工智能中的TranSfOnner架构复杂度问题,研究高效模型架构和跨模态统一架构,优化自注意力等主要模块,提高长序列、多模态等场景下的模型处理能力和效率,探索非TranSfOnner的高效架构、可重组模块化架构等新型架构设计方法。(三)大模型的高效训练和推理方法研究。研究各种规模(尤其是在低算力资源配置,或者百亿、千亿级参数以上模型)大模型的通用高效训练和推理方法,提
4、出适配国产软硬件的低通信、高并发的分布式训练算法,提升低资源条件下模型推理效率,探索模型云边端协同推理机制,确保性能和响应速度。(四)大模型的价值观和安全对齐策略研究。研究符合人类价值观偏好的可持续、高泛化、强对抗的大模型对齐技术,实现安全伦理和认知推理能力的对齐和超越,提升大模型应用的无害性和有效性,增强大模型安全伦理价值观对齐算法的训练高稳定性和应用可靠性。(五)生成式模型的自动评价方法研究。针对模型生成内容的评价困难问题,研究生成内容的多维度自动评价方法,在事实准确性、有用性、逻辑性、安全无害性、指令遵循能力、长文档处理能力等维度构建评价标准以及相应的评价数据集。(六)生成式人工智能的行
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 生成 人工智能 基础 研究 专项 项目 申请 指南