அறிவியல் ஆராய்ச்சியின் முழுச் சுழற்சியிலும் AI-ஐ ஒருங்கிணைக்கும் ARiSE திட்டத்துக்கு ஜப்பான் ¥32 பில்லியன் ஒதுக்கீடு

அறிவியல் எவ்வாறு மேற்கொள்ளப்படுகிறது என்பதை மறுபரிசீலனை செய்ய 31 திட்டங்கள் தேர்வு

செயற்கை நுண்ணறிவைப் பயன்படுத்தி கருதுகோள்களை உருவாக்குதல், பரிசோதனைகளைத் திட்டமிட்டு நடத்துதல், முடிவுகளைப் பகுப்பாய்வு செய்தல், அடுத்து எதை ஆராய வேண்டும் என்பதைத் தீர்மானித்தல் ஆகியவற்றை மேற்கொள்ளும் அறிவியல் ஆராய்ச்சிக்கு ஜப்பானின் புதிய ARiSE முன்னெடுப்பு ¥32 பில்லியன் ஒதுக்குகிறது. 203 விண்ணப்பங்களில் இருந்து 31 திட்டங்களை ஜப்பான் அறிவியல் மற்றும் தொழில்நுட்ப முகமை (JST) தேர்ந்தெடுத்துள்ளது. 2026 அக்டோபர் முதல் 2029 மார்ச் வரையிலான சுமார் இரண்டரை ஆண்டுகளுக்கு இந்த நிதி வழங்கப்படும்.

JST-யின் செப்டம்பர் 29 தேர்வு அறிவிப்புயின்படி, மூலோபாய இலக்கு பிரிவில் 12 திட்டங்களும், சர்வதேச மற்றும் துறைகளுக்கிடையிலான பிரிவில் 19 திட்டங்களும் தேர்ந்தெடுக்கப்பட்டுள்ளன. ஆவண மதிப்பாய்வு மற்றும் நேர்காணல்களில் மொத்தம் 82 ஆலோசகர்கள் பங்கேற்றனர். ஒப்பந்தங்கள் மற்றும் பிற தயாரிப்புகள் முடிந்த பிறகே ஆராய்ச்சி தொடங்கத் திட்டமிடப்பட்டுள்ளது; அறிவிப்பு வெளியான நாளிலேயே தானாகத் தொடங்காது.

ARiSE என்பது AI to Redesign Scientific Exploration என்பதன் சுருக்கம். தரவுத்தொகுப்பைச் செயலாக்கவோ அறிவியல் ஆய்வுக் கட்டுரைகளைச் சுருக்கவோ AI-ஐப் பயன்படுத்துவதைவிட இந்தத் திட்டத்தின் இலக்கு விரிவானது. பரிசோதனை முடிவுகள் AI சிறந்த கருதுகோள்களையும் வடிவமைப்புகளையும் உருவாக்க உதவும் வகையில், டிஜிட்டல் பகுத்தறிவையும் நேரடிப் பரிசோதனைகளையும் இணைக்கும் தொடர்ச்சியான சுழற்சியை உருவாக்குவதே திட்டத்தின் நோக்கம்.

203 விண்ணப்பங்களில் 31 வெற்றிகரமான முன்மொழிவுகள் தேர்வானதன் அடிப்படையில், மொத்தத் தேர்வு விகிதம் சுமார் 15.3% ஆகும். மூலோபாய இலக்கு பிரிவில் 70 முன்மொழிவுகளில் 12 ஏற்கப்பட்டன; இது சுமார் 17.1%. சர்வதேச மற்றும் துறைகளுக்கிடையிலான பிரிவில் 133 முன்மொழிவுகளில் 19 ஏற்கப்பட்டன; இது சுமார் 14.3%. இந்த எண்ணிக்கைகள் போட்டியின் அளவைக் காட்டுகின்றன. ஆனால் தனிப்பட்ட திட்டங்கள் எவ்வாறு தரவரிசைப்படுத்தப்பட்டன அல்லது இறுதியில் நிதி எவ்வாறு பகிரப்படும் என்பதை இவை தெரிவிப்பதில்லை.

தோஹோகு பல்கலைக்கழகத்தின் செயல் துணைத் தலைவரான தகாஃபுமி ஆஒகி திட்ட இயக்குநராக உள்ளார். தேசிய தகவலியல் நிறுவகத்தின் (NII) இயக்குநர் சடாவோ குரோஹாஷி, மூலோபாய இலக்கு பிரிவை மேற்பார்வையிடுகிறார். ரிக்கனின் மேம்பட்ட நுண்ணறிவுத் திட்ட மையத்தின் துணை இயக்குநர் ஷுனிச்சி உஎதா, சர்வதேச மற்றும் துறைகளுக்கிடையிலான பிரிவை மேற்பார்வையிடுகிறார்.

தேசிய உத்தி உருவாகிறது

கல்வி, கலாசாரம், விளையாட்டு, அறிவியல் மற்றும் தொழில்நுட்ப அமைச்சகம் 2026 மார்ச் 31 அன்று ஏற்றுக்கொண்ட அறிவியலுக்கான AI-ஐ ஊக்குவிக்கும் உத்தியை ARiSE தொடர்கிறது. ஜப்பானின் அறிவியல் வலிமைகள் சர்வதேசப் போட்டியில் வெல்லக்கூடிய முடிவுகளைத் தரும் துறைகளில் முதலீட்டை ஒருமுகப்படுத்துவதையும், வெளிநாடுகளின் முன்னணி ஆய்வாளர்களுடனான ஒத்துழைப்பை ஆதரிப்பதையும் நோக்கமாகக் கொண்ட முதன்மைத் திட்டமாக இந்த முன்னெடுப்பை JST விவரிக்கிறது.

அமைச்சகத்தின் ஆராய்ச்சி மேம்பாட்டுப் பணியகம் தனது ARiSE அடிப்படைக் கொள்கைப் பக்கத்தை 2026 ஏப்ரல் 16 அன்று வெளியிட்டது. அந்தப் பக்கத்தில் 262 KB அளவிலான கொள்கை ஆவணத்துக்கான இணைப்பு உள்ளது; ஆனால் அதன் விரிவான விதிமுறைகள் பக்கத்தின் உரையில் இடம்பெறவில்லை.

கொள்கை உருவாக்கத்திலிருந்து திட்டத் தேர்வு வரையிலான காலவரிசை ஒப்பீட்டளவில் சுருக்கமாக இருந்தது:

• 2026 மார்ச் 31: அறிவியலுக்கான AI-ஐ ஊக்குவிக்கும் அடிப்படை மூலோபாயக் கொள்கையை அமைச்சகம் ஏற்றுக்கொண்டது.
• 2026 ஏப்ரல் 16: ஆராய்ச்சி மேம்பாட்டுப் பணியகம் ARiSE அடிப்படைக் கொள்கைப் பக்கத்தை வெளியிட்டது.
• 2026 மே 12 முதல் ஜூன் 30 வரை: ஆராய்ச்சி முன்மொழிவுகளை JST ஏற்றுக்கொண்டது.
• 2026 செப்டம்பர் 29: தேர்ந்தெடுக்கப்பட்ட 31 திட்டங்களை JST அறிவித்தது.
• 2026 அக்டோபர் 2: வெற்றிபெற்ற மூன்று திட்டங்களைத் தோஹோகு பல்கலைக்கழகம் அறிவித்தது.
• 2026 அக்டோபர் 13: முன்னெடுப்பின் பின்னணி மற்றும் திட்டமிட்ட செயல்பாடுகளை விளக்கும் கூட்டத்தை JST நடத்தியது.
• 2029 மார்ச்: தற்போதைய ஆராய்ச்சி நிதிக் காலம் முடிவடையத் திட்டமிடப்பட்டுள்ளது.

முதலீட்டுத் தொகையை மட்டும் வைத்து அமெரிக்கா மற்றும் சீனாவுடன் ஜப்பான் போட்டியிட முடியாது என்று JST தலைவர் கசுஹிதோ ஹஷிமோட்டோ வாதிட்டுள்ளார். அதற்குப் பதிலாக, ஜப்பான் மதிப்புமிக்க அறிவியல் தரவுகள், சிறப்பு அறிவு, பரிசோதனைத் திறன்கள் மற்றும் ரோபாட்டிக்ஸ் நிபுணத்துவம் ஆகியவற்றைக் குவித்துள்ள துறைகளில் கவனம் செலுத்த வேண்டும்.

சார்புநிலை குறித்த கவலையும் அவருக்கு உள்ளது. ஜப்பானிய ஆய்வாளர்கள் வெளிநாடுகளில் உருவாக்கப்பட்ட AI-ஐ மட்டுமே பயன்படுத்தினால், அடிப்படைத் தொழில்நுட்பமும் கணினி வளங்களும் பிற நாடுகளின் கட்டுப்பாட்டில் தொடரக்கூடும். எனவே, உள்நாட்டு மாதிரி உருவாக்கத்தையும் சர்வதேச ஒத்துழைப்பையும் ஒன்றுக்கொன்று போட்டியான தேர்வுகளாகக் கருதாமல் ARiSE இணைக்கிறது.

வெவ்வேறு பங்குகளைக் கொண்ட இரண்டு நிதிப் பிரிவுகள்

மூலோபாய இலக்கு பிரிவு, பொருள் அறிவியல், உயிர் அறிவியல், பெரிய ஆராய்ச்சி நிலையங்கள் மற்றும் உபகரணங்கள் ஆகிய துறைகளில் பெரிய குழுக்களுக்கு ஆதரவு வழங்குகிறது. தேர்ந்தெடுக்கப்பட்ட 12 திட்டங்களில் பொருள் அறிவியலில் ஆறு, உயிர் அறிவியலில் நான்கு, பெரிய நிலையங்கள் அல்லது உபகரணங்கள் தொடர்பானவை இரண்டு இடம்பெறுகின்றன.

பொருள் அறிவியல் திட்டங்கள் மூன்று இலக்குகளாகப் பிரிக்கப்பட்டுள்ளன. இலக்குகள் 1-1 மற்றும் 1-2 இல் தலா ஒரு திட்டம் தேர்வு செய்யப்பட்டுள்ளது; ஒவ்வொரு திட்டத்துக்கும் சுமார் ¥3 பில்லியன் நிதி உச்சவரம்பு உள்ளது. இலக்கு 1-3 இல் நான்கு திட்டங்கள் இடம்பெறுகின்றன; ஒவ்வொன்றுக்கும் சுமார் ¥1 பில்லியன் உச்சவரம்பு உள்ளது. உயிர் அறிவியல் மற்றும் பெரிய நிலையத் திட்டங்களுக்கு ஒவ்வொன்றும் சுமார் ¥2 பில்லியன் உச்சவரம்பு நிர்ணயிக்கப்பட்டுள்ளது. இவை நிதி வரம்புகளே தவிர, ஒவ்வொரு குழுவுக்கும் உறுதிசெய்யப்பட்ட மானியத் தொகைகள் அல்ல.

சர்வதேச மற்றும் துறைகளுக்கிடையிலான பிரிவு அனைத்து அறிவியல் துறைகளுக்கும் திறந்துள்ளது. அறிவியல் கோட்பாடுகள், விதிகள் மற்றும் கட்டமைப்பு அறிவை AI-க்குள் இணைக்கும் ஆராய்ச்சிக்கு இது ஆதரவளிக்கிறது. ஒரு திட்டத்துக்கான நிதி வழக்கமாக ¥200 மில்லியன் என நிர்ணயிக்கப்படும். இலக்குகளை அடையத் தேவையானபோது முன்மொழிவுகள் அதிகபட்சம் ¥650 மில்லியன் வரை கோரலாம்.

ஒவ்வொரு முன்மொழிவிலும் AI ஆய்வாளரும் தொடர்புடைய அறிவியல் துறையின் ஆய்வாளரும் இணைத் தலைவர்களாகச் செயல்பட வேண்டும். தொடக்கத்திலிருந்தே கணினித் தேவைகளைத் திட்டமிடுதல், சர்வதேச ஒத்துழைப்பை முன்னெடுத்தல், தரவுப் பகிர்வு மற்றும் பாதுகாப்புக்கான விதிகளை அமைத்தல், ஆராய்ச்சிப் பாதுகாப்பைக் கவனித்தல் ஆகியவையும் குழுக்களிடம் எதிர்பார்க்கப்படுகின்றன. AI மாதிரியைத் தேர்ந்தெடுத்த பிறகு சேர்க்கப்படும் பணிகளாக அல்லாமல், அறிவியல் நிபுணத்துவத்தையும் உள்கட்டமைப்புத் திட்டமிடலையும் ஆராய்ச்சி வடிவமைப்பின் ஒரு பகுதியாக இந்தத் தேவைகள் ஆக்குகின்றன.

பொருள் தரவுகள் பகிரப்பட்ட ஆராய்ச்சித் தளமாகின்றன

ஜப்பான் இதுவரை குவித்துள்ள பொருள் தரவுகளை, உள்நாட்டு பெரிய மொழி மாதிரிகள் மற்றும் சிறப்பு AI-யுடன் இணைப்பதைப் பொருள் அறிவியல் சார்ந்த முக்கியத் திட்டம் நோக்கமாகக் கொண்டுள்ளது. தேசியப் பொருள் அறிவியல் நிறுவகத்தை (NIMS) மையமாகக் கொண்டு உருவாக்கப்பட்ட தரவுகளும் ஆராய்ச்சி வளங்களும், தேசியப் பொருள் AI தளத்தை உருவாக்க உதவும் என எதிர்பார்க்கப்படுகிறது.

முன்மொழியப்பட்ட தளத்தில் ஒன்றோடொன்று இணைந்த பல அடுக்குகள் உள்ளன: AI பயன்பாட்டுக்காகத் தயாரிக்கப்பட்ட தரவுகளும் பகுப்பாய்வுக் கருவிகளும், பொருள் அறிவியல் அடித்தள மாதிரிகள், கண்டுபிடிப்பு மற்றும் வடிவமைப்புக்கு உதவும் AI முகவர்கள், மேம்பட்ட பரிசோதனை உபகரணங்கள். பல்வேறு ஆராய்ச்சிப் பணிகளுக்கான தொடக்க மாதிரியாகப் பயன்படக்கூடிய வகையில் பரந்த அளவில் பயிற்றுவிக்கப்பட்ட மாதிரியே அடித்தள மாதிரி. ஒரு குறிப்பிட்ட இலக்கை நோக்கிய பணிகளைச் செய்வதற்குக் கருவிகளைப் பயன்படுத்தி, பல படிகளை ஒருங்கிணைக்கக்கூடியது AI முகவர்.

AI ஒரு பொருளையோ பரிசோதனைச் சூழ்நிலையையோ முன்மொழிவதிலிருந்து இந்த ஆராய்ச்சி சுழற்சி தொடங்கும். இணைக்கப்பட்ட உபகரணங்கள் பின்னர் பரிசோதனையை மேற்கொள்ளும்; கிடைக்கும் முடிவுகள் அடுத்த வடிவமைப்புக்குத் திரும்ப வழங்கப்படும். விரிவான AI நிபுணத்துவம் கொண்ட சில குழுக்களிடம் மட்டுமே இதைக் கட்டுப்படுத்தாமல், பரந்த பொருள் அறிவியல் ஆய்வாளர் சமூகத்துக்கும் இந்தத் திறனை வழங்குவதே நோக்கம்.

தோஹோகு பல்கலைக்கழகத்தின் மூன்று திட்டத் தேர்வுகள், இந்த தேசிய முயற்சி குறிப்பிட்ட ஆராய்ச்சித் திட்டங்களுடன் எவ்வாறு இணைகிறது என்பதைக் காட்டுகின்றன. AI-ஐப் பயன்படுத்தி கடினமான மொத்தப் பொருட்களை உருவாக்கும் தளத்துக்கு பேராசிரியர் யூ குமகாய் தலைமை தாங்குகிறார்; பேராசிரியர்கள் கோரோ மியாமோட்டோவும் மோட்டோகி ஷிகாவும் இணை ஆராய்ச்சித் தலைவர்களாக உள்ளனர்.

இரண்டாவது தோஹோகு திட்டம், மனிதர்களும் AI-யும் இணைந்து செயல்படுவதன் மூலம் காந்தப் பொருட்களைத் தன்னாட்சியாக உருவாக்குவதையும் அவற்றின் வழிமுறைகளைப் புரிந்துகொள்வதையும் ஆராய்கிறது. இதற்கு பேராசிரியர் தகாஃபுமி ஹிரோஹாட்டா தலைமை தாங்குகிறார்; NIMS-இன் யுமா இவாசாகியும் ஒசாகா பல்கலைக்கழகப் பேராசிரியர் கன்டா ஒனோவும் இணைத் தலைவர்களாக உள்ளனர்.

தோஹோகு தேர்வான மூன்றாவது திட்டமான சுனாமி உலக மாதிரி, சர்வதேச மற்றும் துறைகளுக்கிடையிலான பிரிவில் இடம்பெறுகிறது. பூமி அறிவியல் மற்றும் பேரிடர் மீள்திறனுக்கான தேசிய ஆராய்ச்சி நிறுவனத்தைச் சேர்ந்த பேராசிரியர் கென்டாரோ இனுய் மற்றும் யூய்ச்சிரோ உசுதா ஆகியோருடன் இணைந்து பேராசிரியர் ஷுனிச்சி கோஷிமுரா இதற்குத் தலைமை தாங்குகிறார். ஆய்வகப் பொருட்கள் மற்றும் உயிரியல் துறைகளைத் தாண்டியும் ARiSE விரிவடைவதை இது காட்டுகிறது. எனினும், இந்த மாதிரி எத்தகைய திறன்களைக் கொண்டிருக்கும் என்பது பல்கலைக்கழக அறிவிப்பில் விரிவாகக் கூறப்படவில்லை.

தோல்வியுற்ற பரிசோதனைகளிலிருந்து கற்கும் மரபணு மாதிரி

உயிர் அறிவியல் திட்டத்தில் சுமார் நான்கு பில்லியன் அளவுருக்கள் கொண்ட மரபணு மொழி மாதிரியும் இடம்பெறுகிறது. தாவரங்கள், விலங்குகள், மனிதர்கள் மற்றும் நுண்ணுயிரிகளை உள்ளடக்குவது இதன் நோக்கம். சொற்களைக் கொண்டு பயிற்றுவிக்கப்படும் வழக்கமான மொழி மாதிரியைப் போல் அல்லாமல், உயிரியல் செயல்பாடு மற்றும் மரபணு வடிவமைப்பு குறித்த ஆராய்ச்சிக்கு உதவும் வகையில் DNA வரிசைகளில் உள்ள வடிவங்களை மரபணு மொழி மாதிரி கற்கும்.

பயிற்சியின்போது மாதிரி சரிசெய்யும் எண் மதிப்புகளே அளவுருக்கள். சுமார் ஏழு பில்லியன் அளவுருக்கள் கொண்ட ஏற்கெனவே உள்ள மாதிரியை அடிப்படையாகக் கொண்டு திட்டமிடப்பட்ட மாதிரி உருவாக்கப்படும். இந்த எண்ணிக்கைகள் மாதிரியின் அளவைக் குறிக்கின்றன; புதிய மாதிரி முந்தையதைவிடச் சிறப்பாகச் செயல்படும் என்பதற்கான சான்றுகள் அல்ல. அதன் அறிவியல் மதிப்பு, அதைச் சுற்றி உருவாக்கப்படும் உயிரியல் தரவுகள், பரிசோதனைகள் மற்றும் கற்றல் செயல்முறையைப் பொறுத்தது.

இந்தத் திட்டம் வடிவமைத்தல், உருவாக்குதல், சோதித்தல், கற்றல் என்ற சுழற்சியைப் பயன்படுத்துகிறது. ஆய்வாளர்கள் ஒரு வரிசையையோ கருதுகோளையோ வடிவமைத்து, அதை உருவாக்கிப் பரிசோதிப்பார்கள்; பின்னர் முடிவுகளை மீண்டும் மாதிரிக்குத் திருப்பி வழங்குவார்கள். வெற்றிகரமான முடிவுகள், தோல்வியடைந்த பரிசோதனைகள், மரபணு வளங்கள் என அனைத்தும் அடுத்தடுத்த கற்றலுக்குப் பங்களிக்கும் நோக்கம் கொண்டவை. தோல்விகளையும் சேர்ப்பது முக்கியம்; ஏனெனில் எந்த வடிவமைப்புகள் அல்லது சூழ்நிலைகள் செயல்படுவதில்லை என்பதைக் கண்டறியத் தோல்வியடைந்த பரிசோதனையும் உதவும்.

உயிர் அறிவியல் ஆய்வாளர்களுக்குப் பகிரப்பட்ட வளமாக இந்த மாதிரியை உருவாக்குவதும், Bio-AGILE கூட்டமைப்பின் மூலம் நடைமுறைப் பயன்பாட்டை முன்னெடுப்பதும் திட்டத்தின் நோக்கம். உயிரியல் பாதுகாப்பும் மாதிரிப் பாதுகாப்பும் இந்தப் பணியில் வெளிப்படையாக இடம்பெறுகின்றன. உயிரியல் வடிவமைப்புக்கு ஆதரவளிக்கக்கூடிய கருவிக்கு, கணிப்புத் திறன் மேம்பாட்டுடன் பாதுகாப்பு ஏற்பாடுகளும் அவசியம்.

தானியக்க உபகரணங்களிலிருந்து தன்னாட்சி ஆராய்ச்சி நிலையம் வரை

ஆளில்லா ஆராய்ச்சி நிலையத்தை உருவாக்கும் திட்டத்தில் இன்ஸ்டிடியூட் ஆஃப் சயின்ஸ் டோக்கியோ, ரிக்கன் மற்றும் எபிஸ்டோரா இணைந்துள்ளன. எபிஸ்டோராவின் திட்ட அறிவிப்பின்படி, இன்ஸ்டிடியூட் ஆஃப் சயின்ஸ் டோக்கியோவின் பேராசிரியர் ஜென்கி கண்டா இந்த ஆராய்ச்சிக்குத் தலைமை தாங்குகிறார். ரிக்கனின் அறிவியல் அடித்தள மாதிரி உருவாக்கத் திட்ட இயக்குநர் கோய்ச்சி தகாஹாஷியும், எபிஸ்டோரா தலைமைச் செயல் அதிகாரி யோசுகே ஒசாவாவும் இணைத் தலைவர்களாக உள்ளனர்.

பெரிய ஆராய்ச்சி நிலையங்களில் செயல்பாட்டை மேம்படுத்துதல், தானியக்கமாக்குதல், தன்னாட்சிச் செயல்பாடு, பரிசோதனைத் திட்டமிடல் மற்றும் தரவுப் பகுப்பாய்வை மேம்படுத்துதல் ஆகியவற்றை உள்ளடக்கிய மூலோபாய இலக்கு 3-இல் இந்தத் திட்டம் இடம்பெறுகிறது. ஆராய்ச்சித் திட்டங்கள், பரிசோதனை உபகரணங்கள், அவற்றிலிருந்து கிடைக்கும் தரவுகள் ஆகியவற்றை இணைக்கும் AI முகவர்களையும் அடித்தள மாதிரிகளையும் உருவாக்கி விளக்கிக் காட்டுவது இதன் நோக்கம்.

தானியக்க உபகரணத்துக்கும் தன்னாட்சி ஆராய்ச்சி நிலையத்துக்கும் இடையிலான வேறுபாடு நடைமுறை சார்ந்தது. ஒரு ரோபோ ஒரு பரிசோதனையைச் செய்யலாம்; ஆனாலும் உபகரணங்களைத் தயாரித்தல், மாதிரிகளை நகர்த்துதல், பொருட்களை நிரப்புதல், உபகரணங்களுக்கான நேரத்தை ஒதுக்குதல், இடையூறுகளுக்குப் பிறகு பணியை மீட்டெடுத்தல் ஆகியவற்றை மனிதர்கள் தொடர்ந்து செய்ய வேண்டியிருக்கலாம். ARiSE, பரிசோதனையை மட்டுமல்லாமல் அதைச் சுற்றியுள்ள பணிகளையும் கையாள இலக்கு வைக்கிறது.

முன்மொழியப்பட்ட நிலையத்தில் ஒன்றோடொன்று இணைந்த மூன்று கூறுகள் உள்ளன. ஆராய்ச்சி இலக்குகள், கருதுகோள்கள், பரிசோதனைத் திட்டங்கள், பகுப்பாய்வு மற்றும் அடுத்தடுத்த பரிசோதனைகள் குறித்த முடிவுகளைத் தகவல் அமைப்புகள் கையாளும். செயல்பாட்டு அமைப்புகள் உபகரணங்கள், நேரம் மற்றும் பொருட்களை ஒதுக்கும். உடல்சார் அமைப்புகள் போக்குவரத்து, பொருட்களை நிரப்புதல் மற்றும் மீட்பு நடவடிக்கைகளைத் தானியக்கமாக்கும்.

ஒவ்வொரு படியையும் நிர்வகிப்பதற்குப் பதிலாக, மனிதர்கள் செயல்முறையை மேற்பார்வையிடுவார்கள். புற்றுநோய், நோய் எதிர்ப்பு சக்தி, தடுப்பூசிகள், முதுமை மற்றும் மீளுருவாக்க மருத்துவம் ஆகிய துறைகளில் தொடர்ச்சியான ஆராய்ச்சிக்கு இந்த நிலையம் ஆதரவளிக்கத் திட்டமிடப்பட்டுள்ளது. தூண்டப்பட்ட ப்ளூரிபோட்டென்ட் ஸ்டெம் செல்களை விழித்திரை நிறமிப் புறணி செல்களாக மாற்றுவதற்கான சூழ்நிலைகளை மேம்படுத்துவது உள்ளிட்ட, AI மற்றும் ரோபாட்டிக்ஸ் தொடர்பான சுமார் பத்தாண்டு கால ஆராய்ச்சியைத் தாம் மேற்கொண்டு வருவதாக எபிஸ்டோரா கூறுகிறது. இந்தச் செல்கள் விழித்திரைக்கு ஆதரவளிக்கின்றன.

AI மற்றும் ரோபாட்டிக்ஸ் முன்னேறுவதால், இத்தகைய நிலையங்கள் உருவாகும் காலத்தைச் சுற்றியுள்ள எதிர்பார்ப்பு 2050-ஐ ஒட்டிய காலத்திலிருந்து 2040-ஐ நோக்கியும், பின்னர் 2030-ஐ ஒட்டியும் முன்னேறியுள்ளதாக குரோஹாஷி தெரிவித்தார். இது மாறிவரும் மதிப்பீடே தவிர, 2029 மார்ச்சில் ARiSE நிதிக் காலம் முடிவதற்குள் முழுத் தன்னாட்சி நிலையம் செயல்பாட்டுக்கு வரும் என்பதற்கான உத்தரவாதம் அல்ல.

அறிவியல் கோட்பாடு AI-யின் ஒரு பகுதியாகிறது

சர்வதேச மற்றும் துறைகளுக்கிடையிலான பிரிவு, வலுவான அறிவியல் AI-யை உருவாக்க வேறுபட்ட அணுகுமுறையைப் பின்பற்றுகிறது. வழக்கமான மாதிரியை வெளிப்புற விதியால் கட்டுப்படுத்துவது மட்டுமல்லாமல், அறிவியல் கோட்பாட்டை மாதிரிக் கட்டமைப்புகள், பிரதிநிதித்துவங்கள் மற்றும் கற்றல் நெறிமுறைகளுக்குள் இணைப்பதே உஎதாவின் அணுகுமுறை.

சமச்சீர், மாறாமை, காரணவியல், எல்லை நிபந்தனைகள் மற்றும் அளவிடல் விதிகள் ஆகியவை தொடர்புடைய அறிவில் அடங்கும். எளிமையாகச் சொன்னால், ஒரு அமைப்பு மாறும்போது நிலைத்திருக்க வேண்டிய தொடர்புகள், காரணங்கள் விளைவுகளுடன் எவ்வாறு இணைகின்றன, அறிவியல் மாதிரி எந்த நிபந்தனைகளுக்குப் பொருந்துகிறது என்பவற்றை இவை விவரிக்கின்றன. இத்தகைய அறிவை AI-க்குள் இணைப்பது, தரவுகள் குறைவாக இருக்கும்போது அல்லது பயிற்சியில் எதிர்கொண்ட சூழல்களிலிருந்து வேறுபட்ட நிலைமைகளில் பகுத்தறிவை மேம்படுத்தும் நோக்கம் கொண்டது.

தேர்ந்தெடுக்கப்பட்ட திட்டங்களில் ஒன்று, அறிவியல் கருதுகோள்களை உருவாக்கவும் கணித மற்றும் இயற்பியல் கோட்பாடுகளைப் பயன்படுத்தி அவற்றின் செல்லுபடியைச் சரிபார்க்கவும் கணித இயற்பியலையும் AI-யையும் இணைக்கிறது. நம்பத்தகுந்த கூற்றை உருவாக்குவதற்கும் அது சரியானதா என்பதை நிறுவுவதற்கும் இடையிலான இடைவெளியைக் குறைப்பதே இதன் நோக்கம். தன்னாட்சி சரிபார்ப்பு என்பது ஆராய்ச்சி இலக்கே தவிர, இந்தத் திட்டத்தில் ஏற்கெனவே நிரூபிக்கப்பட்ட திறன் அல்ல.

மற்றொரு திட்டம் உலோக-கரிமக் கட்டமைப்புகள் (MOF) மீது கவனம் செலுத்துகிறது. வாயு உறிஞ்சுதல் மற்றும் பிரித்தல் உள்ளிட்ட பயன்பாடுகளுக்காக ஆய்வு செய்யப்படும் நுண்துளைப் பொருட்கள் இவை. தொகுப்பு மற்றும் பரிசோதனைச் சூழல்களைப் பொறுத்து அவற்றின் பண்புகள் மாறக்கூடும். அறிவியல் பிரதிநிதித்துவங்களை மாற்றுதல், எதிர்நிகழ்வு பகுத்தறிவு மற்றும் ஆய்வாளர் கருத்தூட்டம் ஆகியவற்றை இந்தத் திட்டம் இணைத்து, ஒரு சூழ்நிலையை மாற்றினால் முடிவும் எவ்வாறு மாறலாம் என்பதை ஆராய்கிறது.

ஏற்கெனவே உள்ள கவனிப்புகளில் வடிவங்களைக் கண்டறிவதற்குப் பதிலாக, வேறொரு சூழ்நிலையில் என்ன நடக்கும் என்று கேட்பதே எதிர்நிகழ்வு பகுத்தறிவு. ஆய்வாளர்கள் கருதுகோள்களையும் பகுத்தறிவையும் மதிப்பிட்டு, அந்தத் தீர்மானங்களை மீண்டும் AI-க்குத் தருவார்கள். இதனால், ஆளில்லா நிலையத் திட்டம் அதிக செயல்பாட்டுத் தன்னாட்சியை நோக்கிச் சென்றாலும், இந்தத் திட்டத்தில் மனிதர்கள் நேரடியாகப் பங்கேற்பார்கள்.

வடிவங்களை அடையாளம் காண்பதைத் தாண்டும் புற்றுநோய் ஆராய்ச்சி

தனியான புற்றுநோய் திட்டம், திசு அமைப்பு, செல்களின் வடிவம், மரபணு வெளிப்பாடு, புற்றுநோய் செல்கள், நோய் எதிர்ப்பு செல்கள் மற்றும் சுற்றியுள்ள பிற செல்களுக்கிடையிலான தொடர்புகள் ஆகியவற்றை ஒன்றிணைக்கும். புற்றுநோயுடன் தொடர்புடைய அம்சங்களை மட்டும் அடையாளம் காண்பதற்குப் பதிலாக, நோய் செயல்முறைகளைப் பகுத்தறியும் மாதிரிகளை உருவாக்குவதே இதன் நோக்கம்.

இந்தப் பணி கவனிப்பின் இரண்டு நிலைகளை இணைக்கிறது. திசு எவ்வாறு ஒழுங்கமைந்துள்ளது என்பதிலிருந்து, தனித்தனி செல்கள் எவ்வாறு நடக்கின்றன என்பதை மாதிரி ஊகிக்கும். அந்தச் செயல்பாடுகளிலிருந்து திசுவின் நிலை எவ்வாறு மாறுகிறது என்பதைக் கணிக்கும். வெளி மற்றும் காலம் ஆகிய இரண்டையும் ஆராய்வது, சுற்றியுள்ள உயிரியல் சூழலில் புற்றுநோய் எவ்வாறு உருவாகிறது என்பதை ஆய்வாளர்கள் விசாரிக்க உதவும்.

நோய் வழிமுறைகளைக் கண்டறிதல், நோய் முன்கணிப்பைச் செய்தல், சிகிச்சைகளை ஆராய்தல் ஆகியவை திட்டமிட்ட பயன்பாடுகளில் அடங்கும். இவை முன்மொழியப்பட்ட ஆராய்ச்சி முடிவுகளே. ARiSE-க்குத் தேர்ந்தெடுக்கப்பட்டிருப்பது மருத்துவச் செயல்திறனை நிறுவுவதில்லை; நோயாளிகளுக்கான நோயறிதல் அல்லது சிகிச்சைக் கருவி தயாராகிவிட்டது என்றும் பொருளல்ல.

கணினி அணுகலும் பகிர்வும் செயலாக்கத்தை வடிவமைக்கும்

மாதிரிகளைப் பயிற்றுவிப்பதும் இயக்குவதும் ஆராய்ச்சி நிதியின் குறிப்பிடத்தக்க பகுதியைச் செலவிடக்கூடும் என்பதால், முன்மொழிவு கட்டத்திலேயே கணினித் திட்டங்களை ARiSE கோருகிறது. பல்கலைக்கழகங்கள், பொது ஆராய்ச்சி நிறுவனங்கள், நிறுவனங்கள் மற்றும் ரிக்கன் ஆகியவற்றின் வளங்களை ஒன்றிணைக்க JST திட்டமிட்டுள்ளது; பொருத்தமான இடங்களில் வெளிநாட்டு வணிகக் கணினி வளங்களையும் பயன்படுத்த அனுமதிக்கிறது.

பரிசீலனையில் உள்ள ரிக்கனின் AI சூப்பர் கணினியின் பெயர் குறித்த பதிவுகள் வேறுபடுகின்றன: ஒன்றில் அது RIKEN எனக் குறிப்பிடப்படுகிறது; அக்டோபர் விளக்கக் கூட்டக் குறிப்பில் 理究 எனப் பெயரிடப்பட்டுள்ளது. உள்நாட்டுக் கணினி வளங்களைப் பிற வளங்களுடன் இணைத்துப் பயன்படுத்தும் நோக்கமே இரண்டிலும் பொதுவான அம்சம். தனிப்பட்ட திட்டங்களுக்கு இறுதியாக எவ்வளவு கணினித் திறன் ஒதுக்கப்படும் என்பது இன்னும் குறிப்பிடப்படவில்லை.

பரந்த பயனுள்ள மாதிரிகள், முகவர்கள், கருவிகள் மற்றும் மதிப்பீட்டு முறைகளைத் தேர்ந்தெடுக்கப்பட்ட குழுக்களைத் தாண்டிப் பகிர்வதும் திட்டத்தின் நோக்கமாகும். NII-யின் SINET கல்வி வலையமைப்புடனும், NII RDC ஆராய்ச்சித் தரவு உள்கட்டமைப்புடனும் இணைப்புகளை ஏற்படுத்த JST திட்டமிட்டுள்ளது. இந்த இணைப்புகள் ஜப்பான் முழுவதும் உள்ள ஆய்வாளர்களுக்கு முடிவுகளை அணுகக்கூடியதாக்கவும், பொருள் அறிவியல், உயிர் அறிவியல் மற்றும் நிலையத் திட்டங்களுக்கிடையே பரிமாற்றத்தை ஆதரிக்கவும் நோக்கம் கொண்டவை.

பகிர்வு என்பது அனைத்தையும் வெளியிடுவதைக் குறிக்காது. போட்டி அல்லது பாதுகாப்புக் காரணங்களால் பாதுகாக்கப்பட வேண்டிய தரவுகள் அல்லது முடிவுகள் ரகசியமாக வைக்கப்படலாம். தேர்வு செய்யப்பட்டதிலிருந்தே ஆராய்ச்சிப் பாதுகாப்புத் தேவைகள் பொருந்தும்; மரபணு திட்டத்துக்கு உயிரியல் பாதுகாப்பு மற்றும் மாதிரிப் பாதுகாப்பு தொடர்பான தனிப்பட்ட பொறுப்புகளும் உள்ளன.

ஆராய்ச்சி முன்னேற்றத்தை மதிப்பாய்வு செய்து, விரிவாக்கப்பட்ட ஆராய்ச்சிப் பணிகள், கூடுதல் சர்வதேசக் கூட்டாளர்கள் மற்றும் கூட்டு நிகழ்வுகள் உள்ளிட்ட மாற்றங்களுக்கு ஆதரவளிப்பார்கள் என திட்ட அலுவலர்களிடம் எதிர்பார்க்கப்படுகிறது. 2026-இல் உறுதிசெய்யப்பட்ட திட்டம் 2029-க்குள் காலாவதியாகிவிடும் அபாயத்துக்குப் பதிலளிப்பதற்காக இந்த நெகிழ்வுத்தன்மை வழங்கப்படுகிறது. தனிப்பட்ட ஒப்பந்தங்கள் தொடங்கும் தேதிகள், இறுதி மானியத் தொகைகள், கணினி வள ஒதுக்கீடுகள் அல்லது மாதிரிகளைப் பொதுவெளியில் வெளியிடுவதற்கான விரிவான கால அட்டவணை ஆகியவற்றை தற்போதைய தகவல்கள் உறுதிப்படுத்தவில்லை.

ஜப்பானின் அறிவியல் வளங்களைச் செயல்படும் AI அமைப்புகள், மீண்டும் உருவாக்கக்கூடிய பரிசோதனைகள், பிற ஆய்வாளர்கள் உண்மையில் பயன்படுத்தக்கூடிய வளங்கள் ஆகியவற்றுடன் இத்திட்டங்கள் இணைக்குமா என்பதே முக்கியச் சோதனை. ARiSE அந்தத் திசையை முன்வைக்கிறது; ஆனால் அது வாக்களிக்கும் கண்டுபிடிப்புகள், தன்னாட்சி திறன்கள் மற்றும் பகிரப்பட்ட தளங்கள் இன்னும் உருவாக்கப்பட்டு விளக்கிக் காட்டப்பட வேண்டும்.

முக்கிய அம்சங்கள்

• ARiSE திட்டத்துக்கு சுமார் 2026 அக்டோபர் முதல் 2029 மார்ச் வரையிலான காலத்துக்கு ¥32 பில்லியன் நிதி ஒதுக்கப்பட்டுள்ளது.
• 203 விண்ணப்பங்களில் இருந்து 31 திட்டங்களை JST தேர்ந்தெடுத்தது; ஏற்றுக்கொள்ளப்பட்ட விகிதம் சுமார் 15.3%.
• மூலோபாய இலக்கு பிரிவில் 12 திட்டங்களும், சர்வதேச மற்றும் துறைகளுக்கிடையிலான பிரிவில் 19 திட்டங்களும் உள்ளன.
• முக்கிய முயற்சிகளில் பொருள் AI தளம், சுமார் நான்கு பில்லியன் அளவுருக்கள் கொண்ட மரபணு மாதிரி, ஆளில்லா ஆராய்ச்சி நிலையம் ஆகியவை அடங்கும்.
• தேர்ந்தெடுக்கப்பட்ட ஆராய்ச்சியில் கணித இயற்பியல், MOF-கள், புற்றுநோய் வழிமுறைகள் மற்றும் சுனாமி உலக மாதிரி ஆகியவையும் இடம்பெறுகின்றன.
• உள்நாட்டுக் கணினி வளங்களும் பகிரப்பட்ட ஆராய்ச்சி உள்கட்டமைப்பும் முன்னுரிமைகளாக உள்ளன; பொருத்தமான இடங்களில் வெளிநாட்டு வளங்களையும் பயன்படுத்தலாம்.
• தனிப்பட்ட திட்டங்களின் தொடக்கத் தேதிகள் ஒப்பந்தங்கள் மற்றும் தயாரிப்புகளைப் பொறுத்தவை; தன்னாட்சி நிலையங்களும் அறிவியல் பயன்பாடுகளும் இன்னும் உருவாக்க இலக்குகளாகவே உள்ளன.