Horyzontalny Punkt
Kontaktowy
Polska Zachodnia

Kontekst i wyzwanie

Współczesna sztuczna inteligencja osiągnęła spektakularny postęp, czego dowodem jest zdolność AI generatywnej do rozpoznawania skomplikowanych wzorców i generowania adekwatnych kontekstowo wyników w oparciu o coraz większe modele i powiązane z nimi zbiory danych. Pomimo tych niezwykłych kroków milowych, wciąż istnieje znacząca przepaść pomiędzy możliwościami ludzkiego mózgu a inteligencją maszynową. Musi ona zostać pokonana, aby zapewnić niezawodne działanie systemów oraz umożliwić ich efektywną interakcję z użytkownikami i interesariuszami.

Obecne modele generatywne potrafią dostarczać bardzo precyzyjne wyniki, a nawet rozwiązywać niektóre problemy matematyczne, jednak często kapitulują w starciu ze złożonymi testami porównawczymi i wykazują trudności w autentycznym rozumieniu realnego świata. Modele technologii deep learning nagminnie zawodzą przy próbach rzetelnego rozwiązywania zadań logicznych oraz w planowaniu długoterminowym - nawet w sytuacjach, w których istnieją dające się udowodnić, poprawne rozwiązania. To drastycznie ogranicza ich skuteczność w krytycznych aplikacjach, gdzie precyzja i niezawodność są kwestią absolutnie kluczową.

Inspirując się zdolnością ludzkiego mózgu do przetwarzania informacji na wielu poziomach abstrakcji, wyzwanie DeepRAP ma na celu wyjście daleko poza obecny stan wiedzy w tradycyjnych podejściach do AI. Dotyczy to zarówno metod symbolicznych (np. reguły, drzewa decyzyjne, regresja symboliczna), jak i konekcjonistycznych, neuronowych (np. deep learning, LLM, uczenie ze wzmocnieniem). Ambicją naboru jest radykalne podniesienie zdolności maszynowych w trzech filarach: wnioskowaniu, abstrakcji i planowaniu (ang. RAP). Pozwoli to pokonać ograniczenia obecnych modeli głębokiego uczenia, które mimo swoich mocnych stron wykazują głębokie braki w krytycznych funkcjach poznawczych, takich jak konceptualizacja, kontekstualizacja, przyczynowość, wyjaśnialność oraz zrozumiałe, inteligentne rozumowanie - czyli kompetencje fundamentalne, by zbliżyć się do inteligencji typu ludzkiego.

Trzy konkretne filary techniczne

Innowacyjne pomysły zgłaszane w ramach tego wyzwania muszą badać nowatorskie podejścia, w tym unikalne kombinacje istniejących technik (w szczególności sztuczną inteligencję neuro-symboliczną) lub tworzyć całkowicie nowe ramy teoretyczne i programistyczne, które wykraczają poza tradycyjne paradygmaty głębokiego uczenia i uczenia ze wzmocnieniem. EIC wprost zachęca do szukania inspiracji w tak zróżnicowanych dziedzinach nauki jak neuronauka, biologia, fizyka czy filozofia.

Propozycje projektowe muszą ukierunkować swoje badania na jedną lub więcej z następujących zdolności poznawczych:

1. Głębokie wnioskowanie (deep reasoning - DR)

• Cel - wyjście poza proste, statystyczne dopasowywanie wzorców na rzecz wspierania wnioskowania przyczynowo-skutkowego, rozumowania logicznego oraz podejmowania decyzji wrażliwych na kontekst i opartych na zdrowym rozsądku w złożonych, nieustrukturyzowanych środowiskach.
• Wymagania: przejście od korelacji opartych wyłącznie na danych (analiza data-driven) do systemów AI zdolnych do zrozumienia, dlaczego dane wzorce się pojawiają, identyfikowania przyczyn leżących u ich podstaw oraz wyciągania poprawnych wniosków za pomocą procesów dedukcyjnych i indukcyjnych. Szczególnie promowane są podejścia neuro-symboliczne, łączące potężną moc uczenia się sieci neuronowych ze strukturalnym wnioskowaniem symbolicznego rozumowania. Integracja wiedzy kontekstowej i zdroworozsądkowej ma pozwolić sztucznej inteligencji na holistyczną interpretację informacji, dynamiczną adaptację decyzji oraz radzenie sobie z wieloznacznością i niepewnością danych. Systemy te muszą godzić ze sobą wiele różnych źródeł informacji, dostarczać przejrzyste i w pełni wyjaśnialne przesłanki logiki swoich wyników oraz pozostawać w zgodzie z ludzkimi wartościami i oczekiwaniami, gwarantując godne zaufania i odpowiedzialne działanie w wymagających scenariuszach rzeczywistych.

2. Głęboka abstrakcja (deep abstraction - DA)

• Cel - umożliwienie systemom AI skutecznego generalizowania wiedzy i spostrzeżeń na podstawie bardzo ograniczonych zbiorów danych (scenariusze data-scarce).
• Wymagania: cel ten ma zostać osiągnięty poprzez tworzenie, manipulowanie i ciągłe udoskonalanie pojęć wysokiego poziomu, analogii oraz reprezentacji, które można płynnie transferować pomiędzy zupełnie odmiennymi domenami aplikacyjnymi. Kluczowym elementem jest rozwój wewnętrznych modeli świata, które będą wspierać proces abstrakcji, rozwijać zdroworozsądkowe zrozumienie otoczenia oraz integrować świadomość semantyczną i kontekstową. Wyjątkowo pożądane są podejścia łączące rozumowanie symboliczne, mapowanie analogii oraz uczenie się reprezentacji (representation learning). Pozwolą one maszynom poprawnie interpretować intencje, znaczenia i relacje wewnątrz wysoce złożonych środowisk. Postęp innowacji w głębokiej abstrakcji jest niezbędny do osiągnięcia elastyczności kognitywnej, niezawodnego uczenia transferowego oraz adaptacyjnego wnioskowania w dynamicznych i gwałtownie ewoluujących warunkach.

3. Głębokie planowanie (deep planning - DP)

• Cel - opracowanie solidnych, adaptacyjnych i wysoce skalowalnych algorytmów oraz modeli planowania, zdolnych do autonomicznego działania w otwartych światach, systemach agentowych lub niepewnych środowiskach czasu rzeczywistego.
• Wymagania: wykorzystanie zaawansowanych technik głębokiego uczenia (takich jak głębokie uczenie ze wzmocnieniem) oraz architektur skrojonych bezpośrednio pod zadania planistyczne, by umożliwić AI samodzielne projektowanie, optymalizowanie i korygowanie złożonych strategii w dynamicznych układach. Podejścia neuro-symboliczne integrujące sieci neuronowe z wnioskowaniem symbolicznym są tu mocno wspierane, ponieważ pozwalają skutecznie adresować niepewność środowiska, dostarczać formalne gwarancje poprawności działań oraz zapewniać w pełni wyjaśnialne i przewidywalne decyzje. Nacisk kładziony jest na elastyczne planowanie długoterminowe integrujące tzw. czasowanie poznawcze oraz modelowanie predykcyjne, co pozwala maszynie antycypować zdarzenia i dostosowywać się do dynamicznego kontekstu. Projekty powinny badać planowanie hierarchiczne na wielu poziomach czasowych jednocześnie, planowanie awaryjne w celu wdrażania skutecznych strategii zapasowych, a także permanentne replanowanie pozwalające na bieżąco aktualizować plany wraz z ewolucją otoczenia. Te innowacje stanowią fundament dla odpornego, skoordynowanego i bezpiecznego planowania AI w nieprzewidywalnych realiach.

Oczekiwane rezultaty (Expected Outcomes)

Ambitne wnioski składane w ramach tego naboru muszą dostarczyć:

• modele i/lub architektury zdolne do jednoczesnego przetwarzania multimodalnych danych i wiedzy oraz radzenia sobie z niepewnością, które mogą być trenowane i wdrażane przy użyciu ograniczonych zasobów obliczeniowych,
• dające się udowodnić mechanizmy wiarygodności, które gwarantują pełną wyjaśnialność, przejrzystość, sprawiedliwość algorytmiczną, szacowanie ryzyka, bezpieczeństwo oraz bezwzględną zgodność ze standardami etycznymi i prawnymi - w tym z prawami podstawowymi i unijnym aktem o sztucznej inteligencji (EU AI Act),
• demonstrację rozwiniętych zdolności kognitywnych, zintegrowanych w działającym systemie kognitywnej sztucznej inteligencji, który osiągnie poziom TRL 4. System ten musi wykonywać złożone zadania w świecie rzeczywistym (np. odkrycia naukowe, wspomaganie decyzji, rozwiązywanie problemów) oraz prowadzić symulacje na dużą skalę.

Dodatkowo projekty muszą:

• zaproponować całkowicie nowe metody i metryki służące do ewaluacji i certyfikacji wnioskowania oraz wiarygodności w AI, jak również optymalizacji wykorzystania zasobów obliczeniowych,
• rygorystycznie przestrzegać zasad FAIR gwarantując, że wszystkie wypracowane dane, modele i wyniki będą możliwe do znalezienia, dostępne, interoperacyjne i wielokrotnego użytku, co zmaksymalizuje przejrzystość, reprodukowalność oraz ostateczny wpływ projektu,
• rozwijać bliskie synergie naukowe z kluczowymi inicjatywami i infrastrukturami UE, takimi jak: laboratoria TEFs (AI Testing and Experimentation Facilities), platforma neurobiologiczna eBrains, zasoby RAISE (Resource for AI Science in Europe), platforma AI-on-demand (AIoD) oraz Quantum Flagship.

Jak EIC ocenia wnioski?

W naborze DeepRAP wysoka ocena punktowa od niezależnych ekspertów w Kroku 1 to jedynie bilet wstępu do ostatecznej selekcji. Krok 2 to zaawansowana selekcja portfelowa, w której Komitet Oceniający (z udziałem Menadżera Programu) buduje zbalansowany i wszechstronny ekosystem projektów, zapewniając szerokie pokrycie kompetencji technologicznych, domenowych oraz synergicznych.

Po przesłaniu wniosku, eksperci EIC oceniają każdy wniosek oddzielnie pod kątem kryteriów przyznawania grantów, a komitet dba o spójność punktacji. Wszystkie wnioski, których ocena w Kroku 1 zakończyła się wynikiem powyżej progu punktowego, są następnie mapowane przez Komitet w czterech ścisłych kategoriach portfelowych:

1. Kategoria 1: Zdolności kognitywne (Cognitive Function Capability Coverage)
   • Projekty Głębokiego Wnioskowania (Deep Reasoning Projects - DR) - skupiają się na wnioskowaniu przyczynowo-skutkowym, logicznym i probabilistycznym, podejmowaniu decyzji wrażliwych na kontekst, zdroworozsądkowym rozumowaniu, wnioskowaniu różniczkowalnym end-to-end, dynamicznym, równoległym i multimodalnym (wizualnym, przestrzennym, czasowym) oraz strukturach wyjaśnialnej sztucznej inteligencji (XAI).
   • Projekty Głębokiej Abstrakcji (Deep Abstraction Projects - DA) - kładą nacisk na generalizację z ograniczonych danych, formowanie pojęć, rozumowanie przez analogię, budowanie abstrakcyjnych modeli świata, rozumienie semantyczne i rozpoznawanie kontekstu oraz uczenie transferowe.
   • Projekty Głębokiego Planowania (Deep Planning Projects - DP) - koncentrują się na adaptacyjnych algorytmach planowania, podejmowaniu decyzji w czasie rzeczywistym, hierarchicznych systemach planowania długoterminowego operujących na wielu poziomach abstrakcji czasowej, planowaniu awaryjnym oraz technikach ciągłego replanowania.
   • Projekty Wielozadaniowe (Multi-Capability Projects - MC) - adresują kilka zdolności poznawczych jednocześnie, oferując jasne mechanizmy integracji i kompleksowe architektury systemowe (np. jednoczesne połączenie wnioskowania i planowania lub abstrakcji i wnioskowania). Komitet priorytetowo traktuje projekty pokrywające wiele zdolności kognitywnych jednocześnie.
2. Kategoria 2: Podejście technologiczne i integracja (Technological Approach and Integration)
   • Sztuczna inteligencja neuro-symboliczna (Neuro-symbolic AI - NeSy) - podejścia hybrydowe łączące sieci neuronowe z wnioskowaniem symbolicznym. EIC w sposób szczególny faworyzuje podejścia hybrydowe.
   • Zaawansowane głębokie uczenie (Advanced Deep Learning - ADL) - nowatorskie architektury neuronowe, warianty transformerów, mechanizmy uwagi i inne innowacje deep learningu.
   • Uczenie ze wzmocnieniem (Reinforcement Learning - RL) - zaawansowane podejścia RL, wieloagentowe RL (multi-agent RL) lub hierarchiczne RL.
   • Architektury kognitywne (Cognitive Architectures - CA) - systemy oparte na architekturze BDI (Belief-Desire-Intention), modelowanie kognitywne lub architektury inspirowane biologicznie.
   • Nowatorskie ramy interdyscyplinarne (Novel Interdisciplinary Frameworks - NIF) - podejścia inspirowane neuronauką, biologią, fizyką, filozofią lub innymi dziedzinami nauki.
   • Integracja metod formalnych (Formal Methods Integration - FMI) - podejścia włączające weryfikację formalną, programowanie logiczne lub matematyczne gwarancje poprawności.
   • Integracja multimodalna (Multimodal Integration - MMI) - systemy obsługujące jednocześnie wiele typów danych i modalności (tekst, obraz, dźwięk, czujniki).
   • Integracja mechanizmów wiarygodności (Trustworthiness mechanisms Integration - TM) - wyjaśnialność i interpretowalność, sprawiedliwość algorytmiczna, weryfikacja bezpieczeństwa oraz niezawodność w świecie rzeczywistym. Dla wiarygodności komitet poszukuje różnorodności, z jasną preferencją dla wyjaśnialności (explainability) i formalnych gwarancji matematycznych.
3. Kategoria 3: Domena aplikacyjna i scenariusz użycia (Application Domain and Use Case)
   • Odkrycia naukowe (Scientific Discovery - SD) - generowanie hipotez badawczych, projektowanie eksperymentów lub odkrywanie wiedzy (chemia, materiałoznawstwo, biologia, klimat itp.).
   • Systemy wspomagania decyzji (Decision Support Systems - DSS) - zastosowania w medycynie, finansach, kształtowaniu polityki strategicznej lub planowaniu operacyjnym.
   • Systemy autonomiczne (Autonomous Systems - AS) - robotyka, pojazdy autonomiczne lub inne ucieleśnione aplikacje AI (embodied AI).
   • Współpraca człowiek-AI (Human-AI Collaboration - HAIC) - systemy zaprojektowane do pracy zespołowej ludzi i maszyn lub inteligencji rozszerzonej.
   • Cyberbezpieczeństwo (Cybersecurity - CS) - wykrywanie zagrożeń, planowanie reakcji lub analiza bezpieczeństwa.
   • Zastosowania przemysłowe (Industrial Applications - Ind) - optymalizacja produkcji, zarządzanie łańcuchem dostaw lub kontrola procesów.
   • Aplikacje społeczne i obywatelskie (Social and Societal Applications - SSA) - rozwiązywanie wyzwań społecznych lub transformacja usług publicznych.
4. Kategoria 4: Aspekty synergii (Synergy Aspects)
   • Rozwój benchmarków (Benchmark Development - Ben) - wkład w tworzenie wspólnych, ogólnoportfelowych testów porównawczych dla wnioskowania, abstrakcji i planowania (w tym współdzielenie danych, zadań i otwartych protokołów ewaluacji).
   • Interoperacyjność (Interoperability - Int) - rozwój lub wdrażanie standardów, protokołów i interfejsów API w celu technicznej integracji i kompatybilności komponentów w skali portfela.
   • Wspólne pilotaże i demonstracje (Joint Pilots and Demonstrations - JPD) - zaangażowanie w wielopartnerskie demonstracje łączące narzędzia i modele z różnych projektów, w szczególności poprzez modułową integrację wieloagentową. Komitet dba, by wszystkie działania synergiczne były w pełni pokryte i mogły być płynnie koordynowane.

Strategia wyboru spójnego zestawu projektów

Po zmapowaniu wniosków w powyższych kategoriach, Komitet Oceniający stosuje kryteria portfelowe, dążąc do sformułowania spójnego zestawu grantów. Proces ten opiera się na analizie od najwyżej ocenionej aplikacji w dół rankingu, badając punkty wspólnych oraz różnorodność.

Jeśli komitet uzna, że wysoko oceniony wniosek nie wykazuje żadnych punktów wspólnych (commonalities) z resztą projektów, zostanie on pominięty. Ponadto, w celu zapewnienia dywersyfikacji, propozycje bardzo zbliżone technologicznie lub domenowo do projektu już zatwierdzonego w portfelu również nie otrzymają finansowania.

Instrukcja przygotowania wniosku

Zgodnie z unijnymi zasadami proaktywnego zarządzania, zakwalifikowane konsorcja są zobowiązane i zmuszone do aktywnej, wspólnej pracy pod nadzorem Menadżera Programu EIC. Aby aplikacja spełniała kryteria formalne, musi zawierać następujące elementy:

1. Obowiązkowy pakiet roboczy (WP) dla działań portfelowych - wnioskodawcy powinni zaimplementować dedykowany pakiet roboczy, alokując na niego co najmniej 10 osobo-miesięcy. Można zaproponować konkretne aktywności lub pozostawić ich opis na poziomie ogólnym. Jeśli aplikant pominie ten pakiet na etapie składania wniosku, projekt nie straci punktów merytorycznych, ale podczas przygotowywania umowy grantowej zostanie wezwany do jego obligatoryjnego dodania - bez możliwości zwiększenia budżetu, co wymusi redukcję środków na badania techniczne.
2. Rekomendowany 5-letni czas trwania projektu - EIC stanowczo zaleca planowanie badań na dokładnie 60 miesięcy. Gwarantuje to pełną synchronizację kamieni milowych pomiędzy wszystkimi wygranymi projektami i ułatwia absorpcję wyników wypracowanych wspólnie przez całą społeczność AI.
3. Obowiązkowa Tabela Samooceny - w treści wniosku wnioskodawcy mają sugerowany obowiązek wdrożyć i wypełnić tabelę samooceny, wskazując i uzasadniając dowodami, jak ich projekt mapuje się do oficjalnych podkategorii portfelowych oraz opisując swój potencjał synergiczny.

Wnioskodawcy muszą dodatkowo opisać potencjał swojego projektu w trzech wymiarach:

• Synergie techniczne: w jaki sposób inne projekty z pozostałych kategorii mogą realnie skorzystać z wyników i produktów końcowych Twoich badań?
• Dzielenie się zasobami (resource sharing): Jaką infrastrukturę badawczą, unikalne zestawy danych (datasets) lub specjalistyczną wiedzę ekspercką jesteś w stanie udostępnić całemu portfelowi?
• Wspólna Innowacja (Collaborative Innovation): W jaki sposób Twój zespół może aktywnie przyczynić się do osiągnięcia ogólnoportfelowych celów strategicznych?

Zarządzanie portfelem w praktyce

Po zakończeniu selekcji, Menadżer Programu EIC wypracuje wraz z laureatami wspólny Strategiczny Plan Portfela / Mapę Drogową (Portfolio Strategic Plan / Roadmap). Dokument ten zintegruje kamienie milowe pojedynczych projektów we wspólne, nadrzędne cele operacyjne i będzie aktualizowany co roku, reagując na nagłe trendy rynkowe i technologiczne. Plan ten położy silny nacisk na komercjalizację, stymulowanie szans biznesowych oraz podnoszenie świadomości rynkowej o portfolio.

Merytoryczna praca nad wspólnymi wyzwaniami zostanie zorganizowana w ramach Komitetu Sterującego pod przewodnictwem Menadżera Programu oraz 4 specjalistycznych Grup Roboczych (WG), spotykających się online co około 3 miesiące:

• WG 1: Integracja technologiczna, walidacja i demonstracja:

Zadania: wspólne tworzenie standaryzowanych benchmarków dla zdolności poznawczych (DeepRAP Benchmark Development), rozwój wspólnych interfejsów API i protokołów interoperacyjności systemowej, walidacja krzyżowa projektów przy użyciu zestawów danych z innych konsorcjów, integracja komplementarnych technologii w zunifikowane architektury kognitywne oraz realizacja połączonych projektów pilotażowych zademonstrowanych w świecie rzeczywistym.

• WG 2: Przejście technologii do innowacji:

Zadania: tworzenie analiz techniczno-ekonomicznych dotyczących wdrażania, adopcji i skalowania technologii w realiach rynkowych. Analiza rynku i mapowanie kluczowych graczy w celu nawiązywania partnerstw z całym portfelem. Dyskusje nad prawami IP, licencjonowaniem, modelami biznesowymi i strategią komercjalizacji. Organizacja spotkań i dyskusji z inwestorami prywatnymi oraz korporacyjnymi typu early-stage. Zapewnianie dostępu do nowych rynków.

• WG 3: Regulacje, etyka i wiarygodność:

Zadania: analiza i rozwiązywanie problemów etycznych zgłaszanych przez projekty podlegające przeglądom etycznym, wspieranie i udział w dyskusjach nad definiowaniem zasad etycznych dla kognitywnego AI oraz mechanizmów zgodności. Rozwój wspólnych ram oceny wyjaśnialności i wiarygodności systemów kognitywnych oraz aktywne angażowanie organizacji społeczeństwa obywatelskiego i interesariuszy publicznych.

• WG 4: Komunikacja i upowszechnianie:

Zadania: efektywna i skoordynowana komunikacja kluczowych wyników badawczych członków portfela do wyspecjalizowanych inwestorów prywatnych i korporacyjnych. Prowadzenie kampanii informacyjnych dla opinii publicznej w celu zwiększenia akceptacji społecznej dla rozwiązań kognitywnego AI. Prezentacja wyników na konferencjach naukowych i targach branżowych. Organizacja wspólnych warsztatów, konferencji i szkół letnich oraz rozwój otwartych materiałów edukacyjnych i programów szkoleniowych.

Każdy projekt obowiązkowo nominuje co najmniej jednego reprezentanta do każdej z czterech Grup Roboczych, spośród których wybierany jest Przewodniczący odpowiedzialny za agendę i protokoły spotkań online. Raz w roku organizowane jest obowiązkowe, stacjonarne spotkanie całego portfela, podczas którego wszystkie Grupy Robocze spotykają się osobiście, by podsumować i zaprezentować wypracowane postępy