31个项目入选，探索科学研究新模式
日本新推出的ARiSE计划将投入320亿日元，用于支持利用人工智能生成假设、规划并开展实验、分析结果以及决定下一步研究方向的科学研究。日本科学技术振兴机构（JST）从203份申请中选出31个项目，资助期约为两年半，从2026年10月至2029年3月。
目录
JST于9月29日发布的入选公告确认，战略目标类别入选12个项目，国际与跨学科类别入选19个项目。共有82名顾问参与了书面评审和面试。各项目将在合同签订及其他准备工作完成后启动研究，并非自公告发布之日起自动开始。
ARiSE是“利用人工智能重塑科学探索”（AI to Redesign Scientific Exploration）的简称。该计划的目标不止于用AI处理数据集或总结科学论文，而是试图将数字推理与实体实验连接起来，形成反复迭代的循环，让实验结果帮助AI改进假设与设计。
总体入选率约为15.3%，即203份申请中有31份获选。战略目标类别70份申请中入选12份，入选率约为17.1%；国际与跨学科类别133份申请中入选19份，入选率约为14.3%。这些数据反映了竞争程度，但无法说明各项目的具体排名，也不能据此判断最终资金如何分配。
计划负责人为东北大学执行副校长青木孝文。国立情报学研究所（NII）所长黑桥祯夫负责战略目标类别；理化学研究所先进智能项目中心副主任上田修功负责国际与跨学科类别。
国家战略逐步成形
ARiSE承接了文部科学省于2026年3月31日通过的《促进科学领域人工智能应用战略》。JST将该计划定位为旗舰项目，旨在把投资集中到日本具备科研优势、能够产出国际竞争力成果的领域，同时支持与海外顶尖研究人员合作。
文部科学省研究振兴局于2026年4月16日发布了ARiSE基本方针页面。该页面链接至一份262 KB的政策文件，但未在页面正文中列出文件的详细条款。
从制定政策到选定项目，整个流程相对紧凑：
- 2026年3月31日：文部科学省通过促进科学领域人工智能应用的基本战略方针。
- 2026年4月16日：研究振兴局发布ARiSE基本方针页面。
- 2026年5月12日至6月30日：JST接受研究项目申请。
- 2026年9月29日：JST公布31个入选项目。
- 2026年10月2日：东北大学公布3个入选项目。
- 2026年10月13日：JST举行说明会，介绍计划背景和实施安排。
- 2029年3月：当前研究资助期计划结束。
JST理事长桥本和仁认为，仅靠投资规模，日本无法与美国和中国匹敌。另一条路是聚焦日本已积累宝贵科学数据、专业知识、实验能力和机器人技术的领域。
他还关注对外依赖问题。如果日本研究人员只使用海外开发的AI，基础技术和计算资源可能仍由其他国家掌控。因此，ARiSE将国内模型开发与国际合作结合起来，而非把两者视为相互排斥的选择。
两个资助类别，各有侧重
战略目标类别支持材料科学、生命科学以及大型研究设施与设备领域规模较大的团队。入选的12个项目包括6个材料科学项目、4个生命科学项目，以及2个涉及大型设施或设备的项目。
材料科学项目分为三个目标方向。目标1-1和1-2各有1个入选项目，每个项目的资助上限约为30亿日元；目标1-3有4个项目，每个项目的资助上限约为10亿日元。生命科学和大型设施项目每个项目的资助上限约为20亿日元。这些是资助上限，并不代表每个团队都已获批相应金额。
国际与跨学科类别面向所有科学领域，支持将科学理论、定律和结构性知识融入AI的研究，通常每个项目资助2亿日元。为实现项目目标，申请者在必要时可申请最高6.5亿日元。
每份申请都必须由一名AI研究人员和一名相关科学领域研究人员共同牵头。团队还必须从一开始就规划计算资源需求，开展国际合作，制定数据共享与保护规则，并落实研究安全要求。这些要求把科学专业能力和基础设施规划纳入研究设计，而不是等选定AI模型后再补充。
将材料数据转化为共享研究平台
一个核心材料科学项目旨在把日本积累的材料数据与国内大型语言模型及专业AI连接起来。以物质材料研究机构（NIMS）为中心开发的数据和研究资源，将用于构建国家级材料AI平台。
拟建平台包含多个相互连接的层次：为AI应用准备的数据和分析工具、材料基础模型、协助发现与设计的AI智能体，以及先进实验设备。基础模型是经过广泛训练、可用于多种研究任务的通用模型。AI智能体则能够调用工具，并协调完成特定目标所需的多个步骤。
设想中的研究循环从AI提出材料或实验条件开始。联网设备随后开展实验，实验结果再反馈到下一轮设计中。该计划希望让广泛的材料研究群体都能使用这项能力，而不是仅供少数拥有丰富AI专业知识的团队使用。
东北大学公布的3个入选项目展示了国家层面的计划如何与具体研究项目相衔接。熊谷悠教授牵头一个利用AI开发硬质块体材料的平台，宫本吾郎教授和志贺元纪教授共同担任研究负责人。
东北大学的第二个项目聚焦磁性材料的自主创制及其机理解析，探索人与AI协作。项目由广畑贵文教授牵头，NIMS的岩崎悠真和大阪大学的小野宽太教授共同担任负责人。
东北大学第三个入选项目属于国际与跨学科类别，名为“海啸世界模型”。项目由越村俊一教授牵头，井内贤太郎教授和国立防灾科学技术研究所的臼田裕一郎共同参与。该项目入选表明ARiSE的范围不限于实验室材料和生物学领域，不过校方公告没有详细介绍该模型预期具备的能力。
从失败实验中学习的基因组模型
生命科学计划包括一个约40亿参数的基因组语言模型，目标覆盖植物、动物、人类和微生物。传统语言模型以词语为训练对象，而基因组语言模型学习的是DNA序列中的规律，以支持生物功能研究和基因组设计。
参数是模型在训练过程中调整的数值。计划中的模型将在现有约70亿参数模型的基础上开发。这些数字反映模型规模，并不能证明新模型会胜过前代。模型的科学价值取决于围绕它构建的生物数据、实验和学习流程。
该项目采用“设计、构建、测试、学习”的循环。研究人员设计序列或提出假设，制作并通过实验进行测试，再将结果反馈给模型。成功结果、失败实验和遗传资源都计划用于后续学习。纳入失败结果很重要，因为不成功的实验也有助于找出哪些设计或条件行不通。
该模型计划成为生命科学研究人员可共享的资源，并通过Bio-AGILE联盟推动实际应用。生物安全和模型安全也被明确纳入项目工作。能够支持生物设计的工具，除了提升预测能力，还必须配备相应防护措施。
从自动化仪器迈向自主研究设施
无人化研究设施项目由东京科学大学、理化学研究所和Epistora共同开展。根据Epistora发布的项目公告，研究由东京科学大学神田元纪教授牵头。共同负责人包括理化学研究所科学基础模型开发计划项目主任高桥浩一，以及Epistora首席执行官小泽洋介。
该项目属于战略目标3，涵盖大型研究设施的运行优化、自动化、自主运行，以及实验规划和数据分析能力的改进。项目将开发并验证AI智能体和基础模型，以连接研究计划、实验设备和由此产生的数据。
自动化仪器与自主研究设施之间的差别，体现在实际运行中。机器人或许能完成一项实验，但设备准备、样品转移、补充耗材、仪器排期以及处理中断等工作仍可能需要人工。ARiSE希望解决这些实验周边任务，而不仅仅是实验本身。
拟建的设施包含三个相互连接的部分。信息系统负责处理研究目标、假设、实验计划、分析和后续实验决策；运行系统负责调配设备、时间和材料；实体系统则将实现运输、补充和故障恢复的自动化。
研究人员将负责监督流程，而非管理每一个具体步骤。该设施计划支持癌症、免疫、疫苗、衰老和再生医学等领域的持续研究。Epistora表示，公司拥有约十年AI与机器人研究经验，其中包括优化诱导多能干细胞转化为视网膜色素上皮细胞的条件。视网膜色素上皮细胞具有支持视网膜的作用。
黑桥祯夫表示，随着AI和机器人技术发展，人们对这类设施的预期，正从大约2050年提前至2040年左右，继而提前至大约2030年。这是不断变化的估计，并不保证完全自主的研究设施会在ARiSE资助期于2029年3月结束前投入运行。
让科学理论成为AI的一部分
国际与跨学科类别通过另一种路径提升科学AI能力。上田修功提出的方法，是将科学理论融入模型结构、表征和学习原理，而非仅把理论用作限制传统模型的规则。
相关知识包括对称性、不变性、因果关系、边界条件和尺度定律。通俗地说，这些概念描述了系统发生变化时哪些关系应保持不变、原因如何与结果相联系，以及科学模型适用的条件。将这些知识融入AI，旨在提升其在数据稀缺或条件不同于训练环境时的推理能力。
一个入选项目将数学物理与AI结合，用于生成科学假设，并通过数学和物理理论检验其有效性。项目旨在缩小“提出看似合理的观点”与“确认观点是否正确”之间的差距。自主验证是研究目标，并非该计划已经展示的能力。
另一个项目聚焦金属有机框架材料（MOF），这类多孔材料的研究用途包括气体吸附与分离。其性质可能随合成和实验条件而改变。项目将结合不断变化的科学表征、反事实推理和研究人员反馈，探索改变某项条件可能如何影响结果。
反事实推理关注的是在不同条件下会发生什么，而不只是从现有观察中识别规律。研究人员将评估假设和推理过程，再把判断反馈给AI。因此，尽管无人化设施项目追求更高程度的运行自主性，这一项目仍保留了研究人员的直接参与。
癌症研究不止于识别模式
另一个癌症研究项目将整合组织结构、细胞形态、基因表达，以及癌细胞、免疫细胞和其他周边细胞之间的相互作用。项目旨在构建能够推理疾病机制的模型，而不仅仅是识别与癌症相关的特征。
研究将连接两个观察层面。模型将从组织结构推断单个细胞的行为，再根据这些行为预测组织状况如何变化。兼顾空间和时间维度，或有助于研究人员考察癌症如何在其周围的生物环境中发展。
预期应用包括发现疾病机制、预测预后和探索治疗方案。这些都是拟议的研究成果。入选ARiSE并不能证明相关技术具有临床疗效，也不意味着诊断或治疗工具已可用于患者。
计算资源与共享机制将影响项目落地
由于模型训练和运行可能占用大量研究经费，ARiSE要求申请阶段就提交计算资源计划。JST打算整合大学、公共研究机构、企业和理化学研究所的资源，并在适当情况下允许使用海外商业计算资源。
关于拟使用的理化学研究所AI超级计算机名称，不同报道说法不一：一则报道称其为RIKEN，10月说明会的报道则称为“理究”。双方一致提到的，是计划在使用其他资源的同时利用国内计算资源。目前尚未明确各项目最终将获分配多少计算能力。
该计划还希望让入选团队之外的研究人员也能使用普遍适用的模型、智能体、工具和评估方法。JST计划与NII的SINET学术网络以及NII RDC研究数据基础设施对接。这些连接旨在让日本各地的研究人员能够使用相关成果，并促进材料科学、生命科学和研究设施项目之间的交流。
共享并不意味着所有内容都要公开。出于竞争或安全考虑需要保护的数据或结果，可能仍会保密。自项目入选起，团队就须遵守研究安全要求；基因组项目还承担特定的生物安全和模型安全责任。
项目负责人预计将审查研究进展并支持调整，包括拓展研究任务、增加国际合作伙伴以及举办联合活动。这种灵活性是为了应对一种风险：2026年制定的计划到2029年可能已经过时。现有信息尚未明确各项目合同的启动日期、最终资助金额、计算资源分配情况或模型对外发布的详细时间表。
该计划的核心考验，是能否将日本的科研优势转化为可运行的AI系统、可复现的实验，以及其他研究人员能够实际使用的资源。ARiSE勾勒出了这一方向，但其承诺的科研发现、自主能力和共享平台仍有待开发和验证。
要点
- ARiSE资助总额为320亿日元，资助期约为2026年10月至2029年3月。
- JST从203份申请中选出31个项目，入选率约为15.3%。
- 战略目标类别有12个项目；国际与跨学科类别有19个项目。
- 重点项目包括材料AI平台、约40亿参数的基因组模型，以及无人化研究设施。
- 入选研究还涉及数学物理、MOF、癌症机制和“海啸世界模型”。
- 国内计算资源和共享研究基础设施是重点，在适当情况下也允许使用海外资源。
- 各项目的启动日期取决于合同和准备工作；自主研究设施和科学应用仍处于开发目标阶段。
