Naglaan ang Japan ng ¥32 Bilyon para sa ARiSE, na Magdadala ng AI sa Buong Siklo ng Siyentipikong Pananaliksik

Pinili ang 31 proyekto upang baguhin ang paraan ng pagsasagawa ng agham

Maglalaan ang bagong inisyatiba ng Japan na ARiSE ng ¥32 bilyon para sa siyentipikong pananaliksik na gumagamit ng artificial intelligence upang bumuo ng mga haypotesis, magplano at magsagawa ng mga eksperimento, magsuri ng mga resulta, at magpasya kung ano ang susunod na sisiyasatin. Pumili ang Japan Science and Technology Agency (JST) ng 31 proyekto mula sa 203 aplikasyon. Sasaklawin ng pondo ang humigit-kumulang dalawa't kalahating taon, mula Oktubre 2026 hanggang Marso 2029.

Kinukumpirma ng anunsyo ng JST noong Setyembre 29 tungkol sa mga napili na 12 proyekto ang napili para sa kategoryang Strategic Target at 19 para sa kategoryang International and Interdisciplinary. Lumahok ang kabuuang 82 tagapayo sa pagsusuri ng mga dokumento at panayam. Nakatakdang magsimula ang pananaliksik kapag kumpleto na ang mga kontrata at iba pang paghahanda, sa halip na awtomatikong magsimula sa petsa ng anunsyo.

Ang ARiSE ay nangangahulugang AI to Redesign Scientific Exploration. Higit pa sa paggamit ng AI upang magproseso ng isang dataset o magbuod ng mga siyentipikong papel ang layunin nito. Hangad ng programa na pag-ugnayin ang digital na pangangatwiran at mga pisikal na eksperimento, at lumikha ng paulit-ulit na siklo kung saan tumutulong ang mga resulta ng eksperimento sa AI na bumuo ng mas mahuhusay na haypotesis at disenyo.

Nasa humigit-kumulang 15.3% ang kabuuang proporsyon ng mga napili, batay sa 31 matagumpay na panukala mula sa 203 aplikasyon. Tinanggap ng kategoryang Strategic Target ang 12 sa 70 panukala, o humigit-kumulang 17.1%, habang tinanggap naman ng kategoryang International and Interdisciplinary ang 19 sa 133, o humigit-kumulang 14.3%. Ipinakikita ng mga bilang na ito ang tindi ng kompetisyon para makapasok, ngunit hindi nito itinatatag ang ranggo ng bawat proyekto o kung paano tuluyang ipamamahagi ang pondo.

Si Takafumi Aoki, executive vice president ng Tohoku University, ang direktor ng programa. Pinangangasiwaan ni Sadao Kurohashi, direktor ng National Institute of Informatics (NII), ang kategoryang Strategic Target. Si Shunichi Ueda, deputy director ng Center for Advanced Intelligence Project ng RIKEN, naman ang nangangasiwa sa kategoryang International and Interdisciplinary.

?Mabubuo ang pambansang estratehiya

Kasunod ang ARiSE sa estratehiya ng Ministry of Education, Culture, Sports, Science and Technology para itaguyod ang AI for Science, na pinagtibay noong Marso 31, 2026. Inilalarawan ng JST ang inisyatiba bilang pangunahing programa na naglalayong ituon ang pamumuhunan sa mga larangang magagamit ang mga kalakasan ng Japan sa agham upang makalikha ng mga resultang kayang makipagsabayan sa buong mundo, habang sinusuportahan ang pakikipagtulungan sa mga nangungunang mananaliksik sa ibang bansa.

Inilathala ng Research Promotion Bureau ng ministeryo ang pahina ng pangunahing patakaran ng ARiSE noong Abril 16, 2026. May link sa pahinang iyon patungo sa dokumento ng patakaran na 262 KB, ngunit hindi inilalahad sa teksto nito ang mga detalyadong probisyon ng dokumento.

Medyo maikli ang panahong lumipas mula sa pagbuo ng patakaran hanggang sa pagpili ng mga proyekto:

• Marso 31, 2026: Pinagtibay ng ministeryo ang pangunahing estratehikong patakaran nito para itaguyod ang AI for Science.
• Abril 16, 2026: Inilathala ng Research Promotion Bureau ang pahina ng pangunahing patakaran ng ARiSE.
• Mayo 12 hanggang Hunyo 30, 2026: Tumanggap ang JST ng mga panukala sa pananaliksik.
• Setyembre 29, 2026: Inanunsyo ng JST ang 31 napiling proyekto.
• Oktubre 2, 2026: Inanunsyo ng Tohoku University ang tatlong napiling proyekto.
• Oktubre 13, 2026: Nagsagawa ang JST ng briefing tungkol sa pinagmulan at nakaplanong operasyon ng inisyatiba.
• Marso 2029: Nakatakdang matapos ang kasalukuyang panahon ng pagpopondo sa pananaliksik.

Sinabi ni JST President Kazuhito Hashimoto na hindi kayang tapatan ng Japan ang Estados Unidos at China sa laki lamang ng pamumuhunan. Sa halip, dapat ituon ang pansin sa mga larangang naipon na ng Japan ang mahahalagang siyentipikong datos, espesyalisadong kaalaman, kakayahang magsagawa ng eksperimento, at kadalubhasaan sa robotics.

Usapin din ng pag-asa sa ibang bansa ang kaniyang pangamba. Kung AI na binuo sa ibang bansa lamang ang gagamitin ng mga mananaliksik sa Japan, maaaring manatili sa kontrol ng ibang bansa ang pundamental na teknolohiya at mga mapagkukunan sa pagkompyut. Kaya pinagsasama ng ARiSE ang pagbuo ng mga modelong lokal at internasyonal na pakikipagtulungan, sa halip na ituring ang mga ito bilang magkatunggaling pagpipilian.

Dalawang kategorya ng pondo, magkakaiba ang papel

Sinusuportahan ng kategoryang Strategic Target ang malalaking pangkat sa agham ng mga materyales, agham-buhay, at malalaking pasilidad at kagamitan sa pananaliksik. Kabilang sa 12 napili nito ang anim na proyekto sa materyales, apat sa agham-buhay, at dalawa na may kinalaman sa malalaking pasilidad o kagamitan.

Nahahati sa tatlong target ang mga napiling proyekto sa materyales. Tig-iisang proyekto ang napili sa Targets 1-1 at 1-2, na may tinatayang pinakamataas na pondo na ¥3 bilyon bawat proyekto. Apat na proyekto naman ang nasa Target 1-3, na may pinakamataas na pondo na humigit-kumulang ¥1 bilyon bawat isa. Nasa humigit-kumulang ¥2 bilyon bawat proyekto ang pinakamataas na pondong nakalaan sa agham-buhay at malalaking pasilidad. Mga limitasyon ito sa pondo, hindi kumpirmadong grant para sa bawat pangkat.

Bukas sa lahat ng larangan ng agham ang kategoryang International and Interdisciplinary. Sinusuportahan nito ang pananaliksik na isinasama sa AI ang mga siyentipikong teorya, batas, at kaalaman sa estruktura. Karaniwang nakatakda sa ¥200 milyon bawat proyekto ang pondo. Maaaring humiling ng hanggang ¥650 milyon ang mga panukala kung kailangan upang makamit ang mga layunin ng mga ito.

Dapat pagsamahin ng bawat panukala ang isang mananaliksik sa AI at isang mananaliksik mula sa kaugnay na disiplinang siyentipiko bilang magkatuwang na pinuno. Kailangan ding planuhin ng mga pangkat ang pangangailangan nila sa pagkompyut sa simula pa lamang, itaguyod ang internasyonal na pakikipagtulungan, magtakda ng mga tuntunin para sa pagbabahagi at pagprotekta ng datos, at tugunan ang seguridad ng pananaliksik. Bahagi ng disenyo ng pananaliksik ang siyentipikong kadalubhasaan at pagpaplano ng imprastraktura, sa halip na idagdag lamang ang mga ito matapos pumili ng AI model.

Nagiging pinagsasaluhang plataporma ng pananaliksik ang datos sa materyales

Layunin ng isang pangunahing proyekto sa materyales na iugnay ang naipong datos ng Japan tungkol sa mga materyales sa mga lokal na malalaking language model at espesyalisadong AI. Inaasahang makatutulong ang datos at mga mapagkukunan ng pananaliksik na binuo kaugnay ng National Institute for Materials Science (NIMS) sa pagbuo ng pambansang plataporma ng AI para sa materyales.

May ilang magkakaugnay na bahagi ang iminungkahing plataporma: datos at mga kasangkapang analitikal na inihanda para magamit ng AI, mga pundamental na modelo para sa materyales, mga AI agent na tumutulong sa pagtuklas at disenyo, at makabagong kagamitang pang-eksperimento. Ang pundamental na modelo ay malawakang sinanay na modelo na maaaring gamiting panimula sa iba't ibang gawain sa pananaliksik. Kayang gumamit ng mga kasangkapan at mag-ugnay ng mga hakbang ang AI agent upang matupad ang isang takdang layunin.

Sa nilalayong siklo ng pananaliksik, magmumungkahi muna ang AI ng materyal o kundisyon ng eksperimento. Pagkatapos, isasagawa ng konektadong kagamitan ang eksperimento at ibabalik ang mga resulta upang magamit sa susunod na disenyo. Layunin nitong maipagamit ang kakayahang ito sa malawak na komunidad ng mga mananaliksik sa materyales, sa halip na limitahan ito sa iilang pangkat na may malawak na kadalubhasaan sa AI.

Ipinakikita ng tatlong napiling proyekto ng Tohoku University kung paano maiuugnay ang pambansang pagsisikap na ito sa mga partikular na programa sa pananaliksik. Pinamumunuan ni Propesor Yu Kumagai ang isang plataporma para bumuo ng matitigas na solidong materyales gamit ang AI. Katuwang niyang mga pinuno sa pananaliksik sina Propesor Goro Miyamoto at Motoki Shiga.

Tinutugunan ng ikalawang proyekto ng Tohoku ang awtonomong paglikha ng mga magnetikong materyales at pag-unawa sa mga mekanismo ng mga ito sa pamamagitan ng pagtutulungan ng mga tao at AI. Pinamumunuan ito ni Propesor Takafumi Hirohata, kasama sina Yuma Iwasaki ng NIMS at Propesor Kanta Ono ng Osaka University bilang mga katuwang na pinuno.

Ang ikatlong napiling proyekto ng Tohoku, sa kategoryang International and Interdisciplinary, ay ang Tsunami World Model. Pinamumunuan ito ni Propesor Shunichi Koshimura, kasama sina Propesor Kentaro Inui at Yuichiro Usuda ng National Research Institute for Earth Science and Disaster Resilience. Ipinakikita ng pagkakasama nito na hindi lamang sa mga materyales sa laboratoryo at biyolohiya nakatuon ang ARiSE, bagaman hindi inilalahad sa anunsyo ng unibersidad ang mga kakayahang nilalayong taglayin ng modelo.

Modelo ng genome na natututo mula sa mga nabigong eksperimento

Kabilang sa programa sa agham-buhay ang isang language model ng genome na may humigit-kumulang apat na bilyong parameter. Layunin nitong sumaklaw sa mga halaman, hayop, tao, at mikroorganismo. Di-gaya ng karaniwang language model na sinasanay gamit ang mga salita, natututuhan ng language model ng genome ang mga padron sa mga pagkakasunod-sunod ng DNA upang makatulong sa pananaliksik sa biyolohikal na tungkulin at disenyo ng genome.

Ang mga parameter ay mga numerikal na halagang inaayos ng isang modelo habang sinasanay. Ibabatay ang planong modelo sa dati nang modelo na may humigit-kumulang pitong bilyong parameter. Ipinakikita ng mga bilang na ito ang laki ng modelo, hindi patunay na mas mahusay ang bagong modelo kaysa sa nauna rito. Nakadepende ang nilalayong halaga nito sa agham sa biyolohikal na datos, mga eksperimento, at proseso ng pagkatuto na bubuuin sa paligid nito.

Gagamitin ng proyekto ang siklong Design, Build, Test, Learn. Magdidisenyo ang mga mananaliksik ng pagkakasunod-sunod o haypotesis, bubuuin at susubukan ito sa eksperimento, at ibabalik ang mga resulta sa modelo. Inaasahang makatutulong sa susunod na pagkatuto ang matagumpay na resulta, mga nabigong eksperimento, at mga mapagkukunang henetiko. Mahalaga ang pagsama sa mga kabiguan dahil makatutulong ang nabigong eksperimento na matukoy kung aling mga disenyo o kundisyon ang hindi gumagana.

Nilalayon na maging pinagsasaluhang mapagkukunan ng mga mananaliksik sa agham-buhay ang modelo, at isusulong ang praktikal na paggamit nito sa pamamagitan ng Bio-AGILE consortium. Tahasang bahagi ng gawain ang biosafety at kaligtasan ng modelo. Nangangailangan ng mga pananggalang ang isang kasangkapang makatutulong sa biyolohikal na disenyo, kasabay ng pagpapahusay sa kakayahan nitong manghula.

Mula sa awtomatikong kagamitan tungo sa pasilidad na awtonomo

Pinagsasama ng proyektong bubuo ng pasilidad sa pananaliksik na walang tauhan ang Institute of Science Tokyo, RIKEN, at Epistora. Ayon sa anunsyo ng Epistora tungkol sa proyekto, pinamumunuan ni Propesor Genki Kanda ng Institute of Science Tokyo ang pananaliksik. Katuwang niyang mga pinuno sina Koichi Takahashi, project director sa programa ng RIKEN para sa pagbuo ng mga pundamental na siyentipikong modelo, at Yosuke Ozawa, CEO ng Epistora.

Saklaw ng Strategic Target 3 ang proyekto. Nakatuon ito sa pag-optimize ng operasyon, awtomasyon, awtonomong operasyon, at pagpapahusay sa pagpaplano ng eksperimento at pagsusuri ng datos sa malalaking pasilidad sa pananaliksik. Bubuo at magpapakita ito ng mga AI agent at pundamental na modelo na mag-uugnay sa mga plano sa pananaliksik, kagamitang pang-eksperimento, at datos na makukuha.

May praktikal na pagkakaiba ang awtomatikong instrumento at pasilidad na awtonomo. Maaaring magsagawa ang robot ng isang eksperimento, ngunit maaaring kailangan pa rin ng mga tao na maghanda ng kagamitan, maglipat ng mga sample, magdagdag ng mga suplay, mag-iskedyul ng paggamit ng mga instrumento, at humalili kapag may pagkaantala. Layunin ng ARiSE na tugunan ang mga gawaing nakapaligid sa eksperimento, pati na ang mismong eksperimento.

May tatlong magkakaugnay na bahagi ang iminungkahing pasilidad. Pangangasiwaan ng mga sistema ng impormasyon nito ang mga layunin sa pananaliksik, haypotesis, plano sa eksperimento, pagsusuri, at mga pagpapasya tungkol sa mga susunod na eksperimento. Maglalaan naman ang mga sistemang operasyonal ng kagamitan, oras, at materyales. Aawtomatiko ng mga pisikal na sistema ang paglilipat, muling pagdaragdag ng mga suplay, at pagbangon mula sa mga pagkaantala.

Babantayan ng mga tao ang proseso sa halip na pangasiwaan ang bawat hakbang. Nilalayon ng pasilidad na suportahan ang tuluy-tuloy na pananaliksik tungkol sa kanser, imyunidad, mga bakuna, pagtanda, at regenerative medicine. Sinabi ng Epistora na mayroon itong humigit-kumulang isang dekadang pananaliksik sa AI at robotics, kabilang ang gawaing nag-optimize sa mga kundisyon para gawing retinal pigment epithelial cells ang induced pluripotent stem cells. Mga selulang sumusuporta sa retina ang mga ito.

Sinabi ni Kurohashi na umusad ang mga inaasahan para sa ganitong mga pasilidad mula bandang 2050, patungong 2040, at pagkatapos ay bandang 2030 habang umuunlad ang AI at robotics. Patuloy na nagbabagong pagtataya ito, hindi garantiya na gagana na ang isang ganap na awtonomong pasilidad bago matapos sa Marso 2029 ang panahon ng pagpopondo ng ARiSE.

Nagiging bahagi ng AI ang siyentipikong teorya

Iba ang paraang ginagamit ng kategoryang International and Interdisciplinary upang pahusayin ang AI sa agham. Isinasama ng pamamaraan ni Ueda ang siyentipikong teorya sa mga estruktura, representasyon, at prinsipyo ng pagkatuto ng modelo, sa halip na gamitin lamang ang teorya bilang tuntuning naglilimita sa isang karaniwang modelo.

Kabilang sa kaugnay na kaalaman ang simetriya, invariance, sanhi at bunga, mga kundisyon sa hangganan, at mga batas ng scaling. Sa madaling salita, inilalarawan ng mga ito ang mga ugnayang dapat manatili kapag nagbabago ang isang sistema, kung paano nag-uugnay ang mga sanhi at bunga, at ang mga kundisyong pinaggagamitan ng isang siyentipikong modelo. Layunin ng pagsasama ng ganitong kaalaman sa AI na pahusayin ang pangangatwiran kapag kakaunti ang datos o iba ang mga kundisyon sa mga naranasan nito habang sinasanay.

Pagsasamahin ng isang napiling proyekto ang mathematical physics at AI upang makabuo ng mga siyentipikong haypotesis at suriin ang bisa ng mga ito gamit ang teoryang matematika at pisika. Layunin nitong paliitin ang agwat sa pagitan ng pagbuo ng kapani-paniwalang pahayag at pagtitiyak kung tama ito. Layunin ito ng pananaliksik sa awtonomong beripikasyon, hindi kakayahan ng programa na naipakita na.

Isa pang proyekto ang nakatuon sa metal organic frameworks (MOF), mga buhaghag na materyales na pinag-aaralan para sa mga gamit gaya ng pagsipsip at paghihiwalay ng gas. Maaaring magbago ang mga katangian ng mga ito ayon sa paraan ng sintesis at mga kundisyon ng eksperimento. Pinagsasama ng proyekto ang nagbabagong mga siyentipikong representasyon, pangangatwirang kontrapaktuwal, at puna mula sa mga mananaliksik upang siyasatin kung paano mababago ng pagbabago sa isang kundisyon ang resulta.

Itinatanong ng pangangatwirang kontrapaktuwal kung ano ang mangyayari sa ibang kundisyon, sa halip na tukuyin lamang ang mga padron sa umiiral na obserbasyon. Susuriin ng mga mananaliksik ang mga haypotesis at pangangatwiran, at ibabalik sa AI ang kanilang mga pagtatasa. Kaya nananatili ang tuwirang pakikilahok ng tao sa proyektong ito, kahit na higit na awtonomong operasyon ang nilalayon ng proyekto sa pasilidad na walang tauhan.

Higit pa sa pagtukoy ng mga padron ang pananaliksik sa kanser

Pagsasamahin ng hiwalay na proyekto sa kanser ang estruktura ng tisyu, hugis ng selula, ekspresyon ng gene, at ugnayan ng mga selula ng kanser, selulang panlaban sa sakit, at iba pang nakapaligid na selula. Layunin nitong bumuo ng mga modelong mangangatwiran tungkol sa mga mekanismo ng sakit, sa halip na tumukoy lamang ng mga katangiang kaugnay ng kanser.

Pinag-uugnay ng gawain ang dalawang antas ng obserbasyon. Mula sa pagkakaayos ng isang tisyu, tutukuyin ng modelo kung paano kumikilos ang mga indibidwal na selula. Mula sa mga kilos na iyon, huhulaan nito kung paano nagbabago ang kalagayan ng tisyu. Makatutulong sa mga mananaliksik ang pagsusuri sa espasyo at panahon upang siyasatin kung paano umuunlad ang kanser sa loob ng nakapaligid na biyolohikal na kapaligiran nito.

Kabilang sa mga nilalayong gamit ang pagtuklas sa mga mekanismo ng sakit, paghula sa pagbabala, at pagsisiyasat sa mga paggamot. Mga inaasahang resulta pa lamang ito ng pananaliksik. Hindi pinatutunayan ng pagkakapili sa ARiSE ang klinikal na bisa ng mga ito o nangangahulugang handa na para sa mga pasyente ang isang kasangkapan sa diyagnosis o paggamot.

Huhubog sa pagpapatupad ang akses at pagbabahagi ng kompyutasyon

Nangangailangan ang ARiSE ng mga plano sa pagkompyut sa yugto pa lamang ng panukala dahil malaking bahagi ng pondo sa pananaliksik ang maaaring magugol sa pagsasanay at pagpapatakbo ng mga modelo. Nilalayon ng JST na pagsamahin ang mga mapagkukunan sa mga unibersidad, pampublikong institusyon sa pananaliksik, kumpanya, at RIKEN, habang pinahihintulutan ang paggamit ng komersiyal na serbisyo sa pagkompyut mula sa ibang bansa kung naaangkop.

Magkakaiba ang mga ulat sa pangalan ng supercomputer ng RIKEN para sa AI na isinasaalang-alang: RIKEN ang tawag dito sa isa, samantalang 理究 naman ang ginamit sa ulat ng briefing noong Oktubre. Pareho nilang sinasabi na planong gumamit ng mga lokal na mapagkukunan sa pagkompyut kasabay ng iba pa. Hindi pa tinutukoy ang pinal na paglalaan ng kapasidad sa pagkompyut sa bawat proyekto.

Layunin din ng programa na maipamahagi sa labas ng mga napiling pangkat ang mga modelong, agent, kasangkapan, at paraan ng pagsusuri na magagamit ng marami. Nagpaplano ang JST na iugnay ang mga ito sa akademikong network ng NII na SINET at sa imprastraktura ng NII RDC para sa datos ng pananaliksik. Nilalayon ng mga ugnayang ito na gawing abot-kamay ng mga mananaliksik sa buong Japan ang mga resulta at suportahan ang palitan ng kaalaman sa mga proyekto sa materyales, agham-buhay, at pasilidad.

Hindi nangangahulugan ang pagbabahagi na ilalathala ang lahat. Maaaring manatiling kumpidensiyal ang datos o mga resultang kailangang protektahan dahil sa kompetisyon o seguridad. Umiiral ang mga kinakailangan sa seguridad ng pananaliksik mula sa pagpili ng proyekto, habang may partikular ding mga tungkulin ang proyekto sa genome kaugnay ng biosafety at kaligtasan ng modelo.

Inaasahang susuriin ng mga opisyal ng programa ang progreso at tutulong sa mga pagbabago, kabilang ang pagpapalawak ng mga gawain sa pananaliksik, pagdaragdag ng mga internasyonal na katuwang, at pagdaraos ng magkasanib na pagtitipon. Tugon ito sa panganib na maaaring luma na ang planong itinakda noong 2026 pagsapit ng 2029. Hindi itinatakda ng kasalukuyang impormasyon ang mga indibidwal na petsa ng pagsisimula ng kontrata, pinal na halaga ng grant, paglalaan ng kapasidad sa pagkompyut, o detalyadong iskedyul ng pampublikong paglalabas ng mga modelo.

Ang pangunahing pagsubok ay kung maikokonekta ng mga proyekto ang mga yaman ng Japan sa agham sa mga gumaganang sistema ng AI, nauulit na mga eksperimento, at mga mapagkukunang magagamit talaga ng ibang mga mananaliksik. Itinatakda ng ARiSE ang direksiyong ito, ngunit kailangan pang buuin at patunayan ang mga ipinangakong tuklas, kakayahang gumana nang awtonomo, at pinagsasaluhang plataporma.

Mahahalagang punto

• May pondong ¥32 bilyon ang ARiSE para sa panahong humigit-kumulang Oktubre 2026 hanggang Marso 2029.
• Pumili ang JST ng 31 proyekto mula sa 203 aplikasyon, o humigit-kumulang 15.3% ang natanggap.
• May 12 proyekto ang kategoryang Strategic Target; 19 naman ang kategoryang International and Interdisciplinary.
• Kabilang sa malalaking pagsisikap ang plataporma ng AI para sa materyales, modelo ng genome na may humigit-kumulang apat na bilyong parameter, at pasilidad sa pananaliksik na walang tauhan.
• Saklaw din ng mga napiling proyekto ang mathematical physics, MOF, mga mekanismo ng kanser, at Tsunami World Model.
• Prayoridad ang lokal na pagkompyut at pinagsasaluhang imprastraktura ng pananaliksik, ngunit pinahihintulutan ang paggamit ng mga mapagkukunan mula sa ibang bansa kung naaangkop.
• Nakadepende sa mga kontrata at paghahanda ang mga indibidwal na petsa ng pagsisimula; mga layunin pa lamang sa pag-unlad ang mga awtonomong pasilidad at aplikasyon sa agham.