To wydarzenie już się odbyło

Granty / nabory

Nabór UE: DeepRAP: Pogłębione wnioskowanie, abstrakcja i planowanie ku godnym zaufania poznawczym systemom AI

Szansa na dołączenie do grona zespołów kształtujących europejską przyszłość godnej zaufania AI kognitywnej.

Termin składania środa, 28 października 2026

Miasto online

Oczekiwany wpływ:

Wynikające z tego portfolio nie tylko przyczyni się do rozwoju stanu wiedzy naukowej, ale również stworzy solidną, interoperacyjną i opartą na zastosowaniach społeczność, która zajmie pozycję Europy w czołówce godnego zaufania poznawczego AI. Powinna ona również stanowić podstawę przyszłego europejskiego przywództwa w zakresie bezpiecznego, ludzkiego centrycznego poznawczego AI, wspierającego suwerenność i konkurencyjność w kluczowych sektorach. Popiera ambicje ustawy AI [1] oraz europejskiego podejścia do sztucznej inteligencji [2].

Oczekiwany wynik:

Ambitne propozycje przedstawione w ramach tego zaproszenia przyniosą:

Modele i / lub architektury, które obsługują multimodalne dane i wiedzę, niepewność, i mogą być szkolone i stosowane z ograniczonymi zasobami obliczeniowymi
Zapewnienie mechanizmów wiarygodności zapewniających możliwość wyjaśnienia, przejrzystość, sprawiedliwość, ocenę ryzyka, bezpieczeństwo i dostosowanie do standardów etycznych i prawnych, w tym praw podstawowych i ustawy o AI, oraz
Pokazać rozwinięte możliwości zintegrowane z kognitywnym systemem AI (osiągnięcie TRL4) wykonującym złożone zadania w świecie rzeczywistym (na przykład odkrycie naukowe, wsparcie dla decyzji, rozwiązywanie problemów) oraz symulacje w skali.

Ponadto wnioski będą:

Zaproponowanie nowych metod i wskaźników oceny i poświadczania rozumowania i wiarygodności w AI, jak również wykorzystanie zasobów obliczeniowych
Postępuj zgodnie z zasadami FAIR, zapewniając, że wszystkie dane, modele i wyniki są dostępne, dostępne, interoperacyjne i nadające się do ponownego wykorzystania w celu maksymalizacji przejrzystości, odtwarzalności i wpływu, oraz
Opracowanie synergii z inicjatywami UE, takimi jak TEF (urządzenia do testowania i testowania AI) [3], eBrains [4], Resource for AI Science in Europe (RAISE) [5], AI- ondesk Platform (AIoD) [6] oraz Flagship Quantum [7].

Podejście portfelowe

Skład portfela projektów, które mają być finansowane w ramach DeepRAP Challenge, zapewni kompleksowy zakres w następujących kategoriach w celu zapewnienia szerokiego zakresu i umożliwienia synergii między projektami:

Category 1 – Cognitive Function Capability: Rozsądek, abstrakcja i planowanie powinny być objęte przez wybrane portfolio.
podejście technologiczne kategorii 2 –: Wybrane projekty powinny wykorzystywać różne podejścia technologiczne, w tym, ale nie tylko, symboliczne neurologiczne AI, głębokie uczenie się, wzmacnianie uczenia się i nowatorskie ramy inspirowane interdyscyplinarnymi dziedzinami, oraz
Kategoria 3 – Use Case and Application Domain: Wybrane projekty obejmą wiele real- world domen, takich jak przemysł, mobilność, bezpieczeństwo obywatelskie, odkrycie naukowe, zdrowie, cyberbezpieczeństwo, sprawiedliwość i interakcja między robotami ludzkimi.

Wybrane projekty zostaną również przydzielone do prowadzenia lub angażowania się w działania portfelowe skoncentrowane na następujących priorytetach:

Interoperacyjność: ustanowienie wspólnych norm i protokołów w celu zapewnienia płynnego dostosowania projektów
Rozwój wskaźników: współtworzenie wskaźnika referencyjnego DeepRAP z zadaniami dzielonymi oraz otwarta platforma oceny dla przejrzystej oceny
Wspólne Piloci: Dostarczanie wspólnych demonstracji pilotażowych dotyczących złożonych problemów realnych w celu pokazania możliwości DeepRAP
Integracja wieloczynnikowa: tam, gdzie jest to możliwe, połączenie wyników projektów w modułowe, wieloagencyjne systemy AI demonstrujące zbiorowe rozumowanie i planowanie poprzez ustrukturyzowane interakcje pomiędzy wieloma agentami
Kształtowanie aplikacji: definiowanie przypadków wpływowych i angażowanie zainteresowanych stron w opracowywanie i przyjmowanie innowacyjnych systemów kognitywnych AI, oraz
Dostosowanie etyczne i społeczne: aktywne zajęcie się kwestiami etycznymi, prawnymi i społecznymi, w tym prawami podstawowymi, przejrzystością, prywatnością, bezpieczeństwem i sprawiedliwością systemów kognitywnych AI.

Cel:

Innowacyjne pomysły przedstawione w ramach tego wyzwania muszą badać nowatorskie podejścia, w tym kombinacje istniejących technik (to jest neurosymboliczne AI) lub tworzenie zupełnie nowych ram wykraczających poza obecne, tradycyjne, głębokie uczenie się i wzmacnianie paradygmatu uczenia się. Mogą one być inspirowane rozwojem w różnych dziedzinach, takich jak neurobiologia, biologia, fizyka, filozofia i więcej.

Propozycje powinny dotyczyć jednego lub kilku następujących zdolności poznawczych:

Głębokie uzasadnienie: Wyjście poza statystyczny wzorzec dopasowujący się do poparcia rozumowania przyczynowo-skutkowego, logicznego rozumowania oraz świadomego lub zdrowego rozsądku podejmowania decyzji w złożonych, nieuporządkowanych środowiskach. Wymaga to przejścia od czysto opartych na danych korelacji do systemów AI zdolnych do zrozumienia, dlaczego pojawiają się wzorce, identyfikowania podstawowych przyczyn oraz wyciągania ważnych wniosków poprzez procesy dedukcyjne i indukcyjne. Neurosymboliczne podejścia łączące moc uczenia się sieci neuronowych z usystematyzowanym wnioskowaniem symbolicznego rozumowania są szczególnie zachęcane do rozwoju tych zdolności. Integracja wiedzy kontekstowej i zdrowego rozsądku pozwala AI interpretować informacje bardziej holistycznie, dostosowywać decyzje dynamicznie, a także radzić sobie z niejasności i niepewności. Głębokie systemy rozumowania powinny być w stanie pogodzić wiele źródeł informacji, zapewnić przejrzyste i zrozumiałe racjonalne wyniki oraz dostosować je do wartości i oczekiwań człowieka, zapewniając wiarygodne i odpowiedzialne operacje w wymagających realistycznych scenariuszach.
Głęboka abstrakcja: Umożliwienie systemom AI uogólnienia spostrzeżeń z ograniczonych danych poprzez tworzenie, manipulowanie i rafinację koncepcji wysokiego poziomu, analogii i reprezentacji, które mogą być przekazywane w różnych dziedzinach aplikacji. Obejmuje to rozwój wewnętrznych modeli światowych w celu wspierania abstrakcji, wspierania zrozumienia zdrowego rozsądku oraz integracji świadomości semantycznej i kontekstowej. Szczególnie zachęcane są podejścia łączące rozumowanie symboliczne, analogiczne mapowanie i reprezentacyjne uczenie się, ponieważ umożliwiają AI interpretację znaczenia, intencji i relacji w złożonych środowiskach. Postęp w głębokiej abstrakcji jest niezbędny do osiągnięcia elastyczności poznawczej, solidnego uczenia się o transferze oraz adaptacyjnego rozumowania w warunkach dynamicznych, ograniczonych do danych lub szybko zmieniających się.
Deep Planning: Rozwijanie solidnych, adaptacyjnych i skalowalnych algorytmów / modeli planowania, które mogą działać w środowisku otwartym, w środowisku historycznym lub niepewnym w czasie rzeczywistym. Obejmuje to wykorzystanie zaawansowanych technik głębokiego uczenia się, takich jak nauka głębokiego wzmocnienia i architektury dostosowane do zadań planowania, aby umożliwić systemom AI samodzielne opracowanie, optymalizację i dostosowanie złożonych strategii w zakresie ustawień dynamicznych. Neurosymboliczne podejścia integrujące sieci neuronowe z symbolicznym rozumowaniem są szczególnie zachęcane do radzenia sobie z niepewnością, zapewniania formalnych gwarancji i umożliwienia jasnego, niezawodnego podejmowania decyzji. Nacisk kładzie się na długoterminowe, elastyczne planowanie, które obejmuje czas poznawczy i modelowanie prognostyczne, umożliwiając systemom przewidywanie i dostosowywanie się w dynamicznych kontekstach. Podejścia powinny badać planowanie hierarchiczne na różnych poziomach czasowych, planowanie awaryjne dla skutecznych strategii awaryjnych oraz ciągłe ponowne planowanie dynamicznej aktualizacji planów w miarę rozwoju środowisk. Postęp ten będzie stanowił podstawę odpornego, skoordynowanego i godnego zaufania planowania AI w złożonych, nieprzewidywalnych scenariuszach.

Zakres:

Systemy sztucznej inteligencji (AI) osiągnęły znaczny postęp, czego dowodem jest zdolność Generative AI do rozpoznawania wzorców i generowania wyników o znaczeniu kontekstowym w oparciu o coraz większe modele i powiązane zbiory danych. Jednak pomimo niezwykłych postępów poczynionych w ciągu ostatniej dekady, nadal istnieje znaczna luka między zdolnościami ludzkiego mózgu a inteligencją maszynową, którą należy przezwyciężyć, aby osiągnąć solidne wyniki i umożliwić skuteczne interakcje z użytkownikami i zainteresowanymi stronami.

Obecne modele Generative AI mogą wydawać bardzo dokładne wyniki, a nawet rozwiązywać pewne problemy matematyczne, ale mogą zmagać się z pewnymi skomplikowanymi wskaźnikami rozumowania i zrozumieć prawdziwy świat. Modele te często nie rozwiązują w sposób wiarygodny zadań logicznych i długoterminowego planowania, nawet jeśli istnieją sprawdzone poprawne rozwiązania, ograniczając ich skuteczność w krytycznych zastosowaniach, w których precyzja jest niezbędna.

Zainspirowany zdolnością ludzkiego mózgu do przetwarzania informacji na różnych poziomach abstrakcji - umożliwiającej postrzeganie, rozumowanie i planowanie ukierunkowane na cel - celem tego wyzwania jest wyjście poza obecny stan - sztuki w tradycyjnym podejściu AI, czy symboliczne (na przykład zasady, drzewa decyzyjne, regresja symboliczna, itp.) czy konenesista, neurolog (na przykład głębokie uczenie się, duże modele językowe, uczenie się wzmocnienia). Celem jest znaczne zwiększenie zdolności systemów Reasoning, Abstraction i Planning (RAP) systemów AI.

Przezwycięży to ograniczenia obecnych modeli głębokiego uczenia się, które pomimo swoich mocnych stron mają ograniczenia w krytycznych funkcjach poznawczych w zakresie abstrakcji, kontekstowania, przyczynowości, wyjaśnialności i zrozumiałego rozumowania kompetencji —, które mają zasadnicze znaczenie dla dążenia do ludzkiej inteligencji.

[1] https://digital-strategy.ec.europa.eu/en/news/commission-launches-ai-innovation-package-support-artificial-intelligence-startups-and-smes

[2] https://ec.europa.eu/commission/presscorner/detail/en/ip_24_383 150 AI Act | Shaping Europe’s digital future (europa.eu)

[3] Sektorowe urządzenia testowe i doświadczalne AI w ramach programu "Europa cyfrowa" | Kształtowanie przyszłości cyfrowej Europy

[4] EBRAINS: Europejska infrastruktura badawcza na rzecz badań nad mózgiem - EBRAINS

[5]

[6] Home Page | AI-on-Demand

[7] Wprowadzenie do flagi kwantowej | flagship kwantowej

Treść przetworzona przez AI. Opis przetłumaczono maszynowo z języka oryginału, wersję angielską przygotowano tłumaczeniem maszynowym, zachętę „dlaczego warto” napisał model AI. Wiążąca jest treść na stronie organizatora. Zobacz oryginał u organizatora →

Pokaż opis oryginalny

Expected Impact: The resulting portfolio will not only advance the scientific state-of-the-art but also build a robust, interoperable, and application-driven community, positioning Europe at the forefront of trustworthy cognitive AI. It should also lay the foundations for future European leadership in safe, human-centric cognitive AI, supporting sovereignty and competitiveness in key sectors. It will support the ambitions of the AI Act[1] and the European approach to Artificial Intelligence[2]. Expected Outcome: Ambitious proposals put forward under this call will deliver: • Models and/or architectures that handle multimodal data and knowledge, uncertainty, and can be trained and deployed with constrained computational resources • Provable trustworthiness mechanisms ensuring explainability, transparency, fairness, risk evaluation, security and alignment with ethical and legal standards, including fundamental rights and the EU AI Act, and • Demonstrate the developed capabilities integrated in a cognitive AI system (reaching TRL4) performing complex real-world tasks (e.g., scientific discovery, decision support, problem solving) as well as simulations at a scale. In addition, proposals will: • Propose new methods and metrics for evaluating and certifying reasoning and trustworthiness in AI as well as the use of the computational resources • Follow the FAIR principles ensuring all data, models, and results are Findable, Accessible, Interoperable, and Reusable to maximise transparency, reproducibility, and impact, and • Develop synergies with EU initiatives such as TEFs (AI Testing and Experimentation Facilities)[3], eBrains[4], Resource for AI Science in Europe (RAISE)[5], AI-on-demand Platform (AIoD)[6] and the Quantum Flagship[7]. Portfolio approach The composition of the portfolio of projects to be funded under the DeepRAP Challenge will ensure comprehensive coverage across the following categories with a view to ensuring breadth and enabling synergies between the projects: • Category 1 – Cognitive Function Capability: Reasoning, abstraction, and planning should be covered by the selected portfolio. • Category 2 – Technological Approach: The selected projects are expected to use a variety of technological approaches, including but not limited to, neuro-symbolic AI, deep learning, reinforcement learning, and novel frameworks inspired by interdisciplinary fields, and • Category 3 – Use Case and Application Domain: The selected projects will cover a variety of real-world domains, such as industry, mobility, civil security, scientific discovery, health, cybersecurity, justice and human-robot interaction. The selected projects will also be assigned to lead and/or engage in portfolio activities centred on the following priorities: • Interoperability: Establishing common standards and protocols to ensure seamless alignment between projects • Benchmark Development: Co-creating a DeepRAP benchmark with shared tasks and an open evaluation platform for transparent assessment • Common Pilots: Delivering joint pilot demonstrations addressing complex real-world problems to showcase DeepRAP capabilities • Multiagent Integration: where feasible, combining project outcomes into modular, multiagent AI systems demonstrating collective reasoning and planning through structured interactions among multiple agents • Application Shaping: Defining impactful use cases and engaging stakeholders to guide the development and adoption of innovative cognitive AI systems, and • Ethical and Societal Alignment: Proactively addressing ethical, legal, and societal considerations, including fundamental rights, transparency, privacy, safety, and fairness of cognitive AI systems. Objective: Innovative ideas put forward under this Challenge must explore novel approaches, including combinations of existing techniques (i.e. neuro-symbolic AI), or the creation of entirely new frameworks that go beyond current, traditional, deep learning and reinforcement learning paradigms. These could be inspired by developments in diverse fields such as neuroscience, biology, physics, philosophy and more. The proposals should address one or more of the following cognitive capabilities: • Deep Reasoning: Moving beyond statistical pattern matching to support causal inference, logical reasoning, and context-aware or commonsense decision-making in complex, unstructured environments. This requires shifting from purely data-driven correlations to AI systems capable of understanding why patterns emerge, identifying underlying causes, and drawing valid conclusions through both deductive and inductive processes. Neuro-symbolic approaches, which combine the learning power of neural networks with the structured inference of symbolic reasoning are particularly encouraged to advance these capabilities. Integrating contextual and commonsense knowledge enables AI to interpret information more holistically, adapt decisions dynamically, and handle ambiguity and uncertainty. Deep reasoning systems should be able to reconcile multiple sources of information, provide transparent and explainable rationales for their outputs, and align with human values and expectations, ensuring trustworthy and accountable operations in demanding real-world scenarios. • Deep Abstraction: Enabling AI systems to generalise insights from limited data by forming, manipulating, and refining high-level concepts, analogies, and representations that can be transferred across diverse application domains. This includes the development of internal world models to support abstraction, foster commonsense understanding, and integrate semantic and contextual awareness. Approaches that combine symbolic reasoning, analogical mapping, and representation learning are particularly encouraged, as they empower AI to interpret meaning, intent, and relationships within complex environments. Progress in deep abstraction is essential for achieving cognitive flexibility, robust transfer learning, and adaptive reasoning in dynamic, data-scarce, or rapidly evolving settings. • Deep Planning: Developing robust, adaptive, and scalable planning algorithms/models capable of operating in open-world, agentic, or uncertain real-time environments. This involves leveraging advanced deep learning techniques such as deep reinforcement learning and architectures tailored for planning tasks to enable AI systems to autonomously devise, optimise, and adjust complex strategies in dynamic settings. Neuro-symbolic approaches integrating neural networks with symbolic reasoning are particularly encouraged to address uncertainty, provide formal guarantees, and enable explainable, dependable decision-making. Emphasis is placed on long-term, flexible planning that incorporates cognitive timing and predictive modelling, enabling systems to anticipate and adapt within dynamic contexts. Approaches should explore hierarchical planning across multiple temporal levels, contingency planning for effective fallback strategies, and continual re-planning to dynamically update plans as environments evolve. These advancements will underpin resilient, coordinated, and trustworthy AI planning in complex, unpredictable scenarios. Scope: Artificial Intelligence (AI) systems have achieved remarkable progress as evidenced by the ability of Generative AI to recognise patterns and generate contextually relevant outputs based on ever larger models and associated datasets. However, despite the remarkable strides made over the past decade, there remains a significant gap between the capabilities of the human brain and machine intelligence, which must be overcome to achieve robust performance and enable effective interactions with users and stakeholders. Current Generative AI models can release very accurate outputs and even solve some mathematical problems but might struggle with some complex reasoning benchmarks and to understand the real world. These models frequently fail to reliably solve logic tasks and long-term planning, even when provably correct solutions exist, limiting their effectiveness in critical applications where precision is essential. Inspired by the human brain’s ability to process information at multiple levels of abstraction—enabling perception, reasoning, and goal-directed planning—the goal of this Challenge is to move beyond the current state-of-the-art in traditional AI approaches, whether symbolic (e.g., rules, decision trees, symbolic regression, etc.) or connectionist, neural (e.g., deep learning, large language models, reinforcement learning). The goal is to significantly improve the Reasoning, Abstraction, and Planning (RAP) capabilities of AI systems. This will overcome the limitations of current deep learning models, which despite their strengths, have limitations in critical cognitive functions for abstraction, contextualisation, causality, explainability, and intelligible reasoning — competencies that are fundamental to move towards human-like intelligence. [1] https://digital-strategy.ec.europa.eu/en/news/commission-launches-ai-innovation-package-support-artificial-intelligence-startups-and-smes [2] https://ec.europa.eu/commission/presscorner/detail/en/ip_24_383 150 AI Act | Shaping Europe’s digital future (europa.eu) [3] Sectorial AI Testing and Experimentation Facilities under the Digital Europe Programme | Shaping Europe’s digital future [4] EBRAINS: Europe's Research Infrastructure for Brain Research - EBRAINS [5] [6] Home Page | AI-on-Demand [7] Introduction to the Quantum Flagship | Quantum Flagship

#ai #cybersecurity #data-science #deep-learning #deeptech #fundraising #generative-ai #grant