2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

浅析人工智能学科基金项目申请资助情况及展望

吴国政 吴云凯 张兆田 韩军伟

吴国政, 吴云凯, 张兆田, 韩军伟. 浅析人工智能学科基金项目申请资助情况及展望. 自动化学报, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870
引用本文: 吴国政, 吴云凯, 张兆田, 韩军伟. 浅析人工智能学科基金项目申请资助情况及展望. 自动化学报, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870
Wu Guo-Zheng, Wu Yun-Kai, Zhang Zhao-Tian, Han Jun-Wei. Review on the applications and grants of national natural science foundation on artificial intelligence and its prospects. Acta Automatica Sinica, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870
Citation: Wu Guo-Zheng, Wu Yun-Kai, Zhang Zhao-Tian, Han Jun-Wei. Review on the applications and grants of national natural science foundation on artificial intelligence and its prospects. Acta Automatica Sinica, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870

浅析人工智能学科基金项目申请资助情况及展望


DOI: 10.16383/j.aas.c200870
详细信息
    作者简介:

    博士, 国家自然科学基金委员会信息科学部三处处长. 主要研究方向为人工智能. E-mail: wugz@nsfc.gov.cn

    博士, 江苏科技大学电子信息学院副教授. 主要研究方向为人工智能、故障诊断与容错控制. E-mail: wuyunkaischolar@just.edu.cn

    研究员, 国家自然科学基金委员会信息科学部副主任. 主要研究方向为逆问题、层析成像. Email: zhangzt@nsfc.gov.cn

    博士, 西北工业大学教授. 主要研究方向为人工智能. Email: jhan@nwpu.edu.cn

Review on the Applications and Grants of National Natural Science Foundation on Artificial Intelligence and Its Prospects

More Information
  • 摘要: 针对信息学部人工智能学科(F06) 2018至2020年度基金项目的申请和资助情况, 截取面上、青年、地区和重点项目, 点−线−面相结合, 从多种客观指标角度系统分析了三年来人工智能学科的申请和资助情况. 2020年度国家自然科学基金委学科代码进行了大幅度的调整和改革, 特别是在取消三级代码、增加二级代码数目的背景下, 本文的分析可以为新版代码的科学性和未来基金项目的申请、评审和资助导向提供统计支撑. 同时, 结合最近三年人工智能学科基金项目的申请资助情况, 以及科学处对人工智能领域的若干推动和工作安排, 对未来国家自然科学基金资助架构下的人工智能学科发展进行了展望.
  • 图  1  2018−2020年度F06四类项目申请情况

    Fig.  1  Application of F06 in 2018−2020

    图  2  2018−2020年度F06四类项目资助情况

    Fig.  2  Funding of F06 in 2018−2020

    图  3  2018−2020年度F06四类项目资助比例

    Fig.  3  Funding rat of F06 in 2018−2020

    图  4  2018−2020年度F06四类项目资助强度

    Fig.  4  Financial support of F06 in 2018−2020

    表  1  2018年信息学部F06申请资助情况[2]

    Table  1  Application and funding of F06 in 2018[2]

    项目类型申请数量资助数量资助比例(%)平均资助强度(万元)
    面上项目132223117.4760.21
    青年项目90522324.6424.64
    地区项目2564015.6337.98
    重点项目721622.22285.25
    下载: 导出CSV

    表  2  2019年信息学部F06申请资助情况

    Table  2  Application and funding of F06 in 2019

    项目类型申请数量资助数量资助比例(%)平均资助强度(万元)
    面上项目144725617.6959.89
    青年项目96022523.4424.22
    地区项目2804114.6438.39
    重点项目591525.42300.13
    下载: 导出CSV

    表  3  2020年信息学部F06申请资助情况

    Table  3  Application and funding of F06 in 2020

    项目类型申请数量资助数量资助比例(%)平均资助强度(万元)
    面上项目157326316.7258.70
    青年项目114625722.4324.00
    地区项目3124915.7136.00
    重点项目711318.31296.23
    下载: 导出CSV

    表  4  2019−2020年度信息学部F06面上项目申请量排名前五位的依托单位

    Table  4  Top 5 application of F06 general projects in 2019−2020

    2019年2020年
    依托单位项目数占比(%)依托单位项目数占比(%)
    电子科技大学322.21电子科技大学241.53
    西安电子科技大学271.87华南理工大学231.46
    西安交通大学241.66中国科学院自
    动化研究所
    221.40
    广东工业大学201.38同济大学211.34
    中国科学院自
    动化研究所
    191.31广东工业大学201.27
    下载: 导出CSV

    表  5  2019−2020年度信息学部F06面上项目资助量排名前五位的依托单位

    Table  5  Top 5 funding of F06 general projects in 2019−2020

    2019年2020年
    依托单位项目数资助率(%)依托单位项目数资助率(%)
    大连理工大学850.00中国科学院自
    动化研究所
    836.36
    中国科学院自
    动化研究所
    736.84大连理工大学853.33
    哈尔滨工业大学736.84北京邮电大学735.00
    电子科技大学721.88复旦大学743.75
    中山大学746.67中山大学642.86
    下载: 导出CSV

    表  6  2019−2020年度信息学部F06青年项目申请量排名前五位的依托单位

    Table  6  Top 5 application of F06 youth science foundation projects in 2019−2020

    2019年2020年
    依托单位项目数占比(%)依托单位项目数占比(%)
    国防科技大学272.81中国科学院自
    动化研究所
    221.92
    中国科学院自
    动化研究所
    212.19国防科技大学201.75
    西安电子科技大学131.35深圳大学121.05
    北京工业大学111.15西安电子科技大学100.87
    中山大学111.15国防科技创
    新研究院
    100.87
    下载: 导出CSV

    表  7  2019−2020年度信息学部F06青年项目资助量排名前五位的依托单位

    Table  7  Top 5 funding of F06 youth science foundation projects in 2019−2020

    2019年2020年
    依托单位项目数资助率(%)依托单位项目数资助率(%)
    国防科技大学1244.44中国科学院自
    动化研究所
    940.91
    西安电子科
    技大学
    1076.92哈尔滨工业大学6100
    中国科学院自
    动化研究所
    1047.62深圳大学583.33
    北京工业大学763.64广东工业大学555.56
    合肥工业大学675.00中山大学571.43
    下载: 导出CSV

    表  8  2019−2020年度信息学部F06地区项目申请量排名前五位的依托单位

    Table  8  Top 5 application of F06 projects for developing region in 2019−2020

    2019年2020年
    依托单位项目数占比(%)依托单位项目数占比(%)
    新疆大学248.57新疆大学175.45
    昆明理工大学155.36云南大学113.53
    桂林电子科技大学134.64桂林电子科技大学103.21
    江西师范大学124.29贵州大学103.21
    云南大学103.57昆明理工大学92.88
    下载: 导出CSV

    表  9  2019−2020年度信息学部F06地区项目资助量排名前五位的依托单位

    Table  9  Top 5 funding of F06 projects for developing region in 2019−2020

    2019年2020年
    依托单位项目数资助率(%)依托单位项目数资助率(%)
    江西师范大学433.33南昌大学571.43
    云南大学330.00云南大学327.27
    内蒙古大学350.00贵州大学330.00
    桂林电子
    科技大学
    323.08桂林电子
    科技大学
    220.00
    内蒙古工业大学2100内蒙古工业大学250.00
    下载: 导出CSV

    表  10  2019−2020年度信息学部F06重点项目申请量排名前五位的依托单位

    Table  10  Top 5 application of F06 key projects in 2019−2020

    2019年2020年
    依托单位项目数占比(%)依托单位项目数占比(%)
    西安电子科技大学58.47西安电子科技大学68.45
    清华大学46.78中国科学院自
    动化研究所
    57.04
    北京邮电大学35.08北京大学57.04
    北京师范大学23.39天津大学45.63
    西北工业大学23.39清华大学45.63
    下载: 导出CSV

    表  11  2019−2020年度信息学部F06重点项目资助量排名前五位的依托单位

    Table  11  Top 5 funding of F06 key projects in 2019−2020

    2019年2020年
    依托单位项目数资助率(%)依托单位项目数资助率(%)
    清华大学375.00北京大学240.00
    同济大学1100中国科学院自
    动化研究所
    240.00
    大连理工大学1100西安电子科技大学233.33
    西北工业大学150.00电子科技大学1100
    华南理工大学1100西安交通大学150.00
    下载: 导出CSV

    表  12  2020年人工智能 (F06) 新版学科代码与旧版学科代码的迁移变化关系

    Table  12  The relationship between 2020 new-version code and old-version code of artificial intelligence (F06)

    旧版代码原学科领域变化新版代码现学科领域
    F0601人工智能基础迁移F0601人工智能基础
    新增F0602复杂性科学与人工智能理论
    F0602机器学习迁移F0603机器学习
    F0603机器感知与模式识别迁移F0604机器感知与机器视觉
    新增F0605模式识别与数据挖掘
    F0604自然语言处理迁移F0606自然语言处理
    F0605知识表示与处理迁移F0607知识表示与处理
    F0606智能系统与应用迁移F0608智能系统与人工智能安全
    F0607认知与神经科学启发的人工智能迁移F0609认知与神经科学启发的人工智‍能
    新增F0610交叉学科中的人工智能问题
    下载: 导出CSV

    表  13  2018−2020年度人工智能 (F06) 各学科代码的资助率 (以新版代码统计) (%)

    Table  13  The funding rate of each F06 code in 2018−2020 (Based on new-version code) (%)

    学科领域代码面上项目青年项目地区项目
    2018年2019年2020年2018年2019年2020年2018年2019年2020年
    人工智能基础F060118.4021.5219.4931.6425.6626.4225.0020.5925.00
    复杂性科学与人工智能理论F06020.000.009.090.000.0018.920.000.0025.00
    机器学习F060314.389.5116.9226.4523.7724.8321.7417.657.41
    机器感知与机器视觉F060418.2433.3316.5526.3825.4223.4317.8611.7619.15
    模式识别与数据挖掘F060520.9932.8620.4521.1923.2024.3412.5011.1116.67
    自然语言处理F060621.2854.1723.0825.4229.3131.9414.2915.5610.20
    知识表示与处理F060711.764.2415.4918.1828.5718.8711.7619.0515.38
    智能系统与人工智能安全F060814.6317.7819.7221.9819.8120.633.7014.290.00
    认知与神经科学启发的人工智能F060920.2113.1418.2835.1419.7422.6720.009.0933.33
    交叉学科中的人工智能问题F061014.569.4912.1113.3318.7515.1020.0010.5316.67
    人工智能F060.000.000.0016.670.008.330.000.000.00
    合计17.4717.6916.7224.6423.4422.4315.6314.6415.71
    下载: 导出CSV

    表  14  2019−2020年度信息学部人工智能 (F06) 面上项目科学问题属性分布

    Table  14  Scientific properties of F06 general projects in 2019−2020

    科学属性申请数上会数资助数上会/申请 (%)资助/上会 (%)资助率 (%)
    2019年A类145362124.8358.3314.48
    B类53219413136.4767.5324.62
    C类5061257724.7061.6015.22
    D类264542720.4550.0010.23
    合计144740925628.2762.5917.69
    2020年A类105141113.3378.5710.48
    B类60918813430.8771.2822.00
    C类5401238722.7870.7316.11
    D类319543116.9357.419.72
    合计157337926324.0969.3916.72
    下载: 导出CSV

    表  15  2019−2020年度信息学部人工智能 (F06) 青年项目科学问题属性分布

    Table  15  Scientific properties of F06 youth science foundation projects in 2019−2020

    科学属性申请数上会数资助数上会/申请(%)资助/上会(%)资助率(%)
    2019年A类83251330.1252.0015.66
    B类36716711345.5067.6630.79
    C类3141126435.6757.1420.38
    D类196563528.5762.5017.86
    合计96036022537.5062.5023.44
    2020年A类86211324.4261.915.12
    B类46217612938.1073.3027.92
    C类3671107229.9765.4519.62
    D类231644327.7167.1918.61
    合计114637125732.3769.2722.43
    下载: 导出CSV

    表  16  2019−2020年度信息学部人工智能 (F06) 地区项目科学问题属性分布

    Table  16  Scientific properties of F06 projects for developing region in 2019−2020

    科学属性申请数上会数资助数上会/申请(%)资助/上会(%)资助率(%)
    2019年A类28103.570.000.00
    B类76181123.6861.1114.47
    C类119311826.0558.0615.13
    D类57151226.3280.0021.05
    合计280654123.2163.0814.64
    2020年A类175529.41100.0029.41
    B类86241627.9166.6618.60
    C类141302021.2866.6614.18
    D类6812817.6566.6611.76
    合计312714922.7669.0115.71
    下载: 导出CSV

    表  17  2019−2020年度信息学部人工智能 (F06) 重点项目科学问题属性分布

    Table  17  Scientific properties of F06 key projects in 2019−2020

    科学属性申请数上会数资助数上会/申请(%)资助/上会(%)资助率(%)
    2019年A类51120.00100.0020.00
    B类135338.4660.0023.08
    C类2813846.4361.5428.57
    D类134330.7775.0023.08
    合计59231538.9865.2225.42
    2020年A类3000.000.00
    B类203115.0033.335.00
    C类41131031.7176.9224.39
    D类73242.8666.6628.57
    合计71191326.7668.4218.31
    下载: 导出CSV
  • [1] 中国人工智能2.0发展战略研究项目组. 中国人工智能2.0发展战略研究. 杭州: 浙江大学出版社, 2019.

    China AI 2.0 Development Strategy Research Group. China AI 2.0 Development Strategy Research. Hangzhou: Zhejiang University Press, 2019.
    [2] 吴国政, 胡振涛, 潘庆, 李建军, 张兆田. 2018年度信息科学部基金评审工作综述. 中国科学基金, 2019, 31(1): 15−18

    Wu Guo-Zheng, Hu Zhen-Tao, Pan Qing, Li Jian-Jun, Zhang Zhao-Tian. Proposal application, peer review and funding of the Department of Information Sciences in 2018: an overview. Bulletin of National Natural Science Foundation of China, 2019, 31(1): 15−18
    [3] 李静海. 全面深化科学基金改革更好发挥在国家创新体系中的基础引领作用. 中国科学基金, 2019, 33(3): 209−214

    Li Jing-Hai. Deepen the reform of the National Natural Science Fund to play the fundamental and leading role in the national innovation system. Bulletin of National Natural Science Foundation of China, 2019, 33(3): 209−214
    [4] 李静海. 构建新时代科学基金体系, 夯实世界科技强国根基. 中国科学基金, 2018, 32(4): 345−350

    Li Jing-Hai. Building a science funding system for a new paradigm shift in science. Bulletin of National Natural Science Foundation of China, 2018, 32(4): 345−350
    [5] 吴飞, 阳春华, 兰旭光, 丁进良, 郑南宁, 桂卫华, 等. 人工智能的回顾与展望. 中国科学基金, 2018, 32(3): 243−250

    Wu Fei, Yang Chun-Hua, Lan Xu-Guang, Ding Jin-Liang, Zheng Nan-Ning, Gui Wei-Hua, et al. Artificial intelligence: review and future opportunities. Bulletin of National Natural Science Foundation of China, 2018, 32(3): 243−250
    [6] 邓方, 宋苏, 刘克, 吴国政, 付俊. 国家自然科学基金自动化领域数据分析与研究热点变化. 自动化学报, 2018, 44(2): 377−384

    Deng Fang, Song Su, Liu Ke, Wu Guo-Zheng, Fu Jun. Data and research hotspot analyses of National Natural Science Foundation of China in automation field. Acta Automatica Sinica, 2018, 44(2): 377−384
  • [1] 袁烨, 张永, 丁汉. 工业人工智能的关键技术及其在预测性维护中的应用现状[J]. 自动化学报, doi: 10.16383/j.aas.c200333
    [2] 李杰, 李响, 许元铭, 杨绍杰, 孙可意. 工业人工智能及应用研究现状及展望[J]. 自动化学报, doi: 10.16383/j.aas.200501
    [3] 杨涛. 工业人工智能专题序言[J]. 自动化学报, doi: 10.16383/j.aas.2020.y000004
    [4] 柴天佑. 工业人工智能发展方向[J]. 自动化学报, doi: 10.16383/j.aas.c200796
    [5] 吴国政. 从F03项目资助情况分析我国自动化学科的发展现状与趋势[J]. 自动化学报, doi: 10.16383/j.aas.c190570
    [6] 林懿伦, 戴星原, 李力, 王晓, 王飞跃. 人工智能研究的新前线:生成式对抗网络[J]. 自动化学报, doi: 10.16383/j.aas.2018.y000002
    [7] 邓方, 宋苏, 刘克, 吴国政, 付俊. 国家自然科学基金自动化领域数据分析与研究热点变化[J]. 自动化学报, doi: 10.16383/j.aas.2018.c170695
    [8] 王晨, 毛锐, 王成红, 陈妍. 自动化学科国家杰出青年科学基金申请人代表性论著期刊影响力分析[J]. 自动化学报, doi: 10.16383/j.aas.2017.c170196
    [9] 王晨, 毛锐, 王成红, 陈妍. 自动化学科国家杰出青年科学基金申请人代表性论著期刊影响力分析[J]. 自动化学报
    [10] 郑南宁. 人工智能面临的挑战[J]. 自动化学报
    [11] 吴澄, 刘民, 郝井华, 董明宇. 用系统科学和智能方法研究城市发展问题[J]. 自动化学报, doi: 10.16383/j.aas.2015.c150147
    [12] 陆浩, 王飞跃, 刘德荣, 张楠, 赵学亮. 基于科研知识图谱的近年国内外自动化学科发展综述[J]. 自动化学报, doi: 10.3724/SP.J.1004.2014.00994
    [13] 黄琳. 为什么做,做什么和发展战略—控制科学学科发展战略研讨会约稿前言[J]. 自动化学报, doi: 10.3724/SP.J.1004.2013.00097
    [14] 李超, 王成红, 宋苏, 鲁仁全. 自动化领域科学基金十年情况分析[J]. 自动化学报, doi: 10.3724/SP.J.1004.2013.00461
    [15] 蔡自兴, 贺汉根. 智能科学发展的若干问题[J]. 自动化学报
    [16] 任德祥. 工业现状和发展对自动化学科研究的企望[J]. 自动化学报
    [17] 张钹, 郑应平. 从现代信息科技发展看自动化学科的使命和发展趋势[J]. 自动化学报
    [18] 蒋新松. 人工智能及智能控制系统概述[J]. 自动化学报
    [19] 黄秉宪. 关于人工智能中的脑模型研究[J]. 自动化学报
    [20] 李家治, 汪云九, 涂序彦, 郭荣江. 人工智能国外研究情况综述[J]. 自动化学报
  • 加载中
计量
  • 文章访问数:  231
  • HTML全文浏览量:  5662
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-10-19
  • 录用日期:  2020-10-29
  • 网络出版日期:  2020-11-11

浅析人工智能学科基金项目申请资助情况及展望

doi: 10.16383/j.aas.c200870
    作者简介:

    博士, 国家自然科学基金委员会信息科学部三处处长. 主要研究方向为人工智能. E-mail: wugz@nsfc.gov.cn

    博士, 江苏科技大学电子信息学院副教授. 主要研究方向为人工智能、故障诊断与容错控制. E-mail: wuyunkaischolar@just.edu.cn

    研究员, 国家自然科学基金委员会信息科学部副主任. 主要研究方向为逆问题、层析成像. Email: zhangzt@nsfc.gov.cn

    博士, 西北工业大学教授. 主要研究方向为人工智能. Email: jhan@nwpu.edu.cn

摘要: 针对信息学部人工智能学科(F06) 2018至2020年度基金项目的申请和资助情况, 截取面上、青年、地区和重点项目, 点−线−面相结合, 从多种客观指标角度系统分析了三年来人工智能学科的申请和资助情况. 2020年度国家自然科学基金委学科代码进行了大幅度的调整和改革, 特别是在取消三级代码、增加二级代码数目的背景下, 本文的分析可以为新版代码的科学性和未来基金项目的申请、评审和资助导向提供统计支撑. 同时, 结合最近三年人工智能学科基金项目的申请资助情况, 以及科学处对人工智能领域的若干推动和工作安排, 对未来国家自然科学基金资助架构下的人工智能学科发展进行了展望.

English Abstract

吴国政, 吴云凯, 张兆田, 韩军伟. 浅析人工智能学科基金项目申请资助情况及展望. 自动化学报, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870
引用本文: 吴国政, 吴云凯, 张兆田, 韩军伟. 浅析人工智能学科基金项目申请资助情况及展望. 自动化学报, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870
Wu Guo-Zheng, Wu Yun-Kai, Zhang Zhao-Tian, Han Jun-Wei. Review on the applications and grants of national natural science foundation on artificial intelligence and its prospects. Acta Automatica Sinica, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870
Citation: Wu Guo-Zheng, Wu Yun-Kai, Zhang Zhao-Tian, Han Jun-Wei. Review on the applications and grants of national natural science foundation on artificial intelligence and its prospects. Acta Automatica Sinica, 2020, 46(12): 2711−2718. doi: 10.16383/j.aas.c200870
  • 人工智能是研究、开发能够模拟、延伸和拓展人的智能的理论、方法、技术及应用系统的一门新的技术科学[1]. 人工智能的目标是让机器能够像人一样理解、思考和学习, 即用计算机或其他智能体去模拟人的智慧. 随着大数据智能、互联网群体智能和跨媒体智能的高速发展, 以及人工智能2.0等国家战略的提出, 人工智能学科正日益成为国家自然科学基金委的重点资助学科领域.

    国家自然科学基金委在2018年调整了学科代码, 并单独设置了人工智能一级学科代码(F06), 主要资助信息科学中人工智能领域的基础研究、前瞻性探索研究以及面向国民经济和国家安全的应用基础研究. 强调围绕人工智能领域的核心科学问题与关键技术, 进行原创性、基础性、前瞻性和交叉性研究, 鼓励在人工智能基础、机器学习、机器感知与模式识别、自然语言处理、知识表示与处理、智能系统与应用、认知与神经科学启发的人工智能等方向展开理论与方法的研究[1]. 在此之前, 为了贯彻国家科技战略规划布局, 推动我国人工智能基础研究, 引领人工智能技术发展, 培养人工智能创新研究队伍, 国家自然科学基金委员会于2017年初启动人工智能基础应急管理项目, 主要面向人工智能前沿基础、智能自主运动体、复杂过程智能优化决策三大方向, 每个方向涵盖若干主题, 支持科学家开展相关研究. F06代码的设立, 极大地提升了科研人员从事人工智能基础研究的热情, 对于信息科学部的学科深度和广度延展具有重大意义.

    2020年借助国家自然科学基金深化改革的契机, 信息科学部对F06代码进行了梳理, 原三级代码下沉为研究方向. 同时, 面向学科规划和交叉领域发展, F06增设了“复杂性科学与人工智能理论”、“模式识别与数据挖掘”以及“交叉学科中的人工智能问题”三个新二级代码. 本文针对人工智能学科2018−2020年度申请/资助情况, 以及科学部近年来在人工智能领域的相关推动和扶持, 并以2020年度新版学科代码的设立为背景, 对人工智能的学科发展提出了若干展望.

    • 2018−2020年度, 信息科学部人工智能学科(F06) 面上项目、青年项目、地区项目和重点项目这四类项目的总体申请资助情况如表1 ~ 3所示. 就四类项目的申请总量而言, 2018−2020年度分别为2555项、2746项、3102项, 较前一年同比增幅为7.48%、12.96%.

      表 1  2018年信息学部F06申请资助情况[2]

      Table 1.  Application and funding of F06 in 2018[2]

      项目类型申请数量资助数量资助比例(%)平均资助强度(万元)
      面上项目132223117.4760.21
      青年项目90522324.6424.64
      地区项目2564015.6337.98
      重点项目721622.22285.25

      表 2  2019年信息学部F06申请资助情况

      Table 2.  Application and funding of F06 in 2019

      项目类型申请数量资助数量资助比例(%)平均资助强度(万元)
      面上项目144725617.6959.89
      青年项目96022523.4424.22
      地区项目2804114.6438.39
      重点项目591525.42300.13

      表 3  2020年信息学部F06申请资助情况

      Table 3.  Application and funding of F06 in 2020

      项目类型申请数量资助数量资助比例(%)平均资助强度(万元)
      面上项目157326316.7258.70
      青年项目114625722.4324.00
      地区项目3124915.7136.00
      重点项目711318.31296.23

      此外, 就四类项目的资助总量而言, 2018−2020年度分别为510项、537项和582项, 较前一年同比增幅为5.29%和8.38%. F06代码在设立的三年中, 项目申请数量总体展示出稳中增长的趋势, 这也从侧面显示出人工智能学科持续的关注度和热度.

      进一步分析四类项目在申请数量、资助数量、资助比率和资助强度上的变化(如图1 ~ 4所示). 2019年度较2018年度, 除了重点项目的申请量有所下降(降幅为18.06%)外, 面上项目、青年项目和地区项目的申请量均保持增长, 涨幅分别为9.46%、6.08%和9.38%. 2020年度, 四类项目较前一年度同比增长8.71%、19.38%、11.43%和20.34%. 在资助数量上, 2019年度较2018年度除了重点项目有6.25%的降幅之外, 面上项目、青年项目和地区项目均有一定幅度的增长, 分别为10.82%、0.90%和2.50%. 同时, 不难发现面上项目申请量和资助量的涨、跌幅度基本持平, 重点项目的竞争度有一定程度的降低, 而青年和地区项目的竞争度有一定程度的提升. 2020年度重点项目的增长主要体现在自由申请领域, 其中自由申请领域申请数为27项, 为F06代码设立以来的最高值, 立项数为3项.

      图  1  2018−2020年度F06四类项目申请情况

      Figure 1.  Application of F06 in 2018−2020

      图  2  2018−2020年度F06四类项目资助情况

      Figure 2.  Funding of F06 in 2018−2020

      F06代码设立三年来, 面上项目、青年项目、地区项目和重点项目这四类项目的资助比例维持在一个稳定的水平, 2019年度较2018年度, 上述四类项目的资助比例变化分别为0.22%、−1.20%、−0.99%、3.20%. 除了重点项目略有变化之外, 面上、青年和地区项目在资助比例上的变化很小. 2020年受新冠肺炎疫情影响, 在中央财政拨款收紧的大背景下, 较前一年相比, 除地区项目的资助比例略有提升(+1.07%)以外, 面上项目和青年项目的资助比例均有一定幅度下降(分别为−0.97%和−1.01%), 重点项目的资助比例降幅最大, 为−7.11%.

      图  3  2018−2020年度F06四类项目资助比例

      Figure 3.  Funding rat of F06 in 2018−2020

      从平均资助强度 (图4) 上来看, 2020年度由于新冠疫情的影响, 面上项目、青年项目、地区项目和重点项目的资助强度较前一年均有一定幅度的缩减, 分别为−1.19万元/项、−0.22万元/项、−2.39万元/项和−3.9万元/项. 但面上项目、青年项目和地区项目的平均资助强度变化程度较小, 也显示出常规项目在资助额度上的差异会越来越小.

      图  4  2018−2020年度F06四类项目资助强度

      Figure 4.  Financial support of F06 in 2018−2020

    • 2019−2020年度, 参与人工智能领域相关项目申报的依托单位均保持高位. 以申请为例, 2019年度申报面上项目、青年项目、地区项目和重点项目的依托单位数量分别为414家、402家、82家和46家; 2020年度申报四类项目的依托单位数量分别为445家、448家、89家和45家, 与2019年同类项目相比, 除了重点项目依托单位数量略有减少之外, 其他类型项目的依托单位数量均有增加, 增长幅度分别为7.49%、11.44%和8.54%. 以获资助为例, 2019年度获得面上项目、青年项目、地区项目和重点项目资助的依托单位数量分别为129家、124家、28家和15家; 2020年度获得四类项目资助的依托单位数量分别为126家、151家、37家和10家, 与2019年同类项目相比, 依托单位数量变化幅度分别为−2.33%、21.77%、32.14%和−33.33%. 横向对比两年申请的数据, 绝大部分统计指标都在稳步增长, 这也反映了依托单位 (受资助层面), 对人工智能学科的关注热度. 横向对比两年的资助数据, 基金委 (资助层面) 对于青年项目和地区项目的资助覆盖面在扩大, 而面上项目, 特别是重点项目的资助越来越趋于集中.

      表4 ~ 7为人工智能学科面上和青年项目中依托单位的申请资助情况. 横向来看, 上述两类项目在依托单位申请量和资助量上的分布和格局基本相同, 都以传统信息学科为优势学科的“985”、“211”高校为主, 如电子科技大学、西安电子科技大学、哈尔滨工业大学、国防科技大学等. 同时, 一些新的特征也呈现出来: 例如广东工业大学和深圳大学在内的地方高校在项目申请和获资助上成绩斐然, 主要得益于所在地区的经济表现以及在人工智能领域的强大产业需求和财政方面的大力投入. 表8表9为人工智能地区项目依托单位的申请和资助情况, 受制于地区基金所资助区域教育、科技资源的相对薄弱, 依托单位的分布也表现出相当的集中性. 表10表11为人工智能重点项目依托单位的申请和资助情况, 受制于重点项目的体量和难度, 排名前五的高校基本以老牌“985” 高校为主, 人工智能重点项目的资助趋向于一定的集中度. 同时一些综合性“985” 高校表现抢眼, 例如北京大学、天津大学、清华大学等, 这表明国内综合性一流大学也在逐步加强人工智能学科的建设, 并在项目申请和资助上表现出较强的竞争力, 这也说明人工智能领域项目的综合性和交叉性.

      表 4  2019−2020年度信息学部F06面上项目申请量排名前五位的依托单位

      Table 4.  Top 5 application of F06 general projects in 2019−2020

      2019年2020年
      依托单位项目数占比(%)依托单位项目数占比(%)
      电子科技大学322.21电子科技大学241.53
      西安电子科技大学271.87华南理工大学231.46
      西安交通大学241.66中国科学院自
      动化研究所
      221.40
      广东工业大学201.38同济大学211.34
      中国科学院自
      动化研究所
      191.31广东工业大学201.27

      表 5  2019−2020年度信息学部F06面上项目资助量排名前五位的依托单位

      Table 5.  Top 5 funding of F06 general projects in 2019−2020

      2019年2020年
      依托单位项目数资助率(%)依托单位项目数资助率(%)
      大连理工大学850.00中国科学院自
      动化研究所
      836.36
      中国科学院自
      动化研究所
      736.84大连理工大学853.33
      哈尔滨工业大学736.84北京邮电大学735.00
      电子科技大学721.88复旦大学743.75
      中山大学746.67中山大学642.86

      表 6  2019−2020年度信息学部F06青年项目申请量排名前五位的依托单位

      Table 6.  Top 5 application of F06 youth science foundation projects in 2019−2020

      2019年2020年
      依托单位项目数占比(%)依托单位项目数占比(%)
      国防科技大学272.81中国科学院自
      动化研究所
      221.92
      中国科学院自
      动化研究所
      212.19国防科技大学201.75
      西安电子科技大学131.35深圳大学121.05
      北京工业大学111.15西安电子科技大学100.87
      中山大学111.15国防科技创
      新研究院
      100.87

      表 7  2019−2020年度信息学部F06青年项目资助量排名前五位的依托单位

      Table 7.  Top 5 funding of F06 youth science foundation projects in 2019−2020

      2019年2020年
      依托单位项目数资助率(%)依托单位项目数资助率(%)
      国防科技大学1244.44中国科学院自
      动化研究所
      940.91
      西安电子科
      技大学
      1076.92哈尔滨工业大学6100
      中国科学院自
      动化研究所
      1047.62深圳大学583.33
      北京工业大学763.64广东工业大学555.56
      合肥工业大学675.00中山大学571.43

      表 8  2019−2020年度信息学部F06地区项目申请量排名前五位的依托单位

      Table 8.  Top 5 application of F06 projects for developing region in 2019−2020

      2019年2020年
      依托单位项目数占比(%)依托单位项目数占比(%)
      新疆大学248.57新疆大学175.45
      昆明理工大学155.36云南大学113.53
      桂林电子科技大学134.64桂林电子科技大学103.21
      江西师范大学124.29贵州大学103.21
      云南大学103.57昆明理工大学92.88

      表 9  2019−2020年度信息学部F06地区项目资助量排名前五位的依托单位

      Table 9.  Top 5 funding of F06 projects for developing region in 2019−2020

      2019年2020年
      依托单位项目数资助率(%)依托单位项目数资助率(%)
      江西师范大学433.33南昌大学571.43
      云南大学330.00云南大学327.27
      内蒙古大学350.00贵州大学330.00
      桂林电子
      科技大学
      323.08桂林电子
      科技大学
      220.00
      内蒙古工业大学2100内蒙古工业大学250.00

      表 10  2019−2020年度信息学部F06重点项目申请量排名前五位的依托单位

      Table 10.  Top 5 application of F06 key projects in 2019−2020

      2019年2020年
      依托单位项目数占比(%)依托单位项目数占比(%)
      西安电子科技大学58.47西安电子科技大学68.45
      清华大学46.78中国科学院自
      动化研究所
      57.04
      北京邮电大学35.08北京大学57.04
      北京师范大学23.39天津大学45.63
      西北工业大学23.39清华大学45.63

      表 11  2019−2020年度信息学部F06重点项目资助量排名前五位的依托单位

      Table 11.  Top 5 funding of F06 key projects in 2019−2020

      2019年2020年
      依托单位项目数资助率(%)依托单位项目数资助率(%)
      清华大学375.00北京大学240.00
      同济大学1100中国科学院自
      动化研究所
      240.00
      大连理工大学1100西安电子科技大学233.33
      西北工业大学150.00电子科技大学1100
      华南理工大学1100西安交通大学150.00
    • 表13所示为2018−2020年度人工智能各学科代码的资助率(以表12所示的新版代码统计). 纵向来看, 面上项目资助率较高的二级代码为F0601(人工智能基础)、F0604(机器感知与机器视觉)、F0605(模式识别与数据挖掘)和F0606(自然语言处理).

      表 12  2020年人工智能 (F06) 新版学科代码与旧版学科代码的迁移变化关系

      Table 12.  The relationship between 2020 new-version code and old-version code of artificial intelligence (F06)

      旧版代码原学科领域变化新版代码现学科领域
      F0601人工智能基础迁移F0601人工智能基础
      新增F0602复杂性科学与人工智能理论
      F0602机器学习迁移F0603机器学习
      F0603机器感知与模式识别迁移F0604机器感知与机器视觉
      新增F0605模式识别与数据挖掘
      F0604自然语言处理迁移F0606自然语言处理
      F0605知识表示与处理迁移F0607知识表示与处理
      F0606智能系统与应用迁移F0608智能系统与人工智能安全
      F0607认知与神经科学启发的人工智能迁移F0609认知与神经科学启发的人工智‍能
      新增F0610交叉学科中的人工智能问题

      表 13  2018−2020年度人工智能 (F06) 各学科代码的资助率 (以新版代码统计) (%)

      Table 13.  The funding rate of each F06 code in 2018−2020 (Based on new-version code) (%)

      学科领域代码面上项目青年项目地区项目
      2018年2019年2020年2018年2019年2020年2018年2019年2020年
      人工智能基础F060118.4021.5219.4931.6425.6626.4225.0020.5925.00
      复杂性科学与人工智能理论F06020.000.009.090.000.0018.920.000.0025.00
      机器学习F060314.389.5116.9226.4523.7724.8321.7417.657.41
      机器感知与机器视觉F060418.2433.3316.5526.3825.4223.4317.8611.7619.15
      模式识别与数据挖掘F060520.9932.8620.4521.1923.2024.3412.5011.1116.67
      自然语言处理F060621.2854.1723.0825.4229.3131.9414.2915.5610.20
      知识表示与处理F060711.764.2415.4918.1828.5718.8711.7619.0515.38
      智能系统与人工智能安全F060814.6317.7819.7221.9819.8120.633.7014.290.00
      认知与神经科学启发的人工智能F060920.2113.1418.2835.1419.7422.6720.009.0933.33
      交叉学科中的人工智能问题F061014.569.4912.1113.3318.7515.1020.0010.5316.67
      人工智能F060.000.000.0016.670.008.330.000.000.00
      合计17.4717.6916.7224.6423.4422.4315.6314.6415.71
    • 青年项目资助率较高的二级代码为F0601 (人工智能基础)、F0603 (机器学习)、F0604-F0609 (机器感知与机器视觉、模式识别与数据挖掘、自然语言处理、知识表示与处理、智能系统与人工智能安全、认知与神经科学启发的人工智能); 地区项目资助率较高的二级代码为F0601 (人工智能基础).

      横向来看, 2018−2020年度面上项目一直保持增长趋势的二级代码为F0608 (智能系统与人工智能安全); 2018−2020年度青年项目一直保持增长趋势的二级代码为F0605 (模式识别与数据挖掘)以及F0606 (自然语言处理). 综合表13的统计来看, 侧面例证了资助率较高和保持稳定增长趋势的二级代码所对应人工智能研究方向的热度.

      表14 ~ 17为2019−2020年度信息科学部F06代码下面上、青年、地区和重点项目科学问题属性的分布统计.

      表 14  2019−2020年度信息学部人工智能 (F06) 面上项目科学问题属性分布

      Table 14.  Scientific properties of F06 general projects in 2019−2020

      科学属性申请数上会数资助数上会/申请 (%)资助/上会 (%)资助率 (%)
      2019年A类145362124.8358.3314.48
      B类53219413136.4767.5324.62
      C类5061257724.7061.6015.22
      D类264542720.4550.0010.23
      合计144740925628.2762.5917.69
      2020年A类105141113.3378.5710.48
      B类60918813430.8771.2822.00
      C类5401238722.7870.7316.11
      D类319543116.9357.419.72
      合计157337926324.0969.3916.72

      表 15  2019−2020年度信息学部人工智能 (F06) 青年项目科学问题属性分布

      Table 15.  Scientific properties of F06 youth science foundation projects in 2019−2020

      科学属性申请数上会数资助数上会/申请(%)资助/上会(%)资助率(%)
      2019年A类83251330.1252.0015.66
      B类36716711345.5067.6630.79
      C类3141126435.6757.1420.38
      D类196563528.5762.5017.86
      合计96036022537.5062.5023.44
      2020年A类86211324.4261.915.12
      B类46217612938.1073.3027.92
      C类3671107229.9765.4519.62
      D类231644327.7167.1918.61
      合计114637125732.3769.2722.43

      表 16  2019−2020年度信息学部人工智能 (F06) 地区项目科学问题属性分布

      Table 16.  Scientific properties of F06 projects for developing region in 2019−2020

      科学属性申请数上会数资助数上会/申请(%)资助/上会(%)资助率(%)
      2019年A类28103.570.000.00
      B类76181123.6861.1114.47
      C类119311826.0558.0615.13
      D类57151226.3280.0021.05
      合计280654123.2163.0814.64
      2020年A类175529.41100.0029.41
      B类86241627.9166.6618.60
      C类141302021.2866.6614.18
      D类6812817.6566.6611.76
      合计312714922.7669.0115.71

      表 17  2019−2020年度信息学部人工智能 (F06) 重点项目科学问题属性分布

      Table 17.  Scientific properties of F06 key projects in 2019−2020

      科学属性申请数上会数资助数上会/申请(%)资助/上会(%)资助率(%)
      2019年A类51120.00100.0020.00
      B类135338.4660.0023.08
      C类2813846.4361.5428.57
      D类134330.7775.0023.08
      合计59231538.9865.2225.42
      2020年A类3000.000.00
      B类203115.0033.335.00
      C类41131031.7176.9224.39
      D类73242.8666.6628.57
      合计71191326.7668.4218.31

      纵向对比2019−2020年度的统计数据不难发现, 面上项目和青年项目中申报B类科学问题属性的数量最多, 2019年在同类型申请项目总数中占比分别为36.77%和38.23%, 2020年在同类型申请项目总数中占比分别为38.72%和40.31%; 而地区项目和重点项目的申请中占比最多的科学问题属性是C类, 2019年在同类型申请项目总数中占比分别为42.50%和47.46%, 2020年在同类型申请项目总数中占比分别为45.19%和57.75%. 受项目申请数量的影响, 上会数和资助数在科学问题属性上的分布特性与申请数一致.

      面上、青年、地区和重点项目中申报A类科学问题属性的数量均最少, 2019年度申请数量在同类型申请项目总数中占比分别为10.02%、8.65%、10.00%和7.33%; 2020年度申请数量在同类型申请项目总数中占比分别为6.68%、7.50%、5.45%和4.23%. 与申请量分布一致, 面上、青年、地区和重点项目中上会数和资助数最少的均为A类科学问题属性项目. 除此以外, 这四类项目中在申请数、上会数和资助数量上较少的为D类科学问题属性, 2019年度D类科学问题属性的四类项目申请数量在同类型申请项目总数中占比分别为18.24%、20.42%、20.36%和22.03%; 2020年度申请数量在同类型申请项目总数中占比分别为20.28%、20.16%、21.79%和9.86%.

      结合2019−2020年度四类项目科学问题属性分布的统计情况, A类科学问题项目(原创类)申请数少、上会率和资助率明显偏低. 同时, 作为典型的交叉学科, 人工智能的D类属性也一直处于偏低的状态, 并且低于信息学部设立F06代码之初的预期. 因此, 如何在国家自然科学基金委资助架构下, 加强人工智能与其他方向的交叉研究和投入成为亟待解决的问题.

    • 2018年自然科学基金委首次设立了人工智能一级代码 (F06), 集中受理人工智能领域及相关交叉学科领域的基础理论、基本方法和关键技术研究项目. 经过2018−2020短短三年时间, 人工智能代码的申请量呈现出稳中增长的态势, 反映出人工智能学科在信息领域内的重要度和持续的关注度, 为信息科学的快速发展提供了良好的基础理论支撑.

      同时, 根据本文中的相关统计和分析不难发现: 1). 加强人工智能A类项目申报的政策引导, 加大原创类项目的资助力度, 都将是落实“鼓励探索, 突出原创”资助导向的具体举措. 2). 此外, 加大交叉融合研究项目的资助力度, 一直都是基金委改革的重要方向之一. 以人工智能学科为例: a). 人工智能与化学的交叉. 2035年战略目标: 智能的化学专家系统在化学与材料合成得到全面应用, 实现化学材料逆向设计. 发展新的人工智能算法, 获得对化学图像的更深理解, 发现新的化学规律和规则, 构建出人工智能时代的化学语言, 准确描述从化学结构的底层数据到应用性能指标之间的数学映射关系. b). 人工智能与生物学的交叉. 2035年战略目标: 基本建成可全面应用于生物学研究的人工智能技术体系. 实现人工智能在结构生物学、细胞生物学、整合生理学与病理生理学、精准医疗和生物制药领域的全面应用, 产生一系列重大技术突破和技术成果. 利用人工智能深入探索生命本质问题, 形成以人工智能生物学为研究技术内核的全新生物学研究范式. 给出生命是什么的全新理论性描述, 明确针对生命本质问题的研究方向, 并能够清晰描述该方向研究能产生的理论和技术成果. 3). 加大人工智能基础理论的投入(2020年新增代码F0602复杂性科学与人工智能理论).

      文献[6]创新性地以人工智能知识图谱的形式, 可视化地表征各个学科的影响力和研究热点, 同时也可以将其作为人工智能学科未来发展的热门方向. 图谱中每个点表示一个三级学科, 颜色表示所属一级学科, 大小表示学科影响力, “边”表示学科间的联系, 两个点位置远近表示学科间的联系密切程度. 其中交叉学科中的信息科学子学科分散在各个学科之间, 体现出学科交叉的特点. 此外, 诸如自主无人系统、人工智能器件、芯片及系统结构、人工智能开发工具与基础平台、深度学习理论与方法、智能人机交互、脑机接口与神经工程、类脑计算、不确定性人工智能、文本、图片及视频的识别与分析、模式识别理论与方法、自然语言生成与机器翻译、知识的表示、发现、检索与挖掘等, 都将是人工智能未来发展的重点.

      根据国家十四五规划的整体布局, 在国家自然科学基金资助框架下, 就人工智能学科, 提出了如下信息学科发展战略和科学部优先发展领域[5]:

      1). 安全可信人工智能基础理论. 其中包括: 大型知识库、常识库和跨模态知识库自动构建、表示与推理方法; 领域知识、常识知识以及跨模态知识等支持下的逻辑推理、因果推断和博弈对抗等方法; 自主完成复杂操作任务的通用智能本体理论框架和软硬件协议; 人机混合增强智能的基础理论和方法; 自主学习和模型进化等能力的新型学习范式和方法; 人工智能赋能的教育信息科学与技术的基础理论和方法.

      2). 类脑模型与类脑信息处理. 其中包括: 复杂、动态环境的智能视觉传感器及高性能机器视觉系统技术; 视听感知等生物智能对应脑区神经网络的精细解析、模拟和建模; 类脑智能的自然环境感知与精确描述、理解和自主决策能力; 大脑视觉智能和CMOS芯片功能验证; 大脑信息处理和认知机制; 类脑计算开源体系; 视听觉等典型生物智能的技术验证.

      针对国家“十四五”规划的统一部署, 以及2021−2035年科学基金中长期发展规划的具体要求, 国家自然科学基金委信息科学部设立了《工业信息物理系统基础理论与关键技术》 和 《可信人工智能理论、模型与系统》 两个重点项目群. 其中, 后者下设5个具体的研究方向, 拟资助5个重点项目, 分别为: 1)面向复杂性问题的可解释深度学习框架和模型(F0601/F0602); 2)融合人类认知机制与介观尺度知识表征的新型机器学习理论与方法(F0603); 3)融合领域知识、常识的跨模态多粒度不确定性推理模型与方法(F0601); 4)环境自适应、双向可理解人机群体智能协同理论与方法(F0608); 5)基于区块链技术的可信人工智能验证模型与测试平台(F0608).

WeChat 关注分享

返回顶部

目录

    /

    返回文章
    返回