Förbättrade inlärningsstrategier för generell AI: Framsteg i GenAI4EU (HORIZON-CL4-2025-04-DIGITAL-EMERGING-07)

Bidragsgivare EU

Område: Digitalisering, automatisering, tech & AI | Praktiknära forskning, FoU & forskningsrelaterat |

Beskrivning

Sammanfattning av vad utlysningen handlar om: Utlysningen syftar till att utveckla banbrytande GPAI-modeller (General Purpose AI) som kombinerar självövervakad inlärning med kompletterande inlärningsstrategier som symbolisk resonemang, förstärkningsinlärning, aktiv inlärning, kontinuerlig inlärning och evolutionsbaserad optimering, med målet att skapa robusta, adaptiva och förklarbara AI-system.

Syfte med utlysningen: Att övervinna nuvarande begränsningar i stora AI-modeller genom att utveckla AI-arkitekturer med avancerad förmåga till resonemang, planering, anpassning till föränderliga miljöer och självkännedom om osäkerhet, i linje med europeiska värderingar och AI-förordningen (AI Act).

Mål för utlysningen:

  • Att skapa GPAI-modeller med förbättrad logisk slutledning, problemlösning och anpassningsförmåga.
  • Att integrera självövervakad inlärning med andra inlärningsparadigm (t.ex. symbolisk, förstärkt, aktiv, evolutionsbaserad, kontinuerlig och fysisk inlärning).
  • Att främja teoretiska insikter i synergieffekter mellan olika inlärningsmetoder.
  • Att stärka AI-modellers förklarbarhet, pålitlighet och samhällsrelevans.

Förväntad påverkan/resultat:

  • Avancerade GPAI-modeller som kan användas inom exempelvis robotik, sjukvård, mobilitet, tillverkning, hållbar energi och vetenskap.
  • Bidrag till ökad energieffektivitet och klimatneutralitet.
  • Förbättrad AI-transparens och tillit.
  • Stärkt europeiskt ledarskap inom AI-forskning och tillämpningar.

Finansieringsgrad: Upp till 100 % finansiering för stödberättigade kostnader enligt Horizon Europes regler (RIA – Research and Innovation Action).

Behörighet: Juridiska personer från EU:s medlemsländer och associerade länder. Konsortier bör inkludera tvärvetenskaplig expertis inom AI, mjukvaruarkitektur, etik, tillämpad matematik och relevant industriell domän.

Möjliga krav på konsortier:

  • Projektet ska adressera minst ett prioriterat forskningsområde, t.ex. hybridinlärning, kontinuerlig inlärning, förstärkningsinlärning, förklarbar AI eller andra nya paradigm.
  • Tydlig plan för mätning av framsteg, inklusive KPI:er, benchmarking och demonstratorer.
  • Resultat ska delas via AI-on-demand-plattformen.
  • Samverkan med ADRA-partnerskapet och GenAI4EU central Hub är obligatoriskt.
  • Öppen vetenskap och fri tillgång till forskningsresultat förväntas, om inte särskilda skäl föreligger.