揭榜任务：研究多源多模态异构数据的表示和对齐方法，实现文本、图像、视频、语音等模态数据间的语义对齐，全面提升多模态大模型性能。研究多模态大模型训练和推理加速方法，构建算法、框架、硬件和并行策略等协同考虑的优化和计算架构，提升万亿级参数多模态模型的工程效率。
预期目标：到2025年，全面提升多模态大模型性能，多模态大模型达到万亿参数，零样本学习下解决15个以上多模态任务，基于主观评价的最终效果和推理速度达到国际先进水平。
三、典型应用
（九）面向工业制造领域的典型应用
揭榜任务：推动基于人工智能的设备实时控制、资源动态优化、多智能体协同等核心技术突破，推进人工智能技术和产品在工业制造领域的深度融合应用。提升制造业全过程全场景的智能水平，实现重点装备智能化改造，满足高端制造场景对于复杂环境、连续任务的认知和决策需求。
预期目标：到2025年，通过嵌入式人工智能集成开发，提升高端制造装备精度及其一致性、保持性，在原材料、装备制造、电子信息等重点行业开展部署应用，实现良率、生产效率、运维成熟度或安全性等指标的显著提高。结合柔性生产、智能工厂等方面的技术应用基础，开发覆盖生产制造全流程的专用模型库，在不少于10家制造业企业落地应用。
（十）面向民生服务领域的典型应用
揭榜任务：推动人工智能在信息消费、政务、医疗和交通等重点行业的融合应用，拓展人工智能在典型场景下的规模化应用。打造新型民生服务模式，优化人机交互体验，提高服务精准度、效率和个性化水平，促进传统产业智能化升级。
预期目标：到2025年，在信息消费、政务、医疗或交通等重点行业形成通用大模型与行业专用模型协同发展的解决方案，利用内容生成、语义理解、语音对话、知识图谱等人工智能技术，实现政务服务智能写作、智能问诊、自动驾驶等功能，有效提升点击转化率、用户满意度、诊疗准确度等关键指标，助力人民生活消费体验升级。
（十一）面向科学研究领域的典型应用
揭榜任务：探索基于人工智能的科学研究新范式，面向生物医药、材料、流体力学、气象等专业领域，挖掘科研专用数据的内在机理，缩短科学原理的发现周期。利用人工智能技术突破科学计算瓶颈，构建智能化科学研究工具集，支撑仿真模拟、数学建模等软件发展，提升科研效率。
预期目标：到2025年，通用人工智能赋能科学研究全链条任务，显著提升生物医药、材料、流体力学或气象等重点领域的科学发现效率。研发智能化科研工具集，支持数据分析、知识提取、智能建模等不少于5项专用工具调用，并与主流开发框架完成集成。
（十二）面向信息安全领域的典型应用
揭榜任务：为应对复杂网络环境下的安全挑战，研发并训练面向网络安全的人工智能大模型，配合调度控制中枢实现与当前领先的安全系统（如XDR、SIEM、EPP、EDR等）的整合，赋能网络安全业务。功能上，具备深度理解多系统数据的能力，能通过综合调度各系统的API接口，实现智能化安全任务自动处理，包括但不限于异常分析、定位威胁、辅助溯源攻击、响应处置等能力，提高安全运营效率。
预期目标：到2025年，研发安全大模型，通过调度控制中枢系统，成功整合3种以上的现有安全系统，并能实现对其API接口的智能调度。支持至少30种不同的安全任务，实现智能化、自动化的解决方案，并能自动生成专业级别的安全报告。
附：
1.2023年未来产业创新任务揭榜单位推荐表-通用人工智能方向
2.2023年未来产业创新任务揭榜单位申报材料
