(一)申报课题
1.申报课题应具有较为明确的技术路线，较强的产业牵动力、贡献力和社会效益，具有清晰、可量化的目标及考核指标。
2.课题应有明显的技术突破，鼓励在行业形成示范应用。课题成果应服务于国家战略和实体经济，有利于推动人工智能相关技术产品自主创新发展。
3.本领域2023年拟支持课题25项，课题经费原则上分为400万元、600万元、800万元三档，其中新架构芯片研发、算法研究、平台系统研发、大模型应用类课题经费为400-600万元，国产工艺人工智能芯片研发类课题经费为800万元。对具有较强创新潜力，有望形成引领性原始创新成果、推动关键核心技术取得重大创新突破的课题，可适当提高财政科技经费支持额度。申请课题实施周期原则上不超过2年。
(二)申报单位
1.申报单位须为在北京地区注册、具有独立法人资格的单位，具有相应的科研能力和条件，具备健全的项目(课题)管理、财务管理、科研人员管理、科技成果与知识产权管理、档案与保密管理等制度，拥有专业研究团队和科研管理团队，运行管理规范。鼓励创新企业牵头，产学研用联合攻关。
2.申报单位需符合《北京市科技计划项目(课题)管理办法》和《北京市科技计划管理相关责任主体信用管理办法》要求;近3年内在申请各级各类科研项目(课题)中无不良信用记录，无行政处罚或违法记录，无不良科研诚信记录。
3.申报单位原则上可参与申报本领域课题数量不超过2项。
4.企业作为申报单位，应明确说明课题投资总额和资金来源，提供相应配套经费，配套经费与财政科技经费比例不低于2:1。
(三)申报负责人
1.申报负责人应为申报单位的正式在职人员，具有良好的职业道德，无不良行为记录。在课题申报时，负责人在课题实施期内在职，具有领导和组织开展创新性研究的能力，身体健康并能切实履行职责，有充足时间保证课题顺利实施。
2.申报负责人需符合《北京市科技计划项目(课题)管理办法》和《北京市科技计划管理相关责任主体信用管理办法》要求。申报负责人作为负责人同期承担北京市科委、中关村管委会课题原则上不超过1项，作为主要参加人员同期参与课题数(含担任负责人的课题)原则上不超过2项。
申报内容：
(一)计算芯片及新架构技术研究
针对人工智能芯片自主创新需求，研制基于国产工艺的GPGPU芯片，实现设计、制造、封装全国产化，并开展示范应用;针对桌面、嵌入式设备对三维图形显示和人工智能应用加速的需求，研制基于国产工艺的GPU芯片，实现与国产CPU平台适配，并开展示范应用;针对大模型、AIGC等场景需求，研制基于国产工艺的云端训推一体芯片，实现对FP32/FP16/INT8等多精度数据类型的支持，并开展示范应用。
针对物联网、移动终端、智能无人系统等场景对高能效计算的需求，研制基于高密度存储器件的存内计算芯片，在存储器内部实现计算，研究核心典型神经网络基于存内计算的优化部署及可重构架构技术，并实现应用验证;针对超低功耗智能视觉物联网场景，研制高速高带宽感存算一体智能视觉感知芯片，研究智能感知任务在模拟域实现的电路技术和软硬件联合优化方法，并在可穿戴领域实现量产;针对大型语言模型和自动驾驶等场景对高效训练与推理计算的需求，研制支持混合精度计算的人工智能芯片，研究新型浮点格式，研究低延迟、细粒度的动态混合精度自动分配优化方法与架构技术，并完成功能验证。
(二)大模型技术及应用
针对大规模中文多模态数据处理手段单一、文本生成内容不可控、计算资源受限等问题，开展大模型关键技术研究。研究高效数据处理技术，研发中文多模态大模型训练数据分布式自动采集、标注工具及平台，构建高质量多模态中文数据集;研究可控文本生成技术，突破多模态数据语义对齐、人类意图需求对齐等技术难题;研究大模型高效分布式训练、神经网络压缩等技术，与国产芯片进行适配，并开展示范应用;研究大规模图神经网络建模与训练技术，研发大规模图计算系统，并开展示范应用。
针对大模型垂直应用整合不足问题，开展领域大模型应用技术研究，推动领域大模型规模化落地应用。针对政务服务智能问答、智能搜索需求，研究人类情感分析、多轮对话、知识图谱融合等技术;针对消费、金融等领域辅助决策需求，突破长文本精准解析、跨模态知识表征与自动更新等技术，研发多模态智能交互系统;针对医疗领域辅助诊疗需求，探索基于多模态大模型的医疗知识图谱构建、可循证诊疗决策关键技术;针对智慧城市建设和自动驾驶多维感知需求，开展基于多模态协同感知的大模型技术研发，探索基于低时延通讯的云控自动驾驶模型测试技术。
(三)可信人工智能
针对生成模型带来的伦理风险与安全问题，开展深度伪造视频人像鉴定技术研究，构建多模态特征融合的深伪视频人像量化检验技术体系，研制具备视频人像鉴定能力的深伪智能识别系统，并开展示范应用;开展高安全数据隐私计算技术研究，形成面向大模型训练的海量数据隐私保护框架，并开展示范应用;研发人工智能生成模型伦理风险评估技术体系及测试平台，构建人工智能生成模型与人类伦理道德价值观对齐的数据与知识系统，探索适用于生成模型的机器伦理道德框架。
