選出31項計畫，重新思考科學研究的進行方式
日本新推出的 ARiSE 計畫將投入320億日圓，支持運用人工智慧提出假說、規劃及執行實驗、分析結果，並決定下一步研究方向的科學研究。日本科學技術振興機構（JST）從203件申請案中選出31項計畫，補助期間約為兩年半，從2026年10月至2029年3月。
目錄
JST於9月29日公布的遴選結果確認，戰略目標類別選出12項計畫，國際與跨領域類別選出19項。共有82名顧問參與書面審查及面談。研究將在合約簽訂及其他準備工作完成後開始，並非自公告日起自動啟動。
ARiSE 是「以 AI 重新設計科學探索」（AI to Redesign Scientific Exploration）的縮寫。它的目標不只是用 AI 處理資料集或摘要科學論文，而是把數位推理與實體實驗連結起來，形成反覆循環：實驗結果協助 AI 提出更好的假說與設計。
整體獲選率約為15.3%，計算方式為203件申請案中有31件獲選。戰略目標類別從70件提案中選出12件，獲選率約17.1%；國際與跨領域類別則從133件中選出19件，約14.3%。這些數字反映競爭程度，但無法據此判斷各計畫的排名或最終補助金額如何分配。
計畫總監由東北大學執行副校長青木孝文擔任。國立情報學研究所（NII）所長黑橋禎夫負責戰略目標類別，理化學研究所（RIKEN）先進智能計畫中心副主任上田修功則負責國際與跨領域類別。
日本國家策略逐步成形
ARiSE 延續文部科學省於2026年3月31日通過的「推動 AI for Science 策略」。JST 將此計畫定位為旗艦計畫，目標是集中投資於日本的科學優勢有望產出具國際競爭力成果的領域，同時支持與海外頂尖研究人員合作。
文部科學省研究振興局於2026年4月16日發布ARiSE 基本方針網頁。該頁面提供一份262 KB的政策文件連結，但網頁文字並未逐項說明文件中的詳細規定。
從政策制定到計畫遴選，整體時程相對緊湊：
- 2026年3月31日：文部科學省通過推動 AI for Science 的基本策略方針。
- 2026年4月16日：研究振興局發布 ARiSE 基本方針網頁。
- 2026年5月12日至6月30日：JST 受理研究提案。
- 2026年9月29日：JST 公布31項獲選計畫。
- 2026年10月2日：東北大學公布3項獲選計畫。
- 2026年10月13日：JST 舉辦說明會，介紹計畫背景與預定運作方式。
- 2029年3月：目前的研究補助期間預定結束。
JST 理事長橋本和仁主張，日本無法單靠投資規模與美國及中國競爭。替代做法是聚焦於日本已累積珍貴科學資料、專業知識、實驗能力及機器人技術的領域。
他也關注依賴問題。若日本研究人員只使用海外開發的 AI，基礎技術及運算資源可能持續由其他國家掌控。因此，ARiSE 將國內模型開發與國際合作並行，而非將兩者視為互斥選項。
兩種補助類別，各有不同任務
戰略目標類別支持材料科學、生命科學，以及大型研究設施與設備領域的較大型團隊。12項獲選計畫包括6項材料計畫、4項生命科學計畫，以及2項涉及大型設施或設備的計畫。
材料計畫分為三個目標。目標1-1與1-2各有1項獲選計畫，每項補助上限約為30億日圓；目標1-3有4項計畫，每項上限約10億日圓。生命科學及大型設施計畫的每項補助上限約為20億日圓。這些是補助上限，不代表每個團隊都已確定獲得該金額。
國際與跨領域類別開放所有科學領域申請，支持將科學理論、定律及結構知識納入 AI 的研究，每項補助金額通常為2億日圓。若有必要達成研究目標，提案可申請最高6.5億日圓。
每項提案都必須由一名 AI 研究人員與一名相關科學領域研究人員共同領導。團隊也必須從一開始就規劃運算需求、推動國際合作、訂定資料共享與保護規範，並處理研究安全問題。這些要求將科學專業及基礎設施規劃納入研究設計，而不是等選定 AI 模型後才補上。
材料資料成為共享研究平台
一項重要材料計畫旨在將日本累積的材料資料，與國內大型語言模型及專用 AI 串接。國立材料科學研究所（NIMS）相關的資料與研究資源，將用於建構國家級材料 AI 平台。
該平台規劃由數個相互連結的層次組成：為 AI 應用準備的資料與分析工具、材料基礎模型、協助探索及設計的 AI 代理，以及先進實驗設備。基礎模型是經過廣泛訓練，可作為多種研究任務起點的模型；AI 代理則能運用工具並協調各步驟，以達成特定目標。
預定的研究循環從 AI 提出材料或實驗條件開始，再由連接的設備執行實驗，並將結果回饋至下一輪設計。目標是讓廣大的材料研究社群都能使用這項能力，而非僅限於少數具備豐富 AI 專業知識的團隊。
東北大學的3項獲選計畫展現這項國家級工作如何與具體研究計畫接軌。熊谷裕教授領導一項運用 AI 開發高硬度塊材的平台計畫，宮本吾郎教授與志賀元紀教授共同擔任研究領導人。
東北大學的第二項計畫，聚焦於人與 AI 協作，自主創製磁性材料並理解其作用機制。計畫由廣畑貴文教授領導，NIMS 的岩崎悠真及大阪大學小野寬太教授共同擔任領導人。
東北大學第三項獲選計畫屬於國際與跨領域類別，名為「海嘯世界模型」（Tsunami World Model）。計畫由越村俊一教授領導，並與乾賢太郎教授及防災科學技術研究所的臼田裕一郎合作。此計畫顯示 ARiSE 不僅涵蓋實驗室材料與生物學，不過校方公告並未詳述該模型預定具備的能力。
從失敗實驗中學習的基因組模型
生命科學計畫包括一個約40億參數的基因組語言模型，預計涵蓋植物、動物、人類及微生物。有別於以文字訓練的傳統語言模型，基因組語言模型會學習 DNA 序列中的模式，以支援生物功能及基因組設計研究。
參數是模型在訓練過程中調整的數值。計畫中的模型將以一個約70億參數的既有模型為基礎。這些數字描述的是模型規模，並不能證明新模型的表現會勝過前一代。其科學價值取決於所使用的生物資料、實驗，以及整體學習流程。
此計畫採用「設計、建構、測試、學習」（Design, Build, Test, Learn）循環。研究人員設計序列或提出假說，進行實際製作與測試，再將結果回傳模型。成功結果、失敗實驗及基因資源都將用於後續學習。納入失敗經驗很重要，因為實驗未成功也能幫助辨識哪些設計或條件行不通。
這項模型預計成為生命科學研究人員可共同使用的資源，並透過 Bio-AGILE 聯盟推動實際應用。生物安全及模型安全也明確列入計畫工作。能支援生物設計的工具，除了提升預測能力，也必須配備相應防護措施。
從自動化儀器到自主運作設施
無人研究設施開發計畫由東京科學大學、理化學研究所及 Epistora 合作推動。根據Epistora 的計畫公告，研究由東京科學大學神田元紀教授領導。共同領導人包括理研科學基礎模型開發計畫的計畫總監高橋康一，以及 Epistora 執行長小澤洋介。
這項計畫屬於戰略目標3，涵蓋大型研究設施的運作最佳化、自動化、自主運作，以及實驗規劃與資料分析的改善。計畫將開發並展示能串連研究計畫、實驗設備及產出資料的 AI 代理與基礎模型。
自動化儀器與自主運作設施之間的差異在於實際運作層面。機器人或許能執行單項實驗，但設備準備、樣本搬運、補充耗材、儀器排程及處理中斷狀況，仍可能需要人員負責。ARiSE 希望處理這些實驗周邊工作，而不只是實驗本身。
規劃中的設施由三個相互連結的部分組成。資訊系統將處理研究目標、假說、實驗計畫、分析及後續實驗決策；運作系統將分配設備、時間及材料；實體系統則負責自動搬運、補給及復原。
人員將負責監督流程，而非管理每一個個別步驟。這項設施預計支援癌症、免疫、疫苗、老化及再生醫學等持續研究。Epistora 表示，公司投入 AI 與機器人相關研究約10年，其中包括最佳化誘導多能幹細胞轉化為視網膜色素上皮細胞的條件。這些細胞具有支持視網膜的功能。
黑橋禎夫表示，隨著 AI 與機器人技術進步，這類設施的預期實現時間已從約2050年提前至2040年，之後又推進至約2030年。這是持續變動的估計，並不保證全自動設施會在 ARiSE 的補助期間於2029年3月結束前投入運作。
讓科學理論成為 AI 的一部分
國際與跨領域類別採取不同方式，提升科學 AI 的能力。上田修功的做法，是將科學理論納入模型結構、表徵及學習原則，而非只把理論當成限制傳統模型的規則。
相關知識包括對稱性、不變性、因果關係、邊界條件及尺度律。簡單來說，這些概念描述系統改變時仍應成立的關係、原因與結果如何連結，以及科學模型適用的條件。將這些知識納入 AI，目的是在資料稀少，或條件與訓練資料不同時，提升推理能力。
其中一項獲選計畫結合數理物理與 AI，用來生成科學假說，並透過數學與物理理論檢驗其有效性。計畫目標是縮小提出合理敘述與確認敘述正確性之間的落差。自主驗證仍是研究目標，並非計畫已證明具備的能力。
另一項計畫聚焦於金屬有機框架（MOF），這類多孔材料的研究用途包括氣體吸附與分離。其性質可能因合成及實驗條件而異。計畫將結合可變動的科學表徵、反事實推理及研究人員回饋，探討改變條件可能如何影響結果。
反事實推理探討的是在不同條件下會發生什麼，而不只是找出既有觀察中的模式。研究人員將評估假說與推理，再把判斷回饋至 AI。因此，即使無人研究設施計畫追求更高程度的運作自主性，此計畫仍保留研究人員直接參與。
癌症研究不再止於辨識模式
另一項癌症計畫將整合組織結構、細胞形狀、基因表現，以及癌細胞、免疫細胞與周圍其他細胞之間的互動。計畫目標是建立能推理疾病機制的模型，而不只是辨識與癌症相關的特徵。
這項工作將連結兩個觀察層次。模型將根據組織的排列方式推斷個別細胞的行為，再依據這些行為預測組織狀態的變化。同時檢視空間與時間，有助研究人員探討癌症如何在周遭生物環境中發展。
預定應用包括發現疾病機制、預測預後及探索治療方式。這些都是計畫預期的研究成果。獲選 ARiSE 計畫並不代表已證實具臨床效益，也不表示診斷或治療工具已可供患者使用。
運算資源與共享將影響計畫落實
ARiSE 要求提案階段就提出運算規劃，因為訓練及執行模型可能耗用相當比例的研究經費。JST 計畫整合大學、公立研究機構、企業及理研的資源，並視情況使用海外商業運算服務。
關於理研 AI 超級電腦的名稱，各方說法不一：一處稱為 RIKEN，10月的說明會報導則稱其為「理究」。各方共同提到的是，計畫有意結合國內運算資源與其他資源。目前尚未公布分配給個別計畫的運算能力。
計畫也希望讓獲選團隊以外的研究人員能取得廣泛實用的模型、代理、工具及評估方法。JST 計畫與 NII 的學術網路 SINET 及研究資料基礎設施 NII RDC 串接。這些連結預計讓日本各地研究人員都能使用相關成果，並促進材料、生命科學及設施計畫之間的交流。
共享不代表所有內容都會公開。因競爭或安全因素須受保護的資料或成果，可能維持保密。研究安全要求從計畫獲選後即適用；基因組計畫另須履行特定的生物安全及模型安全責任。
計畫負責人預計審查進度並協助調整，包括擴充研究工作、增加國際合作夥伴及舉辦聯合活動。這種彈性是為了因應計畫可能在2026年訂定、到2029年已不合時宜的風險。目前資訊並未確認各計畫合約的啟動日期、最終補助金額、運算資源分配，或模型公開發布的詳細時程。
關鍵考驗在於，這些計畫能否將日本的科學資產與可運作的 AI 系統、可重現的實驗，以及其他研究人員真正能使用的資源結合起來。ARiSE 已提出這個方向，但承諾中的研究發現、自主能力及共享平台仍有待開發與驗證。
重點整理
- ARiSE 獲得320億日圓補助，期間約為2026年10月至2029年3月。
- JST 從203件申請案中選出31項計畫，獲選率約15.3%。
- 戰略目標類別有12項計畫；國際與跨領域類別有19項。
- 主要計畫包括材料 AI 平台、約40億參數的基因組模型，以及無人研究設施。
- 獲選研究也涵蓋數理物理、MOF、癌症機制及海嘯世界模型。
- 國內運算及共享研究基礎設施是優先事項，並可視情況使用海外資源。
- 各計畫的啟動日期取決於合約及準備工作；自主設施與科學應用仍屬開發目標。
