近日，国家科技部发布了《科技部关于发布国家重点研发计划变革性技术关键科学问题重点专项2017年度项目申报指南的通知》(以下简称通知)，通知明确，2017年变革性技术关键科学问题重点专项将围绕化学键精准重构、超构材料、器官精确介观测量、类生物体灵巧假肢、人工智能、新型太赫兹辐射源等方向部署13个研究方向进行，国拨总经费约3.9亿元。

　　同时，《通知》提出，在同一指南方向下，原则上只支持1项，仅在申报项目评审结果相近，技术路线明显不同，可同时支持2项，并建立动态调整机制，根据中期评估结果，再择优继续支持。如无特殊说明，每个项目下设课题不超过5个，每个项目所含单位数不超过10家。项目申报需具备相关研究基础，并曾获得国家科技计划支持且实施效果良好、具有重大应用前景。申报项目负责人需具有承担国家重大科技项目的经历。项目执行期一般为5年，申报项目特别需提出明确、有显示度的5年总体目标和2年阶段目标和考核指标(或研究进度)。项目实行“2+3”分段式资助，在项目执行2年左右对其目标完成情况进行评估，根据评估情况确定项目后续支持方式。

　　此外 ，《通知》还规定了详细的申报资格，比如：政府机关不得牵头或参与申报，项目(课题)负责人须具有高级职称或博士学位，受聘于内地单位的外籍科学家及港、澳、台地区科学家可作为重点专项的项目(课题)负责人，全职受聘人员须由内地聘用单位提供全职聘用的有效证明，非全职受聘人员须由内地聘用单位和境外单位同时提供聘用的有效证明，并随纸质项目预申报书一并报送。

　　项目(课题)负责人限申报 1 个项目(课题);国家重点基础研究发展计划(973 计划，含重大科学研究计划)、国家高技术研究发展计划(863 计划)、国家科技支撑计划、国家国际科技合作专项、国家重大科学仪器设备开发专项、公益性行业科研专项以及国家科技重大专项、国家重点研发计划重点专项在研项目(含任务或课题)负责人不得牵头申报项目(课题)。国家重点研发计划重点专项的在研项目负责人(不含任务或课题负责人)也不得参与申报项目(课题)等。

　　在此次的申报重点专项中，其中有4项与医学相关，它们分别是：完整器官三维结构与功能信息的精准介观测量、人体器官芯片的精准介观测量、面向生物医学应用研究的新型太赫兹辐射源、类生物体灵巧假肢及其神经信息通道重建。

　　1、完整器官三维结构与功能信息的精准介观测量

　　研究内容：针对生物医学前沿科学问题，发展精准介观测量新原理和方法，突破现有研究手段在大体积样本中难以进行高分辨率三维测量的瓶颈问题，实现重要器官内多维生命科学大数据的高精度获取、重建与可视化。进而，在具有代表解剖结构、组织特征和生理病理状态的辅助坐标或注释中，可视化展现完整器官内不同类型细胞的结构与功能图谱。

　　2、人体器官芯片的精准介观测量

　　研究内容：探索人体器官芯片生化特征介观测量与表征新原理与方法，从分子、细胞到组织、器官甚至系统的多个层次，建立具有多参数、多维度、多模态的高分辨率在线精准检测手段，以实现对微器官的实时监控和对微结构仿生状态的客观评估，并研究器官芯片的模型特征，验证其与人体组织的相似性，为药物筛选和疾病治疗提供技术支撑。

　　3、 面向生物医学应用研究的新型太赫兹辐射源

　　研究内容：面向太赫兹波生物效应及检测等生物医学应用，探索自由电子与新兴材料及新型结构互作用产生太赫兹辐射的物理机制，揭示变革性太赫兹辐射的基本规律，突破传统太赫兹辐射源的技术瓶颈，产生宽频带可调谐、大功率、连续波小型化和具有一定无衍射长度的相干太赫兹辐射。

　　4、类生物体灵巧假肢及其神经信息通道重建

　　研究内容：围绕“再造人手功能”的科学目标，探索操作感知一体化类生物体灵巧假肢设计、制造、神经接口编码解码算法和神经接口硬件系统，及其与神经系统的信息通道重建方法，及神经智能与人工智能的融合与交互。重点研究基于软体材料的灵巧假肢机构设计制造原理，神经信号的提取与解码，人手运动信息的神经编码规律与新一代神经控制模型，传感信号的神经传入机制及假肢的自然感觉功能再造方法，实现闭环的双向神经接口，完成稳定和可以持续学习改善功能的能力。

　　此外，还有两项与AI有关;

　　1、下一代深度学习理论与技术

　　研究内容：面向泛在(如移动计算)、高风险(如精准医疗)、高可靠性(如智能交通)等应用场景，突破深度学习理论基础薄弱、模型结构单一、资源消耗过高、数据依赖性强的瓶颈。研究下一代深度学习基本理论;非神经网络、资源节约型深度学习模型、方法及高效优化技术;适于小样本 / 无监督样本、强化 / 博弈学习的深度学习方法与技术。

　　考核指标：针对深度学习模型高度非线性、参数空间分层且巨大等复杂特性，建立一套揭示深度学习工作机理的理论框架、形成一组深度学习模型分析工具与方法;研制出一系列基于非神经网络结构的新型机器学习模型、方法与技术，在深度学习模型可解释性、高扩展性、易配置性上取得突破;提出存储和计算资源消耗低的多种深度学习模型与方法，设计快速高效、适用于非凸深度学习训练的新型梯度与非梯度优化技术，大幅提升深度学习技术部署能力;研制面向小样本、无监督样本、弱标记样本、非单标记样本的深度学习方法与技术，降低深度学习对于大规模高质量标注数据的严重依赖;研制多事件触发的深度学习模型和技术，适应信息社会的开放环境和快速涌现的新现象;拓广深度学习应用领域，提出适用于在线学习、强化学习、博弈学习的深度学习方法与技术。

　　2、 深度神经网络处理器的新原理、新结构和新方法

　　研究内容：深度神经网络已在多种云端和终端应用中起到了关键性支撑作用。然而，现有芯片远远难以满足深度神经网络的速度和能效需求，有必要探索能高效处理大规模深度神经网络的新型处理器的设计原理、体系结构、指令集和编程语言;探索深亚微米工艺(≤16nm)及新型器件对深度神经网络处理器设计方法的影响。研制新型深度神经网络处理器芯片，探索全异步特征的极低功耗神经网络架构。

　　考核指标：研制能处理大规模深度神经网络(包含一亿神经元和十亿突触)的深度神经网络处理器样片。该样片支持国产深度神经网络指令集，集成硬件神经元 / 突触作为其运算部分，支持硬件神经元的时分复用，支持 Caffe、TensorFlow 和 MXNet 等主流深度神经网络编程框架，能完成多层感知机(MLP)、卷积神经网络(CNN)、长短时记忆网络(LSTM)、循环神经网络(RNN)、生成对抗网络(GAN)和更快速的基于区域的卷积神经网络(Faster-RCNN)等主流深度神经网络的使用，实测能效和性能超过英伟达图形处理单元(NVidia GPU)产品 M40 的 20 倍。设计深度神经网络处理器的基准测试集，覆盖语音、图像和自然语言理解等应用。设计高效的深度神经网络处理器核和片上互联结构。研制面向深度神经网络处理器的编程语言、编译器和汇编器。研制面向深度神经网络处理器的驱动和系统软件。完成深度神经网络处理器在超过 100 万部移动终端中的应用部署，实现原来需要云计算才能处理的智能任务在移动终端本地处理。