ญี่ปุ่นทุ่มงบ 3.2 หมื่นล้านเยนให้ ARiSE นำ AI เข้าสู่วงจรการวิจัยวิทยาศาสตร์เต็มรูปแบบ

คัดเลือก 31 โครงการ พลิกโฉมวิธีทำวิจัยวิทยาศาสตร์

โครงการริเริ่ม ARiSE ใหม่ของญี่ปุ่นจะจัดสรรงบ 3.2 หมื่นล้านเยนให้แก่การวิจัยทางวิทยาศาสตร์ที่ใช้ปัญญาประดิษฐ์สร้างสมมติฐาน วางแผนและดำเนินการทดลอง วิเคราะห์ผล และตัดสินใจว่าจะศึกษาประเด็นใดต่อไป องค์การวิทยาศาสตร์และเทคโนโลยีแห่งญี่ปุ่น (JST) คัดเลือก 31 โครงการจากข้อเสนอ 203 โครงการ โดยจะให้ทุนเป็นเวลาราวสองปีครึ่ง ตั้งแต่เดือนตุลาคม 2026 ถึงมีนาคม 2029

ประกาศผลการคัดเลือกของ JST เมื่อ วันที่ 29 กันยายน ยืนยันว่า มี 12 โครงการได้รับเลือกในหมวดเป้าหมายเชิงยุทธศาสตร์ และ 19 โครงการในหมวดนานาชาติและสหวิทยาการ มีที่ปรึกษารวม 82 คนร่วมพิจารณาเอกสารและสัมภาษณ์ การวิจัยมีกำหนดเริ่มหลังจากจัดทำสัญญาและเตรียมการอื่น ๆ เสร็จสิ้น ไม่ได้เริ่มโดยอัตโนมัติในวันที่ประกาศผล

ARiSE ย่อมาจาก AI to Redesign Scientific Exploration หรือปัญญาประดิษฐ์เพื่อออกแบบการสำรวจทางวิทยาศาสตร์ใหม่ เป้าหมายของโครงการมากกว่าการใช้ AI ประมวลผลชุดข้อมูลหรือสรุปบทความวิทยาศาสตร์ โดยมุ่งเชื่อมการให้เหตุผลแบบดิจิทัลเข้ากับการทดลองจริง สร้างวงจรต่อเนื่องที่ผลการทดลองช่วยให้ AI พัฒนาสมมติฐานและการออกแบบที่ดีขึ้น

อัตราการคัดเลือกโดยรวมอยู่ที่ประมาณ 15.3% คำนวณจากข้อเสนอที่ผ่าน 31 โครงการจากทั้งหมด 203 โครงการ หมวดเป้าหมายเชิงยุทธศาสตร์รับ 12 จาก 70 โครงการ หรือราว 17.1% ส่วนหมวดนานาชาติและสหวิทยาการรับ 19 จาก 133 โครงการ หรือราว 14.3% ตัวเลขเหล่านี้สะท้อนการแข่งขันเพื่อเข้าร่วมโครงการ แต่ไม่ได้บอกอันดับของแต่ละโครงการหรือสัดส่วนงบที่จะได้รับในท้ายที่สุด

ทาคาฟูมิ อาโอกิ รองอธิการบดีบริหารมหาวิทยาลัยโทโฮกุ เป็นผู้อำนวยการโครงการ ซาดาโอะ คุโรฮาชิ ผู้อำนวยการสถาบันสารสนเทศแห่งชาติ (NII) ดูแลหมวดเป้าหมายเชิงยุทธศาสตร์ ส่วนชุนอิจิ อุเอดะ รองผู้อำนวยการศูนย์โครงการปัญญาประดิษฐ์ขั้นสูงของ RIKEN ดูแลหมวดนานาชาติและสหวิทยาการ

วางรูปเป็นยุทธศาสตร์ระดับชาติ

ARiSE สานต่อยุทธศาสตร์ส่งเสริม AI เพื่อวิทยาศาสตร์ของกระทรวงศึกษาธิการ วัฒนธรรม กีฬา วิทยาศาสตร์และเทคโนโลยี ซึ่งประกาศใช้เมื่อวันที่ 31 มีนาคม 2026 JST ระบุว่าโครงการนี้เป็นโครงการหลักที่มุ่งรวมการลงทุนในสาขาที่จุดแข็งทางวิทยาศาสตร์ของญี่ปุ่นจะสร้างผลงานที่แข่งขันได้ในระดับนานาชาติ พร้อมสนับสนุนความร่วมมือกับนักวิจัยชั้นนำในต่างประเทศ

สำนักส่งเสริมการวิจัยของกระทรวงเผยแพร่ หน้าแนวนโยบายพื้นฐานของ ARiSE เมื่อวันที่ 16 เมษายน 2026 หน้าดังกล่าวมีลิงก์ไปยังเอกสารนโยบายขนาด 262 KB แต่ไม่ได้แสดงรายละเอียดข้อกำหนดในเอกสารไว้ในเนื้อหา

กระบวนการตั้งแต่จัดทำนโยบายจนถึงคัดเลือกโครงการใช้เวลาค่อนข้างกระชับ:

• 31 มีนาคม 2026: กระทรวงรับรองนโยบายยุทธศาสตร์พื้นฐานเพื่อส่งเสริม AI เพื่อวิทยาศาสตร์
• 16 เมษายน 2026: สำนักส่งเสริมการวิจัยเผยแพร่หน้าแนวนโยบายพื้นฐานของ ARiSE
• 12 พฤษภาคม ถึง 30 มิถุนายน 2026: JST เปิดรับข้อเสนอการวิจัย
• 29 กันยายน 2026: JST ประกาศรายชื่อ 31 โครงการที่ได้รับคัดเลือก
• 2 ตุลาคม 2026: มหาวิทยาลัยโทโฮกุประกาศโครงการที่ได้รับเลือก 3 โครงการ
• 13 ตุลาคม 2026: JST จัดการชี้แจงเกี่ยวกับที่มาและแผนการดำเนินงานของโครงการ
• มีนาคม 2029: กำหนดสิ้นสุดช่วงให้ทุนวิจัยปัจจุบัน

คาซึฮิโตะ ฮาชิโมโตะ ประธาน JST ให้เหตุผลว่า ญี่ปุ่นไม่อาจแข่งขันกับสหรัฐฯ และจีนด้วยปริมาณการลงทุนเพียงอย่างเดียว ทางเลือกคือมุ่งเน้นสาขาที่ญี่ปุ่นสั่งสมข้อมูลวิทยาศาสตร์อันมีค่า ความรู้เฉพาะทาง ศักยภาพในการทดลอง และความเชี่ยวชาญด้านหุ่นยนต์

ความกังวลของเขายังรวมถึงการพึ่งพาต่างประเทศ หากนักวิจัยญี่ปุ่นใช้เฉพาะ AI ที่พัฒนาจากต่างประเทศ เทคโนโลยีพื้นฐานและทรัพยากรประมวลผลอาจยังอยู่ภายใต้การควบคุมของประเทศอื่น ARiSE จึงผสานการพัฒนาโมเดลภายในประเทศเข้ากับความร่วมมือระหว่างประเทศ โดยไม่มองว่าสองแนวทางนี้เป็นทางเลือกที่ขัดแย้งกัน

ทุนสองหมวดที่มีบทบาทต่างกัน

หมวดเป้าหมายเชิงยุทธศาสตร์สนับสนุนทีมขนาดใหญ่ในสาขาวัสดุศาสตร์ วิทยาศาสตร์ชีวภาพ และโครงสร้างพื้นฐานกับอุปกรณ์วิจัยขนาดใหญ่ จากโครงการที่ได้รับเลือก 12 โครงการ แบ่งเป็นด้านวัสดุ 6 โครงการ ด้านวิทยาศาสตร์ชีวภาพ 4 โครงการ และโครงการที่เกี่ยวข้องกับโครงสร้างพื้นฐานหรืออุปกรณ์ขนาดใหญ่ 2 โครงการ

โครงการด้านวัสดุแบ่งเป็นสามเป้าหมาย โดยเป้าหมาย 1-1 และ 1-2 มีโครงการที่ได้รับเลือกเป้าหมายละหนึ่งโครงการ วงเงินสูงสุดโดยประมาณโครงการละ 3 พันล้านเยน ส่วนเป้าหมาย 1-3 มีสี่โครงการ วงเงินสูงสุดโครงการละราว 1 พันล้านเยน โครงการด้านวิทยาศาสตร์ชีวภาพและโครงสร้างพื้นฐานขนาดใหญ่มีวงเงินสูงสุดโดยประมาณโครงการละ 2 พันล้านเยน ตัวเลขเหล่านี้เป็นเพดานทุน ไม่ใช่จำนวนเงินที่ยืนยันแล้วว่าจะมอบให้ทุกทีม

หมวดนานาชาติและสหวิทยาการเปิดรับทุกสาขาวิทยาศาสตร์ สนับสนุนงานวิจัยที่นำทฤษฎี กฎเกณฑ์ และความรู้เชิงโครงสร้างทางวิทยาศาสตร์มาผสานเข้ากับ AI โดยปกติกำหนดวงเงินไว้ที่โครงการละ 200 ล้านเยน หากจำเป็นต่อการบรรลุเป้าหมาย ข้อเสนออาจขอทุนได้สูงสุด 650 ล้านเยน

ข้อเสนอทุกโครงการต้องมีนักวิจัยด้าน AI และนักวิจัยจากสาขาวิทยาศาสตร์ที่เกี่ยวข้องร่วมเป็นหัวหน้า นอกจากนี้ ทีมต้องวางแผนความต้องการด้านการประมวลผลตั้งแต่ต้น ดำเนินความร่วมมือระหว่างประเทศ กำหนดหลักเกณฑ์การแบ่งปันและคุ้มครองข้อมูล ตลอดจนจัดการประเด็นความมั่นคงปลอดภัยด้านการวิจัย ข้อกำหนดเหล่านี้ทำให้ความเชี่ยวชาญทางวิทยาศาสตร์และการวางแผนโครงสร้างพื้นฐานเป็นส่วนหนึ่งของการออกแบบงานวิจัยตั้งแต่แรก ไม่ใช่สิ่งที่ค่อยเพิ่มเติมหลังจากเลือกโมเดล AI แล้ว

เปลี่ยนข้อมูลวัสดุให้เป็นแพลตฟอร์มวิจัยร่วม

โครงการด้านวัสดุสำคัญโครงการหนึ่งมุ่งเชื่อมข้อมูลวัสดุที่ญี่ปุ่นสั่งสมไว้เข้ากับโมเดลภาษาขนาดใหญ่ในประเทศและ AI เฉพาะทาง โดยมีเป้าหมายใช้ข้อมูลและทรัพยากรวิจัยที่พัฒนาขึ้นรอบสถาบันวัสดุศาสตร์แห่งชาติ (NIMS) เพื่อสร้างแพลตฟอร์ม AI ด้านวัสดุระดับชาติ

แพลตฟอร์มที่เสนอมีองค์ประกอบเชื่อมโยงกันหลายชั้น ได้แก่ ข้อมูลและเครื่องมือวิเคราะห์ที่เตรียมไว้สำหรับการใช้งาน AI โมเดลพื้นฐานด้านวัสดุ ตัวแทน AI ที่ช่วยค้นพบและออกแบบวัสดุ และอุปกรณ์ทดลองขั้นสูง โมเดลพื้นฐานคือโมเดลที่ฝึกด้วยข้อมูลหลากหลายและใช้เป็นจุดตั้งต้นสำหรับงานวิจัยหลายประเภท ส่วนตัวแทน AI สามารถใช้เครื่องมือและประสานขั้นตอนต่าง ๆ เพื่อมุ่งสู่เป้าหมายที่กำหนด

วงจรวิจัยที่วางไว้เริ่มจาก AI เสนอวัสดุหรือเงื่อนไขการทดลอง จากนั้นอุปกรณ์ที่เชื่อมต่อกันจะทำการทดลอง แล้วป้อนผลกลับไปใช้ในการออกแบบรอบถัดไป เป้าหมายคือเปิดให้ชุมชนนักวิจัยด้านวัสดุในวงกว้างใช้ขีดความสามารถนี้ได้ ไม่จำกัดเฉพาะทีมไม่กี่ทีมที่มีความเชี่ยวชาญด้าน AI อย่างลึกซึ้ง

โครงการที่มหาวิทยาลัยโทโฮกุได้รับเลือก 3 โครงการ แสดงให้เห็นว่าความพยายามระดับชาตินี้เชื่อมโยงกับแผนวิจัยเฉพาะด้านอย่างไร ศาสตราจารย์ยู คูมากาอิเป็นหัวหน้าโครงการพัฒนาแพลตฟอร์มเพื่อสร้างวัสดุเนื้อแน่นที่มีความแข็งแรงโดยใช้ AI โดยมีศาสตราจารย์โกโร มิยาโมโตะและโมโตกิ ชิงะเป็นหัวหน้าร่วมด้านการวิจัย

โครงการที่สองของมหาวิทยาลัยโทโฮกุมุ่งสร้างวัสดุแม่เหล็กแบบอัตโนมัติและทำความเข้าใจกลไกของวัสดุ ผ่านความร่วมมือระหว่างมนุษย์กับ AI ศาสตราจารย์ทาคาฟูมิ ฮิโรฮาตะเป็นหัวหน้าโครงการ โดยมี Yuma Iwasaki จาก NIMS และศาสตราจารย์คันตะ โอโนะ จากมหาวิทยาลัยโอซากาเป็นหัวหน้าร่วม

โครงการที่สามของโทโฮกุในหมวดนานาชาติและสหวิทยาการคือ Tsunami World Model ศาสตราจารย์ชุนอิจิ โคชิมูระเป็นหัวหน้าโครงการร่วมกับศาสตราจารย์เคนทาโร อิโนอุเอะ และยูอิจิโร อุซุดะ จากสถาบันวิจัยแห่งชาติด้านวิทยาศาสตร์โลกและการลดภัยพิบัติ การได้รับเลือกแสดงให้เห็นว่า ARiSE ครอบคลุมเกินกว่างานวัสดุและชีววิทยาในห้องปฏิบัติการ แม้ประกาศของมหาวิทยาลัยจะไม่ได้ให้รายละเอียดความสามารถที่คาดหวังจากโมเดลนี้

โมเดลจีโนมเรียนรู้จากการทดลองที่ล้มเหลว

โครงการด้านวิทยาศาสตร์ชีวภาพมีโมเดลภาษาจีโนมขนาดประมาณ 4 พันล้านพารามิเตอร์ ซึ่งมุ่งครอบคลุมพืช สัตว์ มนุษย์ และจุลินทรีย์ ต่างจากโมเดลภาษาทั่วไปที่ฝึกด้วยคำ โมเดลภาษาจีโนมเรียนรู้รูปแบบในลำดับ DNA เพื่อสนับสนุนการศึกษาหน้าที่ทางชีวภาพและการออกแบบจีโนม

พารามิเตอร์คือค่าตัวเลขที่โมเดลปรับระหว่างการฝึก โมเดลที่วางแผนจะพัฒนาต่อยอดจากโมเดลเดิมที่มีพารามิเตอร์ประมาณ 7 พันล้านค่า ตัวเลขเหล่านี้บอกขนาดของโมเดล ไม่ได้ยืนยันว่าโมเดลใหม่จะทำงานได้ดีกว่ารุ่นก่อน คุณค่าทางวิทยาศาสตร์ที่คาดหวังขึ้นอยู่กับข้อมูลชีววิทยา การทดลอง และกระบวนการเรียนรู้ที่พัฒนาควบคู่กัน

โครงการใช้วงจรออกแบบ สร้าง ทดสอบ และเรียนรู้ (Design, Build, Test, Learn) นักวิจัยออกแบบลำดับหรือสมมติฐาน ผลิตและทดสอบในการทดลอง จากนั้นนำผลกลับเข้าสู่โมเดล ทั้งผลสำเร็จ การทดลองที่ล้มเหลว และทรัพยากรทางพันธุกรรม ล้วนมีแผนจะนำไปใช้ในการเรียนรู้รอบต่อไป การรวมผลการทดลองที่ล้มเหลวมีความสำคัญ เพราะอาจช่วยระบุว่าการออกแบบหรือเงื่อนไขแบบใดใช้ไม่ได้ผล

มีเป้าหมายพัฒนาโมเดลนี้ให้เป็นทรัพยากรร่วมสำหรับนักวิจัยด้านวิทยาศาสตร์ชีวภาพ โดยผลักดันการใช้งานจริงผ่านสมาคม Bio-AGILE โครงการระบุให้ความมั่นคงทางชีวภาพและความปลอดภัยของโมเดลเป็นส่วนหนึ่งของงานอย่างชัดเจน เครื่องมือที่ช่วยสนับสนุนการออกแบบทางชีววิทยาจำเป็นต้องมีมาตรการป้องกันควบคู่ไปกับการเพิ่มความสามารถในการคาดการณ์

จากเครื่องมืออัตโนมัติสู่สถานวิจัยไร้คนควบคุม

โครงการพัฒนาสถานวิจัยไร้คนควบคุมเป็นความร่วมมือระหว่างสถาบันวิทยาศาสตร์แห่งโตเกียว RIKEN และ Epistora ตาม ประกาศโครงการของ Epistora ศาสตราจารย์เกงกิ คันดะ จากสถาบันวิทยาศาสตร์แห่งโตเกียวเป็นหัวหน้าโครงการ ส่วนหัวหน้าร่วมคือโคอิจิ ทากาฮาชิ ผู้อำนวยการโครงการในโครงการพัฒนาโมเดลพื้นฐานทางวิทยาศาสตร์ของ RIKEN และโยสุเกะ โอซาวะ ประธานเจ้าหน้าที่บริหารของ Epistora

โครงการนี้อยู่ในเป้าหมายเชิงยุทธศาสตร์ที่ 3 ซึ่งครอบคลุมการเพิ่มประสิทธิภาพการดำเนินงาน ระบบอัตโนมัติ การปฏิบัติงานแบบอัตโนมัติ ตลอดจนการปรับปรุงการวางแผนทดลองและการวิเคราะห์ข้อมูลในสถานวิจัยขนาดใหญ่ โครงการจะพัฒนาและสาธิตตัวแทน AI กับโมเดลพื้นฐานที่เชื่อมแผนการวิจัย อุปกรณ์ทดลอง และข้อมูลที่ได้จากการทดลองเข้าด้วยกัน

ความแตกต่างระหว่างเครื่องมืออัตโนมัติกับสถานวิจัยอัตโนมัติอยู่ที่การใช้งานจริง หุ่นยนต์อาจทำการทดลองหนึ่งอย่างได้ แต่คนยังอาจต้องเตรียมอุปกรณ์ เคลื่อนย้ายตัวอย่าง เติมวัสดุสิ้นเปลือง จัดตารางใช้งานเครื่องมือ และจัดการเมื่อเกิดการหยุดชะงัก ARiSE มุ่งจัดการงานประกอบเหล่านี้ควบคู่ไปกับการทดลองเอง

สถานวิจัยที่เสนอนี้มีองค์ประกอบเชื่อมโยงกันสามส่วน ระบบสารสนเทศจะจัดการเป้าหมายการวิจัย สมมติฐาน แผนการทดลอง การวิเคราะห์ และการตัดสินใจเกี่ยวกับการทดลองครั้งต่อไป ระบบปฏิบัติการจะจัดสรรอุปกรณ์ เวลา และวัสดุ ส่วนระบบกายภาพจะทำงานขนส่ง เติมวัสดุ และกู้คืนการทำงานโดยอัตโนมัติ

คนจะทำหน้าที่กำกับดูแลกระบวนการ แทนการจัดการทุกขั้นตอนด้วยตนเอง สถานวิจัยนี้ตั้งใจสนับสนุนการวิจัยอย่างต่อเนื่องเกี่ยวกับมะเร็ง ภูมิคุ้มกัน วัคซีน ความชรา และเวชศาสตร์ฟื้นฟู Epistora ระบุว่าบริษัทมีประสบการณ์วิจัยราวหนึ่งทศวรรษในด้าน AI และหุ่นยนต์ รวมถึงงานเพิ่มประสิทธิภาพเงื่อนไขการเปลี่ยนเซลล์ต้นกำเนิดพลูริโพเทนต์เหนี่ยวนำให้เป็นเซลล์เยื่อบุผิวเม็ดสีจอประสาทตา ซึ่งเป็นเซลล์ที่ช่วยพยุงจอประสาทตา

คุโรฮาชิกล่าวว่า ความคาดหวังเกี่ยวกับสถานวิจัยลักษณะนี้ขยับจากช่วงปี 2050 มาเป็นราวปี 2040 และต่อมาราวปี 2030 ตามความก้าวหน้าของ AI และหุ่นยนต์ ทั้งหมดนี้เป็นการคาดการณ์ที่เปลี่ยนแปลงได้ ไม่ใช่การรับประกันว่าสถานวิจัยอัตโนมัติเต็มรูปแบบจะเปิดดำเนินงานก่อนสิ้นสุดช่วงให้ทุน ARiSE ในเดือนมีนาคม 2029

บรรจุทฤษฎีวิทยาศาสตร์ไว้ใน AI

หมวดนานาชาติและสหวิทยาการใช้แนวทางอีกแบบเพื่อพัฒนา AI ทางวิทยาศาสตร์ให้มีประสิทธิภาพมากขึ้น แนวทางของอุเอดะคือผสานทฤษฎีทางวิทยาศาสตร์เข้ากับโครงสร้าง การแทนข้อมูล และหลักการเรียนรู้ของโมเดล แทนที่จะใช้ทฤษฎีเป็นเพียงกฎจำกัดโมเดลทั่วไปที่สร้างเสร็จแล้ว

ความรู้ที่เกี่ยวข้องประกอบด้วยสมมาตร ความไม่แปรเปลี่ยน เหตุและผล เงื่อนไขขอบเขต และกฎการสเกล กล่าวอย่างเข้าใจง่าย แนวคิดเหล่านี้อธิบายความสัมพันธ์ที่ควรคงอยู่เมื่อระบบเปลี่ยนแปลง วิธีเชื่อมโยงสาเหตุกับผลลัพธ์ และเงื่อนไขที่ทำให้แบบจำลองทางวิทยาศาสตร์ใช้ได้ การบรรจุความรู้เหล่านี้เข้าใน AI มีเป้าหมายเพื่อพัฒนาการให้เหตุผลเมื่อมีข้อมูลจำกัด หรือเมื่อเงื่อนไขต่างจากข้อมูลที่ใช้ฝึก

โครงการหนึ่งที่ได้รับเลือกผสานฟิสิกส์คณิตศาสตร์กับ AI เพื่อสร้างสมมติฐานทางวิทยาศาสตร์และตรวจสอบความถูกต้องด้วยทฤษฎีคณิตศาสตร์และฟิสิกส์ เป้าหมายคือช่วยลดช่องว่างระหว่างการเสนอข้อความที่ฟังดูเป็นไปได้กับการพิสูจน์ว่าข้อความนั้นถูกต้อง การตรวจสอบอัตโนมัติเป็นเป้าหมายการวิจัย ไม่ใช่ความสามารถที่โครงการนี้พิสูจน์ให้เห็นแล้ว

อีกโครงการมุ่งศึกษาโครงข่ายโลหะอินทรีย์ (MOF) ซึ่งเป็นวัสดุพรุนที่ศึกษาการนำไปใช้ เช่น การดูดซับและแยกก๊าซ คุณสมบัติของวัสดุเหล่านี้อาจแตกต่างกันตามวิธีสังเคราะห์และเงื่อนไขการทดลอง โครงการผสานการปรับเปลี่ยนรูปแบบการแทนข้อมูลทางวิทยาศาสตร์ การให้เหตุผลแบบสมมติสถานการณ์อื่น และข้อเสนอแนะจากนักวิจัย เพื่อศึกษาว่าการเปลี่ยนเงื่อนไขอาจทำให้ผลลัพธ์เปลี่ยนไปอย่างไร

การให้เหตุผลแบบสมมติสถานการณ์อื่นตั้งคำถามว่าจะเกิดอะไรขึ้นหากเงื่อนไขเปลี่ยนไป แทนที่จะเพียงค้นหารูปแบบจากสิ่งที่สังเกตพบแล้ว นักวิจัยจะประเมินสมมติฐานและกระบวนการให้เหตุผล ก่อนป้อนผลการประเมินกลับเข้าสู่ AI ดังนั้นโครงการนี้ยังคงให้มนุษย์มีส่วนร่วมโดยตรง แม้โครงการสถานวิจัยไร้คนควบคุมจะมุ่งเพิ่มความเป็นอัตโนมัติในการดำเนินงานอย่างมากก็ตาม

วิจัยมะเร็งให้ไกลกว่าการจดจำรูปแบบ

โครงการด้านมะเร็งอีกโครงการหนึ่งจะผสานข้อมูลโครงสร้างเนื้อเยื่อ รูปร่างเซลล์ การแสดงออกของยีน และปฏิสัมพันธ์ระหว่างเซลล์มะเร็ง เซลล์ภูมิคุ้มกัน และเซลล์อื่น ๆ โดยรอบ เป้าหมายคือสร้างโมเดลที่ให้เหตุผลเกี่ยวกับกลไกการเกิดโรค ไม่ใช่เพียงจดจำลักษณะที่สัมพันธ์กับมะเร็ง

งานวิจัยนี้เชื่อมการสังเกตสองระดับ จากการจัดเรียงตัวของเนื้อเยื่อ โมเดลจะอนุมานพฤติกรรมของเซลล์แต่ละเซลล์ และจากพฤติกรรมเหล่านั้น โมเดลจะคาดการณ์ว่าเนื้อเยื่อเปลี่ยนแปลงอย่างไร การตรวจสอบทั้งมิติพื้นที่และเวลาอาจช่วยให้นักวิจัยศึกษาการพัฒนาของมะเร็งภายในสภาพแวดล้อมทางชีววิทยาโดยรอบ

การประยุกต์ใช้ที่คาดหวังรวมถึงการค้นหากลไกการเกิดโรค การพยากรณ์โรค และการศึกษาวิธีรักษา ทั้งหมดนี้เป็นผลลัพธ์ที่เสนอไว้สำหรับการวิจัย การได้รับเลือกเข้า ARiSE ไม่ได้ยืนยันประสิทธิผลทางคลินิก และไม่ได้หมายความว่ามีเครื่องมือวินิจฉัยหรือรักษาที่พร้อมใช้กับผู้ป่วยแล้ว

การเข้าถึงทรัพยากรประมวลผลและการแบ่งปันมีผลต่อการดำเนินงาน

ARiSE กำหนดให้วางแผนการประมวลผลตั้งแต่ขั้นเสนอขอทุน เนื่องจากการฝึกและใช้งานโมเดลอาจใช้งบวิจัยจำนวนมาก JST ตั้งใจผสานทรัพยากรจากมหาวิทยาลัย สถาบันวิจัยของรัฐ บริษัทต่าง ๆ และ RIKEN พร้อมเปิดให้ใช้บริการประมวลผลเชิงพาณิชย์จากต่างประเทศได้ตามความเหมาะสม

รายงานแต่ละฉบับระบุชื่อซูเปอร์คอมพิวเตอร์ AI ของ RIKEN ที่อยู่ระหว่างพิจารณาไม่ตรงกัน โดยฉบับหนึ่งเรียกว่า RIKEN ขณะที่รายงานการชี้แจงเมื่อเดือนตุลาคมระบุชื่อว่า 理究 อย่างไรก็ตาม ทั้งสองฉบับกล่าวถึงความตั้งใจที่จะใช้ทรัพยากรประมวลผลภายในประเทศควบคู่กับทรัพยากรอื่น ยังไม่มีการระบุการจัดสรรขีดความสามารถด้านการประมวลผลขั้นสุดท้ายให้แต่ละโครงการ

โครงการยังตั้งเป้าเผยแพร่โมเดล ตัวแทน เครื่องมือ และวิธีประเมินผลที่เป็นประโยชน์ในวงกว้าง ให้ผู้วิจัยนอกเหนือจากทีมที่ได้รับเลือกเข้าถึงได้ JST วางแผนเชื่อมโยงกับเครือข่ายวิชาการ SINET ของ NII และโครงสร้างพื้นฐานข้อมูลวิจัย NII RDC เพื่อให้ผู้วิจัยทั่วญี่ปุ่นเข้าถึงผลงาน และสนับสนุนการแลกเปลี่ยนระหว่างโครงการด้านวัสดุ วิทยาศาสตร์ชีวภาพ และสถานวิจัย

การแบ่งปันไม่ได้หมายถึงการเผยแพร่ทุกอย่าง ข้อมูลหรือผลการวิจัยที่ต้องคุ้มครองด้วยเหตุผลด้านการแข่งขันหรือความมั่นคงอาจยังคงเป็นความลับ ข้อกำหนดด้านความมั่นคงปลอดภัยของงานวิจัยมีผลตั้งแต่หลังการคัดเลือก ส่วนโครงการจีโนมยังมีหน้าที่เฉพาะด้านความมั่นคงทางชีวภาพและความปลอดภัยของโมเดลด้วย

คาดว่าเจ้าหน้าที่ประสานงานโครงการจะทบทวนความคืบหน้าและสนับสนุนการปรับแผน รวมถึงการขยายภารกิจวิจัย เพิ่มพันธมิตรระหว่างประเทศ และจัดกิจกรรมร่วมกัน ความยืดหยุ่นนี้ตอบโจทย์ความเสี่ยงที่แผนซึ่งกำหนดไว้ในปี 2026 อาจล้าสมัยภายในปี 2029 ข้อมูลปัจจุบันยังไม่ได้ระบุวันเริ่มสัญญาของแต่ละโครงการ จำนวนทุนขั้นสุดท้าย การจัดสรรทรัพยากรประมวลผล หรือกำหนดการเผยแพร่โมเดลต่อสาธารณะอย่างละเอียด

บททดสอบสำคัญคือโครงการเหล่านี้จะเชื่อมจุดแข็งทางวิทยาศาสตร์ของญี่ปุ่นเข้ากับระบบ AI ที่ใช้งานได้ การทดลองที่ทำซ้ำได้ และทรัพยากรที่นักวิจัยคนอื่นนำไปใช้จริงได้หรือไม่ ARiSE วางทิศทางดังกล่าวไว้แล้ว แต่การค้นพบที่คาดหวัง ความสามารถในการทำงานอัตโนมัติ และแพลตฟอร์มที่แบ่งปันกันได้ยังต้องผ่านการพัฒนาและพิสูจน์ให้เห็น

ประเด็นสำคัญ

• ARiSE มีงบ 3.2 หมื่นล้านเยน สำหรับช่วงเวลาราวเดือนตุลาคม 2026 ถึงมีนาคม 2029
• JST คัดเลือก 31 โครงการจากข้อเสนอ 203 โครงการ คิดเป็นอัตรารับประมาณ 15.3%
• หมวดเป้าหมายเชิงยุทธศาสตร์มี 12 โครงการ ส่วนหมวดนานาชาติและสหวิทยาการมี 19 โครงการ
• โครงการสำคัญประกอบด้วยแพลตฟอร์ม AI ด้านวัสดุ โมเดลจีโนมขนาดประมาณ 4 พันล้านพารามิเตอร์ และสถานวิจัยไร้คนควบคุม
• งานวิจัยที่ได้รับเลือกยังครอบคลุมฟิสิกส์คณิตศาสตร์ MOF กลไกการเกิดมะเร็ง และ Tsunami World Model
• การประมวลผลภายในประเทศและโครงสร้างพื้นฐานวิจัยร่วมเป็นสิ่งสำคัญ โดยอนุญาตให้ใช้ทรัพยากรจากต่างประเทศได้ตามความเหมาะสม
• วันเริ่มโครงการแต่ละแห่งขึ้นอยู่กับสัญญาและการเตรียมการ ส่วนสถานวิจัยอัตโนมัติและการประยุกต์ใช้ทางวิทยาศาสตร์ยังเป็นเป้าหมายการพัฒนา