数字经济的安全基石

申请试用

首页 > AI星火计划
AI星火计划

为深入贯彻落实国家科技创新驱动发展战略,破解人工智能、数据治理、网络安全、隐私计算、大数据分析等领域关键技术瓶颈,世界青年科学家峰会联合安恒信息共同推出全球青年科学家“AI星火计划”,该计划以陪跑青年科技工作者科研“最初一公里”为出发点,支持鼓励引导青年科技工作者直接面向科技前沿和产业需求开展研究。
本次面向全球发布“AI星火计划”技术攻坚榜单,通过 “揭榜挂帅” 机制,汇聚全球青年科研力量与创新资源,让青年科技工作者在真实的数据安全、AI治理等战场上,产出可落地的开源代码、标准草案或商业原型,助力产业高质量发展,为全球AI技术突破和解决数字安全领域的挑战贡献智慧与方案。

核心技术攻坚榜单
  • 人工智能全生命周期治理关键技术攻关

    揭榜方向与总体目标

    围绕人工智能系统在研发、训练、部署、使用及持续演进全过程中面临的突出治理难题,开展系统化、可落地的技术创新研究。通过方法论、算法、系统框架与工程化方案的原创突破,构建可验证、可迁移、可持续的AI治理能力,为安全、可信、可控的人工智能发展提供技术底座。

    课题背景与必要性

    随着生成式AI与智能体技术迅速发展,AI模型规模持续扩大、应用场景不断拓展,AI风险呈现体系化、跨阶段与累积性特征。幻觉输出、语料污染、身份伪造、智能体不可控行为以及缺乏统一、有效的安全测评体系,已成为制约AI高质量发展的关键瓶颈。亟需突破一批前沿治理技术,形成通用框架、可复用工具和验证机制,推动我国在AI治理领域实现源头创新与全球竞争力提升。

  • 基于大模型的安全领域多源知识图谱智能构建——核心算法研究

    揭榜方向与总体目标

    研究基于大语言模型的安全领域知识图谱核心构建算法,突破多源异构知识抽取、跨源实体对齐、知识冲突消解等关键技术瓶颈,形成一套完整的算法体系和原型系统,为安全知识图谱的自动化、智能化构建提供理论基础和技术支撑。

    课题背景与必要性

    1.网络安全领域知识爆炸(CVE 漏洞年增超 30%),人工管理存四大痛点:知识分散于 CVE 库、威胁情报等无统一体系,更新滞后难追威胁演进,多源知识冲突难处理,漏洞 - 攻击 - 防御关联分析弱。​
    2.技术瓶颈突出:多源异构知识抽取泛化不足,跨源实体对齐准确率低,知识冲突缺乏智能消解机制,安全领域本体(如攻击链)建模不完善。​
    3.国内外现状:国外 MITRE ATT&CK 等依赖人工维护,学术研究局限单一任务;国内以人工维护情报库为主,缺乏端到端图谱构建体系。​
    4.技术趋势:大语言模型(LLM)带来突破(相关任务 F1≥90%),但需解决领域提示策略适配、跨源实体对齐、知识融合可解释性三大问题。

  • 推理结果确定性高性能算子开发

    揭榜方向与总体目标

    核心目标:开发一套支持主流推理框架的确定性高性能算子库与执行机制,实现:
    ·相同输入张量、相同执行配置下,不同并发度及不同请求顺序的推理结果完全一致(浮点逐位相等);
    ·在保证确定性的前提下,性能不低于对应非确定性实现(pytorch)的 95%。
    ·选择 GPU、DCU、NPU 或其他国产化显卡架构中的一种作为目标平台进行开发与验证,确保算子在国产自主算力环境下具备完整可运行与可复现性。"

    课题背景与必要性

    随着大模型在云端推理、在线服务及边缘部署中的广泛应用,推理结果的不确定性已成为可信 AI 的关键痛点之一。
    当前主流推理框架vLLM、Pytorch在不同并发、不同调度顺序、不同批次合并策略下,即使输入张量与执行配置完全相同,输出结果的浮点数仍可能存在微小差异。这种计算非确定性主要源于以下原因:
    ·并行归约中线程竞争及累加顺序差异;
    ·并发请求调度与执行次序变化;
    ·底层库(cuBLAS、cuDNN)算法路径的非确定性选择;
    ·内核浮点舍入与融合优化差异;
    这种现象导致模型在多次运行中结果不一致,使得系统难以复现推理结果、无法进行精确调试与可信验证,严重影响了模型的可靠性与监管可追溯性。尤其在高并发在线服务场景下,结果波动不仅降低可信度,还可能引发业务风险。国际上,开源社区已经开发出部分确定性算子,但仍然存在多线程并发推理场景推理推理吞吐降低30%多,和缺乏系统化解决方案的问题。因此,亟需突破“高性能并发推理的确定性保障”技术瓶颈,构建自主可控的确定性算子与执行规范,支撑可信大模型推理生态的建设。

  • AI驱动自动化网络攻防关键技术研究与实践

    揭榜方向与总体目标

    核心目标是构建能够理解并执行类似MITRE ATT&CK战术技术过程的智能Agent(智能体),实现从漏洞发现、利用到链路攻击的自动化闭环,解决当前安全工具“误报高、利用难、链路断”的痛点。

    课题背景与必要性

    随着网络攻击手段的复杂化和智能化,传统的基于规则和人工的渗透测试/漏洞挖掘已难以应对海量资产和未知威胁。本项目旨在通过“揭榜挂帅”机制,征集基于人工智能(深度学习、强化学习、大语言模型等)的网络攻防自动化技术。

  • 具身智能全链路技术创新与安全治理攻关

    揭榜方向与总体目标

    聚焦具身智能系统在全链路的感知、决策、动作执行、系统升级与多智能体协作等关键环节,开展系统化技术创新研究。通过方法论、算法、工具链与框架设计,实现具身智能在复杂真实环境中的高效感知、稳健决策、精确执行及可控协作。
    在全链路治理中,安全与合规性是重要环节,包括控制指令验证、行为合规性监控、OTA升级安全、边界风险防控等。课题旨在形成可验证、可工程化的方案,实现具身智能系统的安全、可信、可部署与高效运行,为智能体在工业、服务、科研等应用场景的落地提供技术支撑。

    课题背景与必要性

    具身智能系统在现实环境中自主感知、推理和执行任务,带来效率与功能的提升,但也引入了多维技术挑战:
    1.感知与理解:多模态信息融合、动态场景理解、对象与关系预测
    2.动作规划与执行:高精度控制、不确定环境下稳健动作、多任务协作
    3.系统升级与边界控制:OTA升级漏洞、软件与固件安全、智能体行为边界约束
    4.安全与行为监控:控制指令异常检测、行为合规性验证、可追踪与可解释
    目前具身智能系统仍缺乏覆盖全链路的技术体系和安全治理方案,亟需突破感知、决策、执行及安全管理的关键技术,形成可落地、可验证、可部署的解决方案,推动具身智能在复杂场景中的安全可靠应用与产业化落地。

  • 机密计算支持大模型安全训练和推理的攻关

    揭榜方向与总体目标

    课题核心目标旨在通过机密计算技术突破,实现可以实际落地的、成本可控的,可以为大模型预训练、微调、推理阶段的数据以及模型提供安全保护的技术能力。

    课题背景与必要性

    大模型(LLM)的性能高度依赖于训练数据的规模和多样性。然而,最有价值的数据——如医疗影像、金融交易记录、个人身份信息,由于合规要求、商业机密或隐私顾虑,被严格限制在各自的“数据孤岛”中 ,无法实现跨域流通和融合分析。
    大模型的训练和推理的成本动辄上千万美元,其训练的数据、推理的数据、模型的权重都是开发者最核心的知识产权。这个过程中涉及数据提供方、模型提供方、算法提供方等多个参与方,各方均具有不同的安全考量。在公有云上进行训练或提供推理服务时,需要确保各方提供的模型和数据不会被包括云服务商、恶意特权用户等在内的潜在恶意攻击者窃取。

  • 异构环境下零侵入全链路溯源与跨模态数字水印技术研究

    揭榜方向与总体目标

    揭榜方向: 数据安全治理、隐私合规检测、人工智能赋能数据安全(AI for Security)。总体目标:针对企业在无法获取应用源码(无代码审计权限)的“黑盒”环境下,解决数据在“应用—数据库—文件”之间流转的链路断层问题。核心目标是构建一套非侵入式的溯源体系,利用大语言模型(LLM)的逻辑推理与因果推断能力,实现基于流量和日志的动态血缘重构;同时结合跨模态水印技术,打通结构化数据(DB)到非结构化数据(文档/图片)的追踪路径,实现全生命周期的可视、可管、可溯。

    课题背景与必要性

    1. 实际痛点(零侵入需求): 现代企业安全建设中,安全团队往往难以介入开发流程或获取源码权限,导致传统的代码扫描(SAST)无法落地。而在微服务架构下,数据库审计日志与API网关日志割裂,无法还原业务侧的真实数据流向。
    2. 跨模态监管空白: 数据从数据库查询导出为Excel、PDF或被截图后,原有安全标记丢失,导致泄露后无法反查源头。
    3. 技术结合点: 传统基于规则的日志关联误报率高,利用LLM强大的语义理解能力,可以精准推断“API请求”与“SQL执行”之间的因果关系,并深入理解数据流转背后的业务意图。

  • 合成数据驱动的大模型安全训练与可信评测关键技术攻关

    揭榜方向与总体目标

    课题核心目标旨在通过合成数据的数据生成、质量评估与隐私保护等关键方向的技术突破,形成可实际落地、成本可控、可监管可追溯的合成数据生产与治理能力。

    课题背景与必要性

    大模型(LLM、VLM 等)对高质量数据的依赖日益增强,但医疗、金融、政务等重点领域的真实数据受制于隐私保护、合规政策与商业机密,难以在机构之间直接共享,形成“数据可见不可用”的突出矛盾。合成数据被视为缓解数据稀缺、提高数据质量、合规约束的重要手段,但现有技术在以下方面仍存在明显短板:一是合成数据在统计分布、结构特征与业务语义上的保真度不足,易导致模型偏差扩大或性能退化;二是缺乏系统化的隐私风险量化与可验证机制,难以证明合成数据不会泄露原始个体信息;三是在真实业务场景下尚未形成标准化的质量评估指标体系与工程化工具链,难以支撑跨行业、跨场景复用。如何在隐私安全前提下大幅提升合成数据的真实性、有效性与可用性,并与大模型训练与评测流程深度融合,是当前亟待攻克的关键问题。

申报条件与方式
  • 参与条件

    本次“揭榜挂帅”活动揭榜方应符合以下条件:
    1.35周岁以下的青年博士或博士生(以计划发布日为准,如团队申报,负责人满足要求即可);
    2.鼓励以个人或小型团队(不超过3人)形式申报,团队成员专业结构合理,具备完成榜单任务的技术能力与资源储备。
    3.每支揭榜团队可选择1个或多个方向开展对策研究和实践,按题目具体要求提交成果。团队对提交的作品拥有自主知识产权,不得侵犯他人知识产权或物权。
    4.国籍、地区、高校/研究机构不限,英语或中文申报均可。
    5.揭榜方需承诺遵守国家法律法规及 “AI 星火计划” 相关规定,确保项目成果合规、可追溯。

  • 报名方式

    报名平台:青科会官网、安恒信息官网
    报名截止时间:2026年3月15日
    报名要求:下载“揭榜挂帅”需求表(附件1)选择题目,下载填写项目任务书(附件2),并于截止时间前提交申报文件。

  • 申报程序

    1.发榜。榜单题目由专门技术专家委员会拟定,聚焦当前数字安全科技前沿和产业实践中面临的具体挑战。
    发布平台:世界青年科学家峰会官网、安恒信息官方网站等。
    2.揭榜。2026年1月1日—3月15日,揭榜方选择揭榜题目并通过官方平台提交详细的技术攻关方案、团队介绍、预算规划等材料。
    3.路演评审与“挂帅”公示。2026年4月,发布单位将对申报材料进行形式审查,并向符合条件的申报人发出《路演邀请函》,参与线下路演。
    路演评审:路演现场将邀请内外部顶尖科学家、产业专家组成评审委员会,从技术方案可行性、成果预期、经费预算合理性等维度进行综合评审。
    结果公示:评选出最终“挂帅”人选及项目,在世界青年科学家峰会官网、安恒信息官网等平台进行公示,公示期 5 个工作日;无异议后正式下达“挂帅”通知。
    4.项目启动。双方签订项目任务书,明确双方权利义务、项目任务、验收标准、经费拨付方式等。
    5.结题验收与成果展示。2026年9月,评审委员会进行最终验收,对照合同约定的关键指标与成果要求,评估是否达标。达标的成果将授予荣誉证书,将在2026年西湖论剑·数字安全大会上进行现场展示。

  • 激励政策

    1.为每个中榜项目提供不少于15万元专项科研经费,经费拨付按照 “合同签订后拨付 60%,验收合格后拨付 40%” 的方式执行。
    2.优秀人才纳入 “AI 星火计划” 人才库,可优先获得安恒信息的入职机会或深度合作邀请。

  • 附则

    本方案由杭州安恒信息技术股份有限公司负责解释,未尽事宜可通过官方渠道咨询。
    项目实施过程中,如遇政策调整、不可抗力等特殊情况,发布单位与中榜方可协商调整合同内容,签订补充协议。
    本方案自发布之日起生效。

相关产品

相关文章

客服在线咨询入口,期待与您交流

线上咨询
联系我们

咨询电话:400-6059-110

产品试用

即刻预约免费试用,我们将在24小时内联系您

微信咨询
安恒信息联系方式
//组件40 js