Im Rahmen der Ausschreibung stehen ca. 8,4 Mio. EUR für Projekte im Bereich Artificial Intelligence zur Verfügung. Das Budget wird zu gleichen Teilen für kooperative F&E-Projekte in den Schwerpunkten Hybrid AI und Green AI aufgewendet. In der aktuellen Ausschreibung AI Ökosysteme 2026 sollen die Potenziale der Technologie weiterhin genützt und die Erforschung von AI-Technologien vorangetrieben werden. Zudem sollen die aufkommenden ökologischen Herausforderungen durch ressourceneffiziente Entwicklungen adressiert werden. Eingereichte Vorhaben müssen sich daher auf einen der beiden Ausschreibungsschwerpunkte beziehen.
Hybrid AI – symbolische und subsymbolische AI:Symbolische AI nutzt logische, regelbasierte Systeme zur Verknüpfung von Fakten und Ereignissen und ermöglicht damit Wissen, das maschinell gelesen und verarbeitet werden kann. Dieser Ansatz ist von Bedeutung, wenn es darum geht, semantische Repräsentationen zu erzeugen und Entscheidungsprozesse zu verbessern, auch durch Verfahren des symbolischen maschinellen Lernens. Subsymbolische (nicht-symbolische) AI umfasst vor allem Methoden des subsymbolischen maschinellen Lernens wie Deep Learning und neuronale Netze, die aus großen Mengen von Trainingsdaten komplexe Muster erkennen, um statistisch fundierte Schlussfolgerungen und Entscheidungen abzuleiten. Hybride AI bezeichnet die strukturierte Kombination von Methoden sowohl der symbolischen als auch der subsymbolischen AI. Der Fokus dieses Ausschreibungsschwerpunkts liegt in forschungsintensiver Technologieentwicklung im Rahmen kooperativer F&E-Projekte durch die Erforschung, Entwicklung und Erprobung von Plattformen, Werkzeugen und Methoden für AI-Systeme, die Vorteile symbolischer AI und Vorteile subsymbolischer AI kombinieren und nutzen.
Green AI: Der Einsatz von AI bietet vielfältige Anwendungsmöglichkeiten in nahezu allen gesellschaftlichen und wirtschaftlichen Bereichen, bringt jedoch zugleich erhebliche ökologische Herausforderungen mit sich. Ein zentraler Hebel zur Steigerung der Nachhaltigkeit ist die Reduktion des Energieverbrauchs von AI-Systemen. Während die Trainingsphase komplexer Modelle oft im Fokus der öffentlichen Wahrnehmung steht, stellen die Modellinferenzen, die bei globalen Anwendungen milliardenfach pro Tag ausgeführt werden, den weitaus bedeutenderen Anteil am kumulierten Gesamtenergieaufwand dar. Ein niedriger Energieverbrauch ist dabei nicht nur ökologisch geboten, sondern auch aufgrund der hohen Energiekosten in Europa eine direkte Voraussetzung für die wirtschaftliche Wettbewerbsfähigkeit.
Mehr Informationen: AI Ökosysteme 2026 | FFG