夜雨聆风2018年，国家自然科学基金委员会正式设立人工智能一级学科代码F06。如今多年过去，这个领域发生了怎样的变迁？谁拿到了资助？研究热点如何迁移？
本文基于自然科学基金委信息科学部二处谢国等人在《计算机学报》统计分析，系统梳理近年来国家自然科学基金人工智能领域的关键数据，并站在复合材料力学等传统工科研究者的视角，聊聊这些数据对我们意味着什么。
第一部分：七年数据，一目了然
1. 总体趋势：申请量翻倍，资助率下降
资助数量与金额双双增长，但资助率却在2023年后显著下滑。2024年取消面上项目“申二休一”限制后，申请量暴增，资助率加速下跌。
一句话：钱多了，人更多了，拿基金更难了。
2. 谁拿到了资助？关键画像
年龄：资助项目负责人平均年龄约37.73岁。青年研究人员（28～45岁）占总量82.33%，30～35岁是最高峰（42.11%）。青年项目最小获批年龄仅26岁。
性别：男性占74.11%，女性占25.89%。但青年项目中女性占比已达30%，呈上升趋势。值得注意的是，优青项目中女性平均年龄比男性大2岁（37.8岁 vs 35.7岁），反映出生育和家庭分工对女性科研进程的现实影响。
职称：青年项目申请时高级职称仅占19.4%，结题时10%成功晋升。面上项目申请时高级职称占94.6%，结题时增至96.4%。基金是青年学者职称晋升的关键因素，在多数高校甚至是核心条件。
单位前十：自动化所（161项）、清华、西安电子科大、哈工大、大连理工、天津大学、浙大、南大、电子科大、国防科大。自动化所是清华的1.2倍。
近三年，四川大学和北京大学冲入前十，竞争格局持续重塑。
地区前十：北京（956项）高居榜首，是第二名江苏（487项）的2倍。广东（472）、陕西（357）、上海（251）紧随其后。
近三年，浙江超越上海进入前五，天津跻身前十。
3. 研究热点：七年变迁路线图
七年总榜前十：深度学习、人工智能、多模态、机器学习、神经网络、知识图谱、目标检测、聚类、模型、分类。
近三年榜前十：人工智能、深度学习、多模态、机器学习、神经网络、知识图谱、大模型、诊断、聚类、目标检测。
关键变化：
大模型：GPT问世后迅速成为热点，近三年排名跃升至第7
诊断（医疗应用）崭露头角，排名第8
聚类、目标检测等传统方向热度下降
年度关键词变迁：
整体趋势：目标跟踪 → 深度学习 → 多模态
机器学习（F0603） ：目标跟踪 → 深度学习 → 图深度学习 → 机器学习 → 机器学习 → 大模型
自然语言处理（F0606） ：进化算法 → 深度学习 → 模型 → 情感分析 → 机器翻译 → 多模态 → 大语言模型
智能系统与安全（F0608） ：神经网络 → 多智能体系统 → 算法 → 联邦学习 → 大模型
认知与神经科学启发AI（F0609） ：脑机接口连续七年霸榜
增速最快的方向（近3年） ：
多模态（+4.23%）、人工智能（+2.70%）、大模型（+1.72%）、诊断（+1.44%）、数据（+1.34%）、图像（+1.27%）、大语言模型（+0.90%）、融合（+0.79%）、优化（+0.76%）、神经网络（+0.62%）。
论文据此预测： “未来几年多模态大模型、诊断、知识融合与优化等仍将是主要热点。”
4. 基金委的前瞻性：比学术界早一两年
论文将学术领域与项目资助领域每年排名前100的关键词进行相似度分析，发现：基金委在一定程度上实现了超前资助，精准预测了学术发展方向。
5. 四个短板与四条建议
论文在数据分析基础上，直言不讳指出四个问题：
问题一：资助面窄。 16599名申请人中仅4236人获批，约四分之一。主持3项以上仅56人，2项以上556人——少数人拿走了多数资源。
问题二：方向不均衡。 机器视觉（F0604）申请量是复杂性理论（F0602）的6倍，资助量是10倍。
问题三：原创性不足。 大模型领域，尤其是通用大模型，国内与世界先进水平仍有较大差距，仍在追逐热点，缺乏足够分量的原创性成果。
问题四：人才项目观念需转变。 随着队伍壮大，人才类项目资助率应进一步提高。
四点建议：
提高资助率和资助面——尤其对研究生、青年教师
优化代码布局——体现热点和趋势
鼓励颠覆性创新——对创新项目适度放宽条件
转变人才项目观念——提高杰青、优青资助率
第二部分：对复合材料力学研究者的五点启发
上面这些数据，看起来是AI领域的事，跟做复合材料力学、搞实验力学、做工程仿真的“工科人”有什么关系？
关系很大。 以下五点，是这篇论文给我们的“生存指南”。
启发一：选对申请代码，比埋头苦干更重要
机器视觉（F0604）申请量是复杂性理论（F0602）的6倍，资助量是10倍。交叉学科（F0610）的资助率仅13.92%，全校最低。
这意味着什么？
如果你纯粹以“复合材料力学性能表征”去投F0610（交叉学科），大概率淹没在大量粗糙的交叉申请中，且资助率极低。
战略调整： 把你的力学问题“包装”进高资助率代码。
做复合材料损伤检测 → 靠向F0604（机器感知与机器视觉） ，强调算法创新
做本构模型或多尺度仿真 → 靠向F0603（机器学习） ，强调“物理信息神经网络（PINN）”解决传统力学难题
核心原则：不要以“应用场景”定代码，要以“核心科学方法”定代码。
启发二：“AI for Science”是工科突围的捷径
论文数据显示，“深度学习”、“多模态”、“大模型”霸榜7年，而“诊断”、“图像”、“融合”是近3年增速最快的方向。传统力学计算关键词热度相对下降。
这意味着什么？
纯解析解或纯实验表征的“古典力学”范式，在国自然申请中越来越难拿钱。评审专家会问：“你的力学模型结合机器学习了吗？”
具体路径：
复合材料力学应向“数据驱动本构模型”转型
向“基于深度学习的复合材料逆向设计”转型
向“多模态融合的损伤诊断”转型
更重要的是你的独特优势： 力学背景的人懂物理约束（守恒律、对称性），这是纯计算机背景的人不具备的。做物理约束的AI（如PINN），正是基金委强调的“原创性、颠覆性”突破口——恰好弥补了论文中指出的“原创性不足”的短板。
启发三：抓住年龄窗口，别错过最佳时机
青年基金负责人平均31.75岁，30～35岁是最高峰。青年项目结题时10%成功晋升高级职称（从19.4%涨到29.4%）。重点项目负责人平均年龄呈下降趋势，骨干力量年轻化。
这意味着什么？
很多工科博士毕业后觉得先“沉淀几年”再写本子。但数据告诉你，30-35岁是拿青年的黄金窗口，错过这个年龄段，后面面上竞争会极其惨烈。
行动建议：
立刻行动： 哪怕数据不够完美，也要在35岁前拿下青年基金——这是职称晋升的“硬通货”
长期布局： 不要等评上教授再想重点。现在重点负责人平均48岁且在下降，40岁左右就要开始布局重点项目，靠纯力学积累不够，必须嫁接新兴AI工具
启发四：别追论文热点，要追基金指南的前瞻性
论文通过相似度分析证明：基金委资助的关键词，比学术界论文热点提前了1-2年。且基金委明确批评“追逐世界热点，缺乏原创性成果”。
这意味着什么？
如果你现在看到“大模型”火了，再拿复合材料去套大模型写本子，大概率已经晚了——因为基金委2年前就布局完了。
行动建议：
多盯着基金委每年发布的“专项项目”（如“数据科学与人工智能前沿探索”），专项往往代表未来2-3年的风向
不要追逐论文热点，要追逐基金指南中的“前瞻性关键词” （如多模态、融合、可解释性）
工科具体机会：结合你擅长的复合材料工艺力学，探索“大模型如何理解复合材料固化过程中的残余应力演化”，或“数字孪生驱动的复合材料寿命预测”
启发五：利用“不可替代性”争取资源
北京（956项）是上海（251项）的近4倍，前10名单位拿走了绝大多数资源。高端AI算法和通用大模型，的确集中在少数顶尖单位。
这意味着什么？
如果你不在这些“超级单位”，不要去硬碰他们擅长的通用AI算法。你的优势是“实验数据”和“失效机理”——传统机械、土木、航空强校独有的实验平台和数据库。
行动建议：
在申请书中，要强调“独一无二的复合材料实验平台”和“难以获取的极端环境力学数据”。对基金委来说，资助你不是为了让你写代码，而是让你用AI去解决只有你那个实验室才能测出来的力学难题。这在评审中叫 “不可替代性” ——比蹭热点更有说服力。
结语
国家自然科学基金人工智能领域申请量翻倍、资助率下降、热点从目标跟踪迁移到大模型、研究队伍年轻化——这组数据勾勒出中国AI科研最真实的生态图景。
而对复合材料力学等传统工科研究者来说，真正的启发或许可以浓缩为一句话：
别把AI当对手，要当“力学建模的加速器”；别把交叉学科（F0610）当避风港，要“寄生”在机器学习（F0603）或机器视觉（F0604）的高资助率代码下，用物理规律给AI“减负”——这才是工科人在AI浪潮下的“降维打击”路径。
本文数据来源：谢国, 张奥千, 王乐等. 国家自然科学基金人工智能领域数据分析与研究热点变化[J]. 计算机学报, 2025, 48(11): 2779-2788.
