1.多模态数据分析与处理
目标：面向新经济与智能社会发展中的复杂数据科学与工程问题，构建多模态数据智能理解与知识计算的理论、方法与系统体系。以多模态数据为核心要素，突破从感知—理解—推理—决策的全链路关键技术，推动数据科学、人工智能与行业知识的深度融合，为智能制造、数字金融、智慧医疗等关键领域提供坚实的理论支撑与技术底座。
意义：多模态数据的语义理解与知识表示，是智能体深入感知、理解并推理真实数据场景的核心能力。相较于单一模态数据，多模态数据能够提供互补性、冗余性与协同性信息，使智能系统具备更全面的场景认知能力。
方向：多模态数据特征提取、统计分析与融合决策系统。
2.复杂任务规划、调度与决策
目标：面向智能体复杂系统智能控制与决策问题，构建复杂任务建模—规划—调度—决策全链路理论、方法与系统体系。突破复杂系统机理认知、多任务协同优化与自主智能决策等关键技术，推动人工智能与复杂系统科学的深度融合。
意义：复杂任务规划、调度与决策让智能体能更深入的解释复杂系统的建模机理、演化机制、涌现特性、自主决策与智能控制规律，提升复杂任务规划、调度与决策的自主智能水平。
方向：复杂系统建模、计算与综合集成，多任务融合、多异构体协同与优化。
3.退化控制理论与方法
目标：构建可观、可测、可控的退化控制模型，突破滞后型、中立型、超前型退化系统的建模、分析与控制难题，为复杂动态系统的智能控制提供理论支撑与方法体系。
意义：滞后型、中立型、超前型退化控制模型在解空间构造方面提供多重选择，为复杂动态系统的建模与控制带来更大的灵活性与适应性。
方向：机器学习底层建模逻辑设计。