ARTICOL UNIC
Luând în considerare Opinia nr. 7c-21/130, adoptată de Comisia pentru afaceri europene în ședința din 17 februarie 2026, Camera Deputaților:
1. susține strategia europeană pentru inteligența artificială în știință - Pregătirea terenului pentru Resursele pentru știința IA în Europa (RAISE);
2. recomandă consolidarea unei abordări europene coordonate pentru inteligența artificială (IA) în știință, ca pilon strategic al competitivității și suveranității tehnologice a Uniunii Europene;
3. susține dezvoltarea și operaționalizarea rapidă a resursei pentru știința IA în Europa, ca institut virtual de excelență care să reducă fragmentarea cercetării;
4. subliniază necesitatea creșterii investițiilor publice și private în infrastructura de calcul de înaltă performanță dedicată cercetării științifice bazate pe IA;
5. atenționează asupra decalajului competitiv al UE față de SUA și China în domeniul capacităților de calcul și al brevetelor în IA;
6. susține promovarea unei inteligențe artificiale etice, explicabile, sigure și centrate pe factorul uman în toate activitățile de cercetare;
7. atenționează asupra riscului ca dependența excesivă de infrastructuri digitale și modele de inteligență artificială dezvoltate și antrenate în afara Uniunii Europene să permită influențe strategice externe nefavorabile asupra agendelor de cercetare și priorităților științifice intracomunitare;
8. atrage atenția asupra faptului că lipsa transparenței în dezvoltarea și controlul marilor modele de inteligență artificială poate să conducă la o situație în care cunoașterea științifică și puterea decizională semiautomatizată sunt deținute de un număr restrâns de actori globali, care pot acționa concertat;
9. recomandă extinderea programelor de formare și perfecționare în domeniul IA pentru cercetători, doctoranzi și personal academic;
10. susține atragerea, consolidarea și păstrarea talentelor științifice prin programe de mobilitate, cariere atractive și condiții competitive de cercetare;
11. atenționează asupra fragmentării datelor științifice și a barierelor de interoperabilitate care limitează utilizarea IA în cercetare și capacitatea IA de a analiza și integra corect informațiile de antrenare și de producție;
12. recomandă o separare și o gestionare adecvate între datele utilizate pentru antrenarea modelelor de IA și datele folosite în producție, astfel încât datele de antrenare să fie diverse, de calitate și corect clasificate, în timp ce datele de producție trebuie gestionate conform standardelor de securitate și confidențialitate, asigurând acuratețea, fiabilitatea, dar mai ales legalitatea deciziilor IA;
13. recomandă implementarea de mecanisme de corectare a erorilor (ECC) atât în datele de antrenare, cât și în datele de lucru (producție) ale modelelor IA, pentru reducerea riscului de predicții eronate și inconsistente în cadrul sistemelor de infrastructură critică;
14. susține crearea și dezvoltarea laboratoarelor de date în cadrul fabricilor de IA pentru a sprijini cercetarea bazată pe date de înaltă calitate;
15. subliniază importanța unei finanțări flexibile, interdisciplinare și orientate spre excelență, pentru proiectele de IA în știință, cercetare și educație;
16. susține tranziția de la cercetare la aplicațiile practice, prin încurajarea companiilor emergente care dezvoltă soluții bazate pe IA;
17. susține consolidarea colaborării dintre mediul academic, sectorul privat și administrațiile publice în dezvoltarea aplicațiilor științifice ale IA;
18. atenționează asupra necesității monitorizării continue a progreselor și impactului strategiei europene pentru IA în știință prin indicatori clari și transparenți;
19. recomandă integrarea unui flux complet de audit și control în cadrul modelelor de decizie, incluzând detectarea și corectarea devierilor sistematice părtinitoare și aplicarea de mecanisme de regularizare și monitorizare continuă pentru a asigura stabilitatea și conformitatea tehnică a sistemelor IA;
20. recomandă implementarea unor proceduri riguroase de evaluare a impactului modelelor de IA asupra scenariilor de producție, prin simulări, teste de stres și hacking etic, pentru identificarea eventualelor efecte neașteptate și optimizarea performanțelor sistemelor înainte de utilizarea lor operațională.