全球AI：2026年5月22日重要事件回顾

今天的《每日AI世界简报》汇集了来自全球关键地区的人工智能最新消息。重点关注商业应用、监管规定、安全性以及AI模型的发展。 欧洲 Comparing Explanations is Not Enough, Explain the Change: New Standards are Needed to Explain Behavioral Shifts in Large Language Models arXiv:2602.02304v2 Announce Type: replace Abstract: Large-scale foundation models exhibit \emph{behavioral shifts} when subjected to interventions such as scaling, fine-tuning, reinforcement learning with human feedback, or in-context learning.

Current explainability methods are structurally ill-suited to explain these shifts, because they either treat models as static objects, as traditional eXplainable AI (XAI) approaches do, or merely compare independent explanations across different checkpoints of a model.

As a result, these approaches fail to explain the functional transition between two model instances in which a certain behavior has shifted following an intervention.

This gap creates significant governance risks across jurisdictions including the EU AI Act, US state legislation, and Chinese AI regulations, which require documenting causal chains for substantial system modification 重要性： 有必要关注该信息对市场、监管和AI用户的潜在影响。 来源： arXiv AI (22.05.2026) Q-Net: Queue Length Estimation via Kalman-based Neural Networks arXiv:2509.24725v3 Announce Type: replace-cross Abstract: 估计信号交叉口排队长度是交通管理领域长期存在的挑战。车辆流的部分可观察性使得这项任务复杂化，尽管有两类隐私保护数据源可用：（i）来自停止线附近环路检测器的聚合车辆计数；以及（ii）提供分段平均速度测量的聚合浮动车数据 (aFCD)。然而，如何整合具有不同空间和时间分辨率的这些数据源来进行排队长度估计尚不清楚。针对这个问题，我们提出了 Q-Net：一个基于状态空间公式构建的队列估计框架。该设计解决了队列建模的关键挑战，例如交通守恒假设的违反问题。Q-Net 遵循卡尔曼预测-更新结构并保持物理可解释性。 为什么重要: 值得观察该信息对市场、监管和人工智能用户的影响。 来源: arXiv AI (22.05.2026) 欧盟寻求减少对美国人工智能在网络安全领域的依赖 - Escudo Digital 欧盟寻求减少对美国人工智能在网络安全领域的依赖 Escudo Digital 为什么重要: 值得观察该信息对市场、监管和人工智能用户的影响。 来源： Google News AI Europe (22.05.2026) 法国Publicis将花费25.5亿美元收购LiveRamp，推动人工智能发展 - MSN 法国Publicis将花费25.5亿美元收购LiveRamp，推动人工智能发展 MSN 重要性： 有必要关注此信息对市场、监管和人工智能用户的影响。 来源： Google News AI Europe (22.05.2026) 北美 VBFDD-Agent用于电动汽车电池故障检测与诊断：电池数字信号的描述性文本建模 arXiv:2605.20742v1 公告类型：新摘要：随着电动汽车的快速普及，锂离子电池的安全性和可靠性已成为关键问题。有效的异常检测对于确保安全的电池运行至关重要。然而，随着电池系统和操作场景日益复杂，电池故障诊断和维护需要更强的跨领域适应性和人机协作能力。传统的故障检测和诊断方法通常是为特定场景和预定义工作流程设计的，这使得它们在复杂的现实应用中效果较差。为了解决开源电池故障报告语料库的稀缺性以及缺乏统一维护知识表示的问题，本研究提出了一种用于电池信号报告的描述性文本建模方法。监测信号、统计特征、异常记录和状态评估结果被转换成结构化且易读的自然语言描述，从而形成用于电池健康诊断和维护的语言语料库。基于此语料库，我们提出了VBFDD-Agent，这是一个用于汽车级电池系统的车辆电池故障检测和诊断代理（agent）。VBFDD-Agent整合了描述性的电池状态文本、历史案例检索、本地维护手册和大型语言模型推理，以生成结构化的诊断结果和维护建议。实验表明，所提出的框架可以基于描述性文本表示准确地执行异常监测，并提供灵活、高效且可操作的维护建议。专家评估进一步证实了生成建议的实用价值。总而言之，VBFDD-Agent扩展了传统的电池诊断 from label prediction to interpretable and maintenance-oriented decision support.

为什么重要: 该信息可能对AI解决方案的采用、监管或安全性具有意义。 来源: arXiv AI (22.05.2026) GraphDiffMed：用于药物推荐的知识约束微分注意力与药理学图先验 arXiv:2605.20188v1 Announce Type: cross Abstract: Recommending safe and effective medication combinations from electronic health records (EHRs) is a core clinical AI problem, yet it remains difficult because patient trajectories are long, noisy, and clinically heterogeneous.

Existing methods typically excel at either temporal modeling across visits or pharmacological knowledge integration (e.g., drug-drug interactions, DDIs), but rarely achieve both while robustly suppressing noise.

We present GraphDiffMed, a knowledge-constrained medication recommendation framework built on dual-scale Differential Attention v2.

Differential attention is applied at both intra-visit and inter-visit levels to filter spurious signals within encounters and across longitudinal history, while pharmacological constraints are incorporated during learning.