扩展每日 2026年05月18日 - 生成AI×机器人×创药同时加速

执行摘要

2026年5月18日（JST）最近一段时间里，生成AI与与现实世界的联动（机器人/自动化系统）在“研究→实现”方向倾向明显的发布较为突出。 在创药AI领域，能看到“数据基础”的公开在推进，从而让模型评估的基础变得更厚实。 另一方面，在教育领域，面向零门槛的AI学习与个性化设计正在扩大。 跨领域的共同议题不仅是性能，还在于如何构建可靠性与可运营性。

机器人学・自主代理

Florida Atlantic University（FAU）表示，已从美国空军研究所（AFRL）获得**$2,250,000（约225万美元）的资助，将开展面向网络化的下一代自主系统的研究。 该研究以FAU的Center for Connected Autonomy and Artificial Intelligence（CA-AI）为核心，并计划与University at Buffalo、University of Minnesota展开合作。其目标是把“协同动作的自主系统”作为包含边缘侧学习与推理的网络设计**来落地实现。 研究被整理为三大支柱：(1) secure networked edge-AI算法，(2) 将其部署到CPU/GPU/FPGA等多样硬件上的实现，(3) 包括大规模测试环境与人才培养在内的体系化。 (fau.edu)

背后原因在于：仅靠单体的自主性能，往往难以满足真实运行（通信约束、延迟、分布式计算、安全要求等）的需求。像本次这样把“网络化”和“硬件实现”作为一体来规划的资助，旨在把学习与推理设计纳入现实约束条件之中。由此有望扩展到无人机群、远程监控、灾害应对、工厂内搬运等场景。 尤其是边缘侧推理优化，以及安全通信/更新的设计，未来可能直接影响到自主系统的量产与运维成本。

此外，作为教育与验证的场域，Oakland University正在发布有关Intelligent Ground Vehicle Competition（IGVC）重启的消息。2026年的比赛将在奥克兰大学举办，将扩展挑战课题并引入新的表彰（如Top Performer Award等），以评估面向真实世界驾驶场景的自主地面车辆在设计、构建与编程能力方面的表现。 IGVC的特点在于，系统不仅要覆盖概念设计到仿真，还要作为工程流程提出文档编写、测试与资格要求等，强调在竞赛形式下积累实现知识。 (oakland.edu)

把这两项一起看，可以读出：自主机器人领域的重心，正在从“算法的聪明程度”转向网络/计算基础，以及验证流程（测试环境与竞赛评估）。

• 来源: FAU: FAU’s CA-AI Secures $2.2M AFRL Grant for Next-Gen Autonomous Systems
• 来源: Oakland University: Intelligent Ground Vehicle Competition returns to Oakland University with new honors, expanded challenges

心理学・认知科学

在本次调查中，由于限定在最近24小时内、并以“满足一手信息（大学/研究机构的官方发布、学术期刊的官方信息、arXiv等）”为条件，我们未能在心理与认知领域确保足够的具体新发布。

不过，作为心理×AI的近邻话题，有关处理决策与决策辅助的DARPA SBIR相关项目发布可以找到（以企业一手信息的PR形式发布）。例如，CoVar宣布已获得与**Predictive Psychological Architectures for Decision-Making（PPADM）**相关的DARPA SBIR合同。他们希望从“在人与AI交互中的摩擦降低”视角，把与人类决策相关的信任形成要因纳入其中。 (prnewswire.com)

但由于无法确认该发布是否能严格符合“日期在最近24小时内”，因此本次未把它作为心理学领域的必备要件（最近24小时）来采纳，而仅作为参考。

在心理学领域，未来预计会有越来越多研究与发布把“当AI辅助决策时，哪些心理机制（信任、成本认知、偏差等）会影响结果（outcome）”落到可通过实验设计与可量化指标来验证。

经济学・行为经济学

仅限定最近24小时，且符合一手信息源（政府/国际机构/大学/企业官方/学会官方/arXiv），我们未能充分收集关于行为经济学、经济政策以及AI对经济影响分析的具体新闻。

生命科学・创药AI

Oxford University（OpenBind联盟）宣布，已发布首个用于创药AI的开放数据集与预测AI模型。 本次发布旨在加厚实现AI在创药中进行有用探索与预测所必需的实验数据“基础”，从而提升模型学习与验证的可复现性。 (ox.ac.uk)

从背景来看，创药AI高度依赖数据质量、规模与标注的一致性。尤其是，如果提供的是无法进行评估（benchmark）与比较（再学习、再评估）的数据形态，研究成果就更容易被看作“仅在现场展示的性能”。像OpenBind这样把数据公开与预测模型作为一套提供的方式，有助于更容易验证生成模型、结合预测以及候选分子探索方法彼此正在如何改进；从而也可能为整个创药工作流的速度与可靠性做出贡献。

此外，在预印本方面，我们找到了一个arXiv投稿，涉及把SAE World Congress 2026的分会洞见汇总到“Embodied AI in Action”的要点处理（预印本属于一手信息）。这份白皮书在以可移动体（自动驾驶车辆、移动机器人、工业机械）为背景的Embodied AI向真实世界过渡的语境下，梳理了现实系统中的议题。 尽管其与创药AI并非直接同一领域，但在“为进入真实世界进行的集成设计（安全、信任、运作）”这一共同点上，能看出从基础研究到实现的桥接方向。 (arxiv.org)

• 来源: Oxford University: OpenBind releases first open dataset and AI model for drug discovery
• 来源: Oxford Medical Sciences Division: OpenBind releases first open dataset and AI model for drug discovery

教育技术

MIT宣布，将作为MIT Open Learning的一项新的AI教育项目，推出一个面向AI流利度（对AI的“熟练掌握”）的入口，并以免费、面向大众的方式提供。 发布中强调的重点在于：提供由AI实现的个性化，以及面向所有人的免费入门课程。 (news.mit.edu)

在教育技术中的意义，不只是“把生成AI引入课堂”，而是在吸收学习者基础差异的同时，去设计学习的持续性与达成目标。 个性化不仅影响学习效率，还会影响纠正误概念、引导到合适的难度，以及反馈质量（时机、语言化、给出依据）等要素。 未来，随着AI在教育现场的普及，评估（学习成果的测量）与可解释性（为何出现了这种学习支持）也应被同时要求。

• 来源: MIT News: Universal AI is “a pathway to AI fluency …”

管理学・组织论

仅限定最近24小时，且在一手信息（大学/企业官方/政府/学会）层面，我们未能按要求收集与管理学与组织论直连的AI导入、组织变革、决策辅助的“新发布”。

计算社会科学

仅限定最近24小时，在一手信息（大学/政府/国际机构/学会/预印本）层面，我们未能按要求收集关于社交媒体分析、虚假信息检测与社会仿真的新发布。

金融工程・计算金融

在本次调查中，我们未能把“计算金融领域的新的发布”作为一手信息，并严格限定在最近24小时内来按要求确保。

不过，在将基于量化与零售交易数据的预测AI平台纳入教育与研究的举措方面，发现德国的数字科学大学（German UDS）宣布引入BayesShield AI的许可。 发布中提到，该平台使用大量交易数据与用户历史进行训练，并表示计划将其用于风险管理以及对小规模投资者行为的研究。 (nasdaq.com)

由于同样无法确定其日期是否能严格符合最近24小时，因此本次仅作为参考处理。

能源工程・气候科学

仅限定最近24小时，作为一手信息，我们未能按要求收集关于电力需求预测、气候建模与可再生能源的具体新闻。

航天工程・航天科学

仅限定最近24小时，作为一手信息，我们未能按要求收集关于卫星图像解析、航天探索AI与天文发现的具体发布。

总结与展望

从本次“已能收集到的范围内的一手信息”中可以横向读出的，是生成AI与自主AI正在从实验室内的演示走向更具体的投入与制度化： (1) 数据基础（创药AI的开放数据/模型），(2) 实施基础（边缘AI、硬件集成、在通信前提下的自主系统），以及(3) 人才与教育基础（免费开始AI学习与个性化）。 (ox.ac.uk)

乍看之下，机器人学与创药AI似乎是不同世界，但在“持续为在真实世界中评估建立基础”这一点上是共通的。机器人侧关键在于测试环境、网络与安全化运维；创药侧关键在于实验数据的公开与可再评估性。 同样地，在教育领域，不仅要求“使用AI”，还要求“通过学习设计减少错误并加深理解”。

在接下来的24〜48小时内，其他领域（心理、经济、计算社会科学、金融、能源、宇宙）也很可能会出现基于一手信息的新发布。尤其是，由于arXiv对应类别（cs.RO、与心理/决策相关、各类计算社会科学、宇宙/天文学、气候与能源计算等）以及大学/研究所的新闻稿往往会在短时间间隔内连续出现，建议在下一次及之后优先进行对“最近24小时严格一致”的再探索。

参考文献

本文由 LLM 自动生成，内容可能存在错误。