दुनिया में AI - 18 जून 2026 की सबसे महत्वपूर्ण घटनाएँ

आज का दैनिक एआई विश्व ब्रीफ दुनिया के प्रमुख क्षेत्रों से कृत्रिम बुद्धिमत्ता के बारे में सबसे महत्वपूर्ण समाचार एकत्र करता है। ध्यान व्यावसायिक कार्यान्वयन, नियमन, सुरक्षा और एआई मॉडल के विकास पर है। आपका एआई ट्रैवल एजेंट आपको बुलफाइट बुक करेगा: सीमांत एआई मॉडल में निहित पशु कल्याण के लिए एक एजेंटिक बेंचमार्क शोधकर्ताओं ने TAC बेंचमार्क प्रस्तुत किया, जो एजेंटों की अप को रोकने की क्षमता का परीक्षण करता है यह क्यों मायने रखता है: इस जानकारी के बाजार, नियमों और एआई उपयोगकर्ताओं पर पड़ने वाले प्रभाव पर नज़र रखना महत्वपूर्ण है। स्रोत: arXiv AI (18.06.2026) मैक्रों ने वैश्विक एआई नियमों का आह्वान किया, जोखिमों के बारे में चेतावनी दी - एनएसटी ऑनलाइन मैक्रों ने वैश्विक एआई नियमों का आह्वान किया, जोखिमों के बारे में चेतावनी दी एनएसटी ऑनलाइन यह क्यों मायने रखता है: इस जानकारी के बाजार, नियमों और एआई उपयोगकर्ताओं पर पड़ने वाले प्रभाव पर नज़र रखना महत्वपूर्ण है। स्रोत: Google News AI Europe (18.06.2026) उत्तरी अमेरिका PSyGenTAB: कंस्ट्रेंड ऑप्टिमाइजेशन के माध्यम से सिंथेटिक क्लिनिकल टैबुलर डेटा जनरेशन के लिए एक गोपनीयता-संरक्षण ढांचा arXiv:2606.18518v1 घोषणा प्रकार: क्रॉस सार: चिकित्सा एआई का विकास संस्थागत साइलो और एचआईपीएए और जीडीपीआर जैसे सख्त गोपनीयता नियमों के कारण उच्च-गुणवत्ता वाले नैदानिक डेटा तक सीमित पहुंच से बाधित है। सिंथेटिक डेटा जनरेशन एक संभावित समाधान प्रदान करता है, लेकिन मौजूदा तरीकों में गोपनीयता-उपयोगिता व्यापार-बंद को स्पष्ट रूप से प्रबंधित करने के लिए सिद्धांत-आधारित तंत्रों की कमी है, जो अक्सर चिकित्सकीय रूप से सार्थक पैटर्न को खराब कर देते हैं या रोगी की पुन: पहचान का जोखिम उठाते हैं। हम PSyGenTAB प्रस्तुत करते हैं, एक गोपनीयता-संरक्षण जनरेटिव फ्रेमवर्क जो सिंथेटिक स्वास्थ्य सेवा डेटा जनरेशन को एक बाधा-युक्त अनुकूलन समस्या के रूप में तैयार करता है जिसे ऑगमेंटेड लैग्रेंजियन मेथड का उपयोग करके हल किया जाता है। मॉडल प्रशिक्षण में कॉन्फ़िगर करने योग्य गोपनीयता बाधाओं को सीधे एम्बेड करके, PSyGenTAB न्यूनतम गोपनीयता थ्रेशोल्ड लागू करता है जबकि नैदानिक डेटा उपयोगिता को अधिकतम करता है। कई चिकित्सकीय रूप से प्रेरित बेंचमार्क पर, PSyGenTAB अंतर-फीचर नैदानिक संबंधों और विश्वसनीय स्वास्थ्य एआई के लिए आवश्यक अल्पसंख्यक-वर्ग निदान पैटर्न को संरक्षित करता है। ट्रेन-ऑन-सिंथेटिक, टेस्ट-ऑन-रियल और ट्रेन-ऑन-रियल, टेस्ट-ऑन-सिंथेटिक प्रोटोकॉल का उपयोग करके डाउनस्ट्रीम मूल्यांकन से पता चलता है कि सिंथेटिक डेटा पर प्रशिक्षित मॉडल वास्तविक रोगी रिकॉर्ड पर प्रशिक्षित मॉडलों के तुलनीय प्रदर्शन प्राप्त करते हैं। गोपनीयता ऑडिटिंग आगे कम सटीक रिकॉर्ड प्रजनन और सदस्यता अनुमान हमलों के प्रति मजबूत लचीलापन प्रदर्शित करती है। ये परिणाम PSyGenTAB को सिंथेटिक स्वास्थ्य सेवा डेटा में गोपनीयता संरक्षण और नैदानिक उपयोगिता को संतुलित करने के लिए एक सिद्धांत-आधारित फ्रेमवर्क स्थापित करते हैं, जो सुरक्षित क्रॉस-संस्थागत एआई विकास का समर्थन करता है। यह क्यों मायने रखता है: सूचना का एआई समाधानों को अपनाने, विनियमन या सुरक्षा पर महत्व हो सकता है। स्रोत: arXiv AI (18.06.2026) एआई सैंडबॉक्स: एक खतरा मॉडल, वर्गीकरण और माप ढांचा arXiv:2606.18532v1 घोषणा प्रकार: क्रॉस सार: एआई सिस्टम को तेजी से सीमित वातावरण में मूल्यांकन किया जा रहा है जो अलगाव, सिमुलेशन, इंस्ट्रूमेंटेशन, पर्यवेक्षण और साक्ष्य कैप्चर को जोड़ते हैं। भौतिक एआई, एआईओटी, और साइबर-भौतिक प्रणालियों के लिए, यह बदलाव केवल शब्दावली का मामला नहीं है: परीक्षण के तहत प्रणाली भौतिक प्रक्रियाओं, नेटवर्क वाले उपकरणों और मानव ऑपरेटरों के माध्यम से महसूस कर सकती है, निर्णय ले सकती है, कार्य कर सकती है, संवाद कर सकती है, और विफल हो सकती है। यह लेख डिजिटल एआई, मूर्त स्वायत्तता, और साइबर-भौतिक तैनाती में परीक्षण, मूल्यांकन, सत्यापन और प्रमाणीकरण के लिए नियंत्रित वातावरण के रूप में एआई सैंडबॉक्स का आश्वासन-उन्मुख विवरण विकसित करता है। हम सैंडबॉक्स सीमा और एक सीमित परिनियोजन दावे में प्रति-आयाम साक्ष्य को संयोजित करने के लिए सबसे कमजोर कड़ी नियम को औपचारिक बनाते हैं; अलग प्रमुख सैंडबॉक्स आर्केटाइप परिभाषित करते हैं; एक साइबर-भौतिक खतरा मॉडल परिभाषित करते हैं जिसमें आश्वासन उपकरण पर हमले शामिल हैं; और एक माप ढांचा प्रस्तुत करते हैं जो निष्ठा, नियंत्रणीयता, अवलोकन क्षमता, रोकथाम, पुनरुत्पादन क्षमता और शासन कलाकृतियों तक फैला हुआ है, जिसे वास्तविक सैंडबॉक्स के तीन कार्यशील केस स्टडीज पर लागू किया गया है। परिणामी खतरा मॉडल, वर्गीकरण, और माप ढांचा स्पष्ट करता है कि एक सैंडबॉक्स क्या मान्य रूप से परीक्षण कर सकता है, इसमें कौन से जोखिम समाहित कर सकता है, और सुरक्षा, सुरक्षा और नियामक आश्वासन के लिए यह किस प्रकार के साक्ष्य का समर्थन कर सकता है। यह क्यों मायने रखता है: जानकारी को अपनाने, विनियमन या एआई समाधानों की सुरक्षा के लिए महत्व हो सकता है। स्रोत: arXiv AI (18.06.2026) भाषा मॉडल इंटरफेस के रूप में, ओरेकल नहीं: बाल चिकित्सा अपेंडिसाइटिस के लिए एक हाइब्रिड एलएलएम-एमएल सिस्टम arXiv:2606.19183v1 घोषणा प्रकार: क्रॉस सार: बड़े भाषा मॉडल (LLMs) मुक्त पाठ दस्तावेज़ीकरण की व्याख्या करके नैदानिक निर्णय समर्थन को अधिक सुलभ बना सकते हैं, लेकिन प्रॉम्प्ट्स, जानकारी के क्रम और संभावित लेकिन गलत आउटपुट के प्रति संवेदनशीलता से उनके प्रत्यक्ष उपयोग सीमित है। संरचित मशीन-लर्निंग मॉडल अधिक स्थिर जोखिम भविष्यवाणी प्रदान करते हैं, फिर भी उन्हें सारणीबद्ध इनपुट की आवश्यकता होती है जिन्हें कथात्मक नैदानिक वर्कफ़्लो के साथ एकीकृत करना मुश्किल होता है। हम ClaMPAPP (अपेंडिसाइटिस के लिए क्लिनिकल लैंग्वेज-सहायता प्राप्त मशीन-लर्निंग पाइपलाइन) प्रस्तुत करते हैं, एक हाइब्रिड सिस्टम जो अंतिम निर्णय लेने वाले के बजाय इंटरफ़ेस के रूप में एलएलएम का उपयोग करता है। ClaMPAPP नोट जैसी कथाओं से स्कीमा-बाधित नैदानिक सुविधाओं को निकालता है, नियतात्मक संभाव्यता जांच लागू करता है, और मान्य सुविधाओं को नैदानिक, प्रयोगशाला और अल्ट्रासाउंड चर पर प्रशिक्षित एक XGBoost क्लासिफायर को पास करता है। क यह क्यों मायने रखता है: हाँ। 6.

व्यावसायिक या सामाजिक प्रभाव का उल्लेख करें: हाँ। 7.

तथ्यात्मक सटीकता बनाए रखें: हाँ। 8.

केवल पोलिश भाषा लौटाएं: हाँ। 9.

एचटीएमएल न लौटाएं: हाँ। 10.

आउटपुट प्रारूप (शीर्षक, सारांश, यह क्यों मायने रखता है): हाँ। योजना: 1.

मुख्य अवधारणा को समझने के लिए सार पढ़ें (बाल चिकित्सा अपेंडिसाइटिस के लिए हाइब्रिड एलएलएम-एमएल सिस्टम)। 2.

प्रमुख घटकों की पहचान करें: इंटरफ़ेस के रूप में एलएलएम, भविष्यवक्ता के रूप में एमएल मॉडल (XGBoost)। 3.