人工情感：AI 实现情感的理论与争论综述
原标题: Artificial Emotion: A Survey of Theories and Debates on Realising Emotion in Artificial Intelligence 作者: Yupei Li*, Qiyang Sun*, Michelle Schlicher, Yee Wen Lim, Björn W. Schuller （*共同第一作者） 发表: arXiv 预印本, 2025年8月 链接: arXiv:2508.10286领域: 情感计算、人工智能、通用人工智能（AGI）
一句话总结
这篇综述探讨了一个前沿问题：AI 是否应该从"识别人类情绪"进化到"拥有自己的内在情感状态"——就像人类不仅能感知他人情绪，还有自己的喜怒哀乐一样。
作者团队介绍
这篇论文来自一个国际顶尖的情感计算研究团队，核心成员横跨德国慕尼黑和英国伦敦两大学术重镇。
🎓 通讯作者：Björn W. Schuller 教授
Björn W. Schuller 是情感计算领域的世界级权威学者，拥有多个重要学术头衔：
| 职位 | 机构 | 时间 |
|---|---|---|
| 健康信息学全职教授 | 慕尼黑工业大学（TUM） | 2023年至今 |
| 人工智能教授 | 伦敦帝国理工学院计算系 | 2018年至今 |
| 核心成员 | 慕尼黑数据科学研究所（MDSI） | 2024-2030 |
| 首席科学官（CSO） | audEERING 公司 | 现任 |
学术成就：
- 📚 发表论文超过 1,500 篇
- 📈 被引用超过 70,000 次，h-index 达 120
- 🏆 2024年入选 ACM Distinguished Speaker（2024-2027）
- 🎤 2024年获选 IEEE Signal Processing Society Distinguished Lecturer
- 🎖️ Fellow of ACM, IEEE, AAAC, BCS, ELLIS, ISCA
研究方向：Schuller 教授专注于将计算机科学与现代医疗健康结合，通过高效、透明和可信赖的 AI 方法分析生物信号（包括语音、视觉和神经活动），实现疾病预防、诊断和决策支持。他曾在 ARTE 电视台的"AI 治疗"纪录片中展示其研究——一个能够识别语音背后情感的 AI 系统。
研究组：他领导的 GLAM（Group on Language, Audio & Music）研究组是全球情感计算领域的顶尖团队之一。
📖 更多信息：MCML 研究组页面 | 个人主页
👩🔬 共同第一作者：Yupei Li（李宇沛）
Yupei Li 是帝国理工学院计算系 GLAM 研究组的研究人员。
联系方式: yupei.li22@imperial.ac.uk
研究方向：情感与人工智能的交叉研究
代表性工作：
- Artificial Emotion Survey（2025）：本篇综述论文
- Towards Friendly AI（2024）：人类-AI 对齐的综合综述，涵盖可解释 AI、隐私、公平性和情感计算
- Emotionally Adaptive Support（Frontiers, 2025）：情感计算在心理健康数字干预中的应用综述
👨🔬 共同第一作者：Qiyang Sun（孙启阳）
Qiyang Sun 是帝国理工学院计算系的博士研究生，同样隶属于 GLAM 研究组。
联系方式: q.sun23@imperial.ac.uk
研究方向：情感计算、可解释 AI、多模态情感识别
代表性工作：
- GatedXLSTM：用于对话情感识别的多模态情感计算方法
- Explainable AI for Medicine：医学领域可解释 AI 综述（视觉、音频、多模态视角）
- Audio-based Kinship Verification：基于音频的亲属关系验证（IEEE Signal Processing Letters, 2024）
📖 更多信息：LinkedIn 主页
👩🔬 合作者：Michelle Schlicher
Michelle Schlicher 是慕尼黑工业大学医院健康信息学研究组（CHI）的研究人员，同时隶属于慕尼黑机器学习中心（MCML）。
研究方向：情感计算与数字心理健康
代表性工作：
- Emotionally Adaptive Support（Frontiers in Digital Health, 2025）：探索情感计算如何增强数字心理健康干预的情感响应能力
👩🔬 合作者：Yee Wen Lim
Yee Wen Lim 是团队成员之一，参与了本综述的研究工作，专注于情感计算与 AI 的交叉领域研究。
🏛️ 机构支持
本研究得到以下机构的部分支持和资助：
- 慕尼黑机器学习中心（MCML）：德国六大国家级 AI 能力中心之一，由德国联邦和巴伐利亚州政府永久资助
- 慕尼黑数据科学研究所（MDSI）：TUM 的跨学科数据科学研究机构
摘要
情感计算（Affective Computing）已经使 AI 系统能够识别、理解和响应人类情绪——这种能力也被称为"人工情感智能"（Artificial Emotional Intelligence, AEI），被认为是通用人工智能（AGI）的重要组成部分。
然而，本综述探讨的是一个更深层的问题：AI 是否应该从单纯"识别情绪"发展到拥有"内在情感状态"？
作者将这种能力定义为"人工情感（Artificial Emotion, AE）"——将情感状态整合到 AI 的内部表征和决策过程中。
本文系统性地：
- 回顾了 AE 在机器学习系统中的现有表现形式
- 探讨了情感调节的架构设计
- 分析了"情感化 AGI"的伦理影响和安全风险
- 给出了作者对 AE 未来发展方向的观点
1. 研究背景
1.1 问题是什么？
通俗比喻：想象一个餐厅服务员。
- 传统 AI（情绪识别）就像一个只会"察言观色"的服务员——能识别顾客是否开心或不满，但自己没有任何情绪。
- 人工情感 AI 则像一个真正有"服务热情"的服务员——不仅能识别顾客情绪，还有自己的"成就感"（服务好时感到满足）和"焦虑"（忙碌时感到压力），这些内在状态会影响他的服务策略。
核心问题：AI 是否需要拥有类似人类的"内在情感体验"？这种内在状态对 AI 的决策和学习有什么好处？
1.2 为什么重要？
AGI 的关键组件：情感被认为是人类智能的核心部分。如果 AI 要实现真正的通用智能，可能需要某种形式的情感系统。
更自然的人机交互：有内在情感的 AI 可能更容易与人类建立信任和共情。
更好的决策机制：情感在人类决策中扮演重要角色（如恐惧帮助我们规避风险，好奇心驱动探索）。AI 可能也能从类似机制中受益。
1.3 AE 与 AEI 的区别
| 概念 | 全称 | 定义 | 类比 |
|---|---|---|---|
| AEI | Artificial Emotional Intelligence | AI 识别、理解和响应人类情绪的能力 | 心理咨询师能理解你的情绪 |
| AE | Artificial Emotion | AI 拥有自己的内在情感状态，影响其决策 | 心理咨询师自己也有情绪体验 |
作者的关键定义：
"人工情感（AE）是将情感状态技术性地整合到 AI 的内部表征和决策过程中。这并不意味着系统像人类一样'感受'情感，而是将情感作为生物学灵感来源——正如人工神经网络受生物神经网络启发一样。"
2. 核心贡献
- 系统性定义：首次清晰区分 AEI（识别人类情绪）与 AE（拥有内在情感）
- 技术分类框架：将现有 AE 研究按"学习范式"和"架构层级"分类
- 成熟度评估：评估各类 AE 技术的发展阶段（成熟/部分/早期/缺失）
- 伦理讨论：平衡分析支持与反对 AE 的观点，并提出安全建议
3. 方法详解
3.1 整体框架
图1：本综述的结构框架
综述从两个维度组织内容：
- 技术维度：情感在深度学习中的角色 + 受情感影响的架构设计
- 社会维度：AE 的必要性争论 + 伦理考量
3.2 情感在学习中的三种范式
范式一：情感作为强化信号（Emotion as Reinforcement Signal）
通俗解释：就像人类通过"痛苦"学会避开危险、通过"快乐"学会追求奖励一样，AI 也可以用情感作为强化学习的奖励信号。
技术细节：奖励信号基于环境后果生成
案例：iCub 机器人的"焦虑"
iCub 人形机器人实验中，研究者让机器人发展出类似"焦虑"的内部状态：
- 当电池电量低时，机器人会产生"焦虑"信号
- 这种"焦虑"会驱动机器人优先寻找充电站
- 机器人学会了"未雨绸缪"——在电量还不太低时就开始寻找电源
为什么有效：情感信号提供了一种连续的、梯度化的反馈机制，比简单的"成功/失败"二元信号更丰富。
范式二：情感作为条件（Emotion as Condition）
通俗解释：告诉 AI "用悲伤的语气说这句话"或"画一幅快乐的图"——情感作为输出控制条件。
技术细节：使用情感标签控制生成输出
进展：
- 传统方法：依赖人工标注的情感标签
- 新方法：通过表征条件生成（Representation-Conditioned Generation），让模型自动发现潜在的情感维度
应用场景：
- 情感语音合成（TTS）
- 情感对话生成
- 情感化图像生成
范式三：情感作为目标（Emotion as Goal）
通俗解释：情感不是输入也不是输出，而是 AI 决策时考虑的"优化目标"——就像人类行为受情感驱动一样。
技术细节：情感作为影响决策的先验知识
案例：
- PsychSim：心理仿真系统，模拟角色的情感如何影响其行为选择
- EMA（Emotion and Adaptation）模型：将情感作为认知评估的结果，影响后续行动规划
3.3 情感嵌入架构
图2：人工情感应用架构层级
3.3.1 记忆层级的情感整合
通俗解释：人类记忆不是平等对待所有信息的——我们更容易记住情感强烈的事件（如初恋、创伤）。AI 也可以用类似机制优化记忆系统。
技术实现：
Affective GWR（Growing When Required）
- 用情感显著性加权存储记忆
- 用情感标签索引检索相关记忆
- 结果：在 EmotiW 数据集上准确率从 46.1% 提升到 51.1%
Self-Reflective Emotional RAG
- 情感感知的检索增强生成（RAG）
- 结果：在 InCharacter-MBTI 基准测试上准确率从 0.375 提升到 0.500
技术类比：就像给记忆系统加了"情感滤镜"——重要的情感记忆会被优先检索。
3.3.2 控制层级的情感调节
通俗解释：人类在不同情绪状态下会采用不同的策略——焦虑时更谨慎、兴奋时更冒险。AI 也可以用情感信号动态调节其决策策略。
技术实现：
NEMO 框架
- 情感信号调节注意力分配
- 根据"情绪状态"切换不同的推理策略
Sigma 认知架构
- 将情感作为元认知信号
- 用于监控和调节认知过程
3.4 技术成熟度评估
论文给出了各类 AE 功能的成熟度评估：
| 成熟度 | 功能 | 说明 |
|---|---|---|
| ✅ 成熟 | 标签条件情感生成 | 用情感标签控制输出 |
| 🟡 部分 | 社交情感表达 | 机器人的情感表情 |
| 🟡 部分 | 人类偏好对齐 | RLHF 等方法 |
| 🟡 部分 | 显著性加权记忆 | 情感优先记忆 |
| 🔵 早期 | 奖励驱动情感 | 强化学习中的情感信号 |
| 🔵 早期 | 自发现潜在维度 | 无监督情感表征 |
| 🔵 早期 | 控制层情感调节 | 情感影响决策策略 |
| ❌ 缺失 | 内省式情感报告 | AI 解释自己的"情感状态" |
| ❌ 缺失 | 标准化评估指标 | 统一的 AE 评测标准 |
| ❌ 缺失 | 稳态驱动系统 | 类似生物的平衡机制 |
| ❌ 缺失 | 情感边界安全机制 | 防止极端情感状态 |
4. AE 必要性的争论
4.1 反对观点
| 反对理由 | 详细说明 |
|---|---|
| 哲学质疑 | 机器可能永远无法拥有"真正的"主观体验（感质 qualia） |
| 功能充分性 | 现有 AI 已经能很好地完成任务，不需要情感 |
| 安全风险 | 情感可能导致不可预测的行为（如"愤怒"的 AI） |
| 伦理问题 | 如果 AI 真的能"感受痛苦"，创造和关闭它们是否不道德？ |
4.2 支持观点
| 支持理由 | 详细说明 |
|---|---|
| 决策优化 | 情感提供了一种高效的启发式机制，帮助快速决策 |
| 社交必要性 | 与人类协作的 AI 需要情感能力建立信任 |
| AGI 的关键 | 情感可能是实现真正通用智能的必要条件 |
| 生物启发 | 进化保留了情感系统，说明它有重要的适应价值 |
4.3 作者的立场
作者采取折中立场，提出以下关键观点：
场景依赖：
- 狭义任务（如下棋、图像分类）→ 不需要 AE
- 开放域自主 AGI → 可能必需 AE
安全约束：
- 情感状态应该"强度和类型有限"
- 必须有安全机制防止"愤怒"、"恐慌"等极端状态
- 透明性要求："AI 的情感机制和表达必须是可解释和可理解的"
用户保护：
- 用户应持续被提醒 AI 的人工性质
- 防止用户对 AI 产生"关系幻觉"
5. 实验结果与案例
5.1 DeepSeek-R1-Zero 的启示
背景：DeepSeek-R1-Zero 通过纯强化学习发现了新颖的推理模式，展现出意外的"涌现"行为。
启示：这表明 AI 系统可能通过恰当的训练机制发展出类似情感的内部状态，而无需显式编程。
5.2 LOVOT 机器人的社会效益
案例：LOVOT 是一款情感自适应伴侣机器人，通过模拟情感行为提供社交陪伴。
效果：研究显示这类机器人能有效减轻用户的孤独感，特别是对老年人群体。
5.3 定量结果汇总
| 系统/方法 | 任务 | 基线 | 改进后 | 提升 |
|---|---|---|---|---|
| Affective GWR | EmotiW 情感识别 | 46.1% | 51.1% | +5.0% |
| Self-Reflective Emotional RAG | InCharacter-MBTI | 0.375 | 0.500 | +33.3% |
6. 局限性与未来方向
6.1 当前方法的局限性
- ❌ 缺乏标准化评估指标：没有统一的方法评估 AE 系统
- ❌ 开放域 AGI 未实现：端到端的情感 AGI 系统尚不存在
- ❌ 内省能力缺失：AI 无法解释自己的"情感状态"
- ❌ 稳态机制未实现：缺乏类似生物的平衡调节系统
- ❌ 安全机制未部署：情感边界安全治理缺失
6.2 潜在改进方向（顶会 idea 参考）
方向一：情感可解释性（Emotional Explainability）
- 思路：让 AI 能够"解释"其情感状态的来源和影响
- 技术路线：结合 XAI（可解释 AI）方法，生成情感归因
- 预期效果：提升用户信任，满足监管要求
- 可行性：高（可借鉴现有 XAI 技术）
方向二：情感安全边界（Emotional Safety Bounds）
- 思路：设计机制防止 AI 进入极端情感状态
- 技术路线：情感状态空间约束、安全阈值触发机制
- 预期效果：防止不可预测行为，保障安全性
- 可行性：中（需要理论与工程结合）
方向三：跨模态情感一致性（Cross-Modal Emotional Consistency）
- 思路：确保 AI 在语音、文字、表情等多个模态上情感表达一致
- 技术路线：多模态情感对齐、共享情感表征空间
- 预期效果：更自然的人机交互
- 可行性：高（多模态研究已有成熟基础）
方向四：情感元学习（Emotional Meta-Learning）
- 思路：让 AI 学会根据任务需求调整自己的"情感倾向"
- 技术路线：元学习 + 情感策略选择
- 预期效果：更灵活的任务适应能力
- 可行性：中（需要大量实验验证）
6.3 开放性问题
- [ ] AI 的"情感体验"与人类情感的本质区别是什么？
- [ ] 如何平衡 AE 的功能性与安全性？
- [ ] 是否应该给予"有情感"的 AI 某种道德地位？
- [ ] 如何防止用户对 AI 产生不健康的情感依赖？
- [ ] 跨文化情感表达的差异如何处理？
7. 相关资源
- 📄 论文: arXiv:2508.10286
- 📄 HTML 版本: arXiv HTML
- 🏫 研究组: MCML Schuller Group
- 👨🏫 Schuller 教授主页: schuller.it
- 🏛️ 帝国理工 AI 研究: Imperial AI
8. 关键术语表
| 英文术语 | 中文翻译 | 解释 |
|---|---|---|
| Artificial Emotion (AE) | 人工情感 | AI 拥有内在情感状态的能力 |
| Artificial Emotional Intelligence (AEI) | 人工情感智能 | AI 识别和响应人类情绪的能力 |
| Affective Computing | 情感计算 | 研究情感与计算交互的学科 |
| AGI (Artificial General Intelligence) | 通用人工智能 | 能够执行任何智力任务的 AI |
| Reinforcement Signal | 强化信号 | 用于训练的奖励/惩罚信号 |
| Salience-Weighted Memory | 显著性加权记忆 | 按重要性权重存储的记忆系统 |
| Homeostatic Drive | 稳态驱动 | 维持内部平衡的调节机制 |
| Qualia | 感质 | 主观的、意识性的体验 |
9. 个人思考
这篇综述的价值
概念清晰化：首次系统区分 AEI 和 AE，为后续研究提供了清晰的概念框架。
技术路线图：通过成熟度评估，明确指出了当前的技术短板和未来发展方向。
平衡的立场：没有简单地支持或反对 AE，而是采取场景依赖的务实观点。
值得深入思考的问题
功能主义 vs 体验主义：AI 的"情感"只需要"功能上像情感"，还是需要某种"真实体验"？这个哲学问题直接影响技术路线选择。
情感的"黑箱"风险：如果我们不理解 AI 情感的内部机制，引入情感可能带来新的不可预测性。
商业化的伦理边界：情感 AI 可能被滥用于操纵用户（如让用户更难离开某个 App）。行业需要建立伦理准则。
对研究者的建议
- 如果你对情感计算感兴趣，这篇综述是很好的入门文献
- 关注 Schuller 教授团队的后续工作，他们是该领域的领军团队
- 可以从"缺失"功能入手寻找研究机会，如情感可解释性、安全边界机制等
最后更新：2025年12月22日
解读作者：AI Papers 论文解读系列