人工智能正在理解人类情绪？

人工智能正在理解人类情绪？

想要人工智能理解人类感情，则需要从人工智能的情感计算开始。

人工智能正在理解人类情绪

试图让人工智能理解人类情感并不是新近的研究。

自此，情感计算这一新兴科学领域，开始进入众多信息科学和心理学研究者的视野，从而在世界范围内拉开了人工智能走向人工情感的序幕。

情感计算作为一门综合性技术，是人工智能情感化的关键一步，包括情感的“识别”、“表达”和“决策”。“识别”是让机器准确识人类的情感，并消除不确定性和歧义性;“表达”则是人工智能把情感以合适的信息载体表示出来，如语言、声音、姿态和表情等;“决策”则主要研究如何利用情感机制来进行更好地决策。

识别和表达是情感计算中关键的两个技术环节。情感识别通过对情感信号的特征提取，得到能最大限度地表征人类情感的情感特征数据。据此进行建模，找出情感的外在表象数据与内在情感状态的映射关系，从而将人类当前的内在情感类型识别出来，包括语音情感识别、人脸表情识别和生理信号情感识别等。

人脸表情识别显然是情感识别中关键的一部分。在人类交流过程中，有55%是通过面部表情来完成情感传递的。20 世纪70 年代，美国心理学家Ekman 和Friesen 对现代人脸表情识别做了开创性的工作。

情感识别是目前最有可能的应用。比如，商业公司利用情感识别算法观察消费者在观看广告时的表情，这可以帮助商家预测产品销量的上升、下降或者是保持原状，从而为下一步产品的开发做好准备。

机器除了识别、理解人的情感之外，还需要进行情感的反馈，即机器的情感合成与表达。与人类的情感表达方式类似，机器的情感表达可以通过语音、面部表情和手势等多模态信息进行传递，因此机器的情感合成可分为情感语音合成、面部表情合成和肢体语言合成。

其中，语音是表达情感的主要方式之一。人类总是能够通过他人的语音轻易地判断他人的情感状态。语音的情感主包括语音中所包含的语言内容，声音本身所具有的特征。显然，机器带有情感的语音将使消费者在使用的时候感觉更人性化、更温暖。

从情感计算的决策来看，大量的研究表明，人类在解决某些问题的时候，纯理性的决策过程往往并非最优解。在决策的过程中，情感的加入反而有可能帮助人们找到更优解。因此，在人工智能决策过程中，输入情感变量，或将帮助机器做出更人性化的决策。

“情感”鸿沟的跨越和未跨越

情感智能是让机器更加智能的关键，具有情感的机器不仅更通用、更强大、更有效，而且将更趋近于人类的价值观。在人类科学家长期的努力下，横亘在人脑与电脑之间的“情感”鸿沟正在被跨越。

2014年5月29日，由微软亚洲互联网工程院开发的一代小冰开始了微信公测，在3天内赢得了超过150万个微信群、逾千万用户的喜欢。微软小冰，可以说，就是一个初步练成情感计算的人工智能。

微软小冰的开发团队负责人李笛曾表示，小冰作为一个人工智能平台，已经在技术、产品、数据三者之间形成了一个正循环。换言之，小冰积累的大数据已经足够多到能够让小冰实现自我进化。

2017年5月，“微软小冰”出版了第一部由人工智能创作的诗集《阳光失了玻璃窗》，其中部分诗作在《青年文学》等刊物发表或在互联网发布，并被宣布享有作品的著作权和知识产权。正如小冰在诗歌中作出的自我陈述：“在这世界，我有美的意义。”

如今，小冰已经积累了百亿轮与人类的对话信息，从中提取了海量历史数据，这些海量数据已经足够多到让小冰对未来对话的判断准确程度超过50%。某种程度上，小冰已经形成了初步的记忆、认知与意识能力。

如今，随着大量统计技术模型的涌现和数据资源的累积，情感计算在应用领域的落地日臻成熟。当然，任何一门技术都有其技术曲线，情感计算的发展也不是一帆风顺的。

一方面，情感计算必然面临群体情感和个体情感的矛盾。由于对情感的感知和理解存在具体的个体差异，在应用过程中情感个性化是非常重要的考量。然而，个性化和泛化能力是相互矛盾的，这也成为了情感计算的一个技术难点。

事实上，过去情感研究的默认前提和假设都是情感的群体共性，即群体在表达同样的外显数据时，内心情感状态是一致的。这令关注个体独特性时，面临着数据和方法的问题：如何把控所需的个人数据量？在实际应用场景中，又是否能真正获取到每个人所谓的独特数据？

另一方面，则是对于个体的情绪计算。虽然通过控制情绪波动的幅度，能够模拟性格活泼夸张和安静内敛的人不同的情感起伏，但目前即使是利用共通的情感模拟出一个普通的人，也十分困难。机器在每轮情绪切换中比较跳跃，很难像人那样保持自然、连贯的变化。

但是，个性化服务却也面对隐私保障的挑战。个性化的情感计算必然让渡用户的更多数据，在这样的情况下，隐私能否受到有效保护还未可知。

可以预见，情感计算在未来将改变传统的人机交互模式，实现人与机器的情感交互。从感知智能到认知智能的范式转变，从数据科学到知识科学的范式转变，人工智能也将在未来给我们交出一个更好的回答。