情绪计算

情绪计算关注 AI 如何识别、表示、推理和使用人类情绪相关信号。它不等于让模型“拥有情绪”，而是把文本、声音、视觉、行为和内部表征中的情绪线索转成可计算对象。

观察

• 多模态情感分析的现实难点不是把文本、语音和视觉简单拼起来，而是每种模态都有质量波动、缺失和噪声。QA-MoE 将缺失和质量下降统一成连续可靠性谱，并用不确定性引导专家路由，说明情绪计算需要显式处理输入可靠性。
• 情绪调节过程模型 提醒情绪计算不能停在“识别情绪标签”：系统如果要介入，就必须区分情境、注意、解释和反应调节等不同位置，并明确授权和边界。
• 情绪智能教育 AI 把情绪识别用于学习环境：系统通过面部表情、语音和文本推断学习者状态，再调整反馈。这条路线与 以人为中心的具身智能 相邻，但教育场景对隐私、同意、误判和干预边界要求更高。
• Transformer Circuits 的情绪概念研究把问题推进到模型内部：LLM 可能形成可解释的 emotion concepts，并在文本生成中承担功能。这与 AI 与大脑情绪系统 不同，前者是模型机制解释，后者是用神经网络模拟情绪条件作用。
• LLM 功能情绪 将这条路线单独拉出：功能性情绪概念可以影响模型行为，但不等于模型有主观体验。
• 对 心理世界模型 来说，情绪计算是 mental state modeling 的一部分。情绪既可以作为交互状态估计，也可以影响 agent 对人类意图、反馈和协作节奏的判断。
• 多模态心理健康理解 把情绪计算推进到心理健康辅助评估：模型从语音、面部/视频和文本中生成情绪-认知描述，强调可解释画像而不是只输出分类标签。
• MME-Emotion 把多模态情绪能力评测从标签准确率推进到推理质量：模型需要说明情绪判断来自哪些视觉、语音、语言或场景线索。
• 城市情绪反应建模 把情绪计算放回空间场景：情绪信号需要和移动路径、围合感、材料、尺度、可见性和城市环境刺激一起解释。
• 情感触觉电子皮肤 把触觉纳入情绪计算：轻抚、压力、滑动和接触方向也可能携带情绪/关系线索，但比视觉和语音更依赖同意、关系和身体边界。
• AI 可穿戴上下文设备 把情绪计算带到连续日常采集：语音语调、环境音、生理信号和事件流可能被组织成压力、平稳、关系支持或情绪高光。Spiro 说明这一路线正在从识别标签走向反馈、日记和关系图谱。
• E2-LLM 把 EEG 纳入解释型情绪计算：模型不仅输出情绪标签，还尝试把脑电片段转成自然语言解释和场景推理。
• MINE 数据集 把情绪识别与意图理解绑定在一起：社交媒体表达中的情绪常和批评、安慰、教学、反对等行动意图共现，因此情绪计算需要处理标签关系和缺失模态，而不是只输出情绪类别。

边界

• 情绪识别不是情绪理解，更不是主观体验证明。
• 教育、医疗、陪伴和工作场景中的情绪计算容易越界为监控或操控，需要明确授权、数据最小化和可纠错机制。
• 多模态情绪模型在 benchmark 上表现好，不等于能跨文化、跨设备、跨场景稳定推断真实人的心理状态。
• 可穿戴情绪设备如果长期记录对话和关系互动，必须处理旁人同意、误判纠错和用户关闭机制。
• EEG 情绪解释不是读心；脑电信号进入 LLM 后仍需要处理噪声、跨被试差异和场景外推。
• 社交媒体情绪/意图标注不等于用户真实心理状态；平台语境、表演性表达和文化差异都会影响标签解释。

相关页面

• AI 与大脑情绪系统
• NeuroAI
• 心理世界模型
• 以人为中心的具身智能
• 人体模型
• 多模态心理健康理解
• MME-Emotion
• 城市情绪反应建模
• QA-MoE
• 情绪调节过程模型
• LLM 功能情绪
• 情感触觉电子皮肤
• AI 可穿戴上下文设备
• Spiro
• E2-LLM
• MINE 数据集

证据

• 原始资料快照（本地归档）
• 原始资料快照（本地归档）
• 原始资料快照（本地归档）
• AI 与大脑情绪系统
• 多模态心理健康理解
• MME-Emotion
• 城市情绪反应建模
• QA-MoE
• 情绪调节过程模型
• LLM 功能情绪
• 情感触觉电子皮肤
• AI 可穿戴上下文设备
• Spiro
• E2-LLM
• MINE 数据集