一直以来，有没有情感一直是区分人和机器的重要标准之一。也就是说，机器是否有情感也是影响机器人化程度的关键因素之一。当前，人工智能呈现出快速增长和全面扩张的态势。一方面，人工智能不断向更深层次的智能方向发展，包括数学运算、逻辑推理、专家系统、深度学习等；另一方面，人工智能不断扩展到社会的各个领域，从智能手机到智能家居，从智能交通到智慧城市等等。“感知智能”正逐渐向具有理解和表达能力的“认知智能”转变，赋予机器情感成为必然趋势。人工智能之父马文·明斯基曾提到，“如果机器不能很好地模拟情绪，那么人们可能永远不会认为机器是智能的。”想要人工智能理解人类的情感，就需要从人工智能的情感计算入手。人工智能正在理解人类的情感试图让人工智能理解人类的情感并不是什么新鲜的研究。早在1997年，麻省理工学院媒体实验室的Picard教授就提出了情感计算的概念。Picard教授指出，情感计算与情感有关，源于情感或可以影响情感的计算。简而言之，情感计算旨在通过赋予计算机识别、理解和表达人类情感的能力，使计算机更加智能。从此，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，从而拉开了人工智能在世界范围内的序幕。情感计算作为一门综合性技术，是人工智能情感化的关键步骤，包括情感的“识别”、“表达”和“决策”。“识别”是让机器准确识别人类的情绪，消除不确定性和歧义；“表达”是用合适的信息载体来表达情感，如语言、声音、姿势、表情等；《决策》主要研究的是如何利用情绪机制做出更好的决策。识别和表达是情感计算中两个关键的技术环节。情感识别通过情感信号的特征提取，获得最能代表人类情感的情感特征数据。在此基础上进行建模，找出情绪的外在表象数据与内在情绪状态之间的映射关系，从而识别出人类当前的内在情绪类型，包括语音情绪识别、面部表情识别和生理信号情绪识别等。面部表情识别显然是情绪识别的关键部分。在人类交流过程中，55%的情绪是通过面部表情来传达的。20世纪70年代，美国心理学家埃克曼和弗里森在现代面部表情识别方面做了开创性的工作。埃克曼定义了六种基本的人类表情：喜悦、愤怒、惊讶、恐惧、厌恶和悲伤，并确定了要识别的对象类别；建立了面部动作编码系统（facialactioncodingsystem，FACS），使研究人员能够按照该系统划分一系列面部动作单元来描述面部动作，并根据面部动作与表情之间的关系检测细微的面部表情。情感识别是目前最有可能的应用。例如，商业公司利用情绪识别算法观察消费者观看广告时的表情，可以帮助商家预测产品销量会上升、下降还是持平，为下一步的产品开发做准备。除了识别和理解人类的情感，机器还需要情感反馈，即机器的情感合成和表达。与人的情感表达类似，机器的情感表达可以通过语音、面部表情、手势等多模态信息传递，因此机器的情感合成可以分为情感语音合成、面部表情合成和肢体语言合成。其中，声音是表达情感的主要方式之一。人类一直以来都能够很容易地通过声音来判断他人的情绪状态。语音的情感主要包括语音所包含的语言内容和声音本身的特征。显然，机器的情感语音会让消费者在使用时感受到更多的人性化和温暖。从情感计算决策的角度出发，大量研究表明，当人类解决某些问题时，纯理性的决策过程往往不是最优解。在决策过程中，情感的加入可能会帮助人们找到更好的解决方案。因此，在人工智能的决策过程中，输入情感变量可能有助于机器做出更人性化的决策。微软的研究人员之前已经回答过这个问题，提出了一种基于外周脉搏测量（PeripheralPulseMeasurements）内在奖励的强化学习新方法，这与人类神经系统的反应有关。的。研究人员假设这种奖励函数可以帮助强化学习解决稀疏性和偏度问题，从而提高采样效率。“感情”的鸿沟是跨越了又没有跨越。情商是让机器变得更智能的关键。有情感的机器不仅更通用、更强大、更有效，而且更接近人类价值观。在人类科学家的长期努力下，人脑与计算机之间的“情感”鸿沟正在弥合。2014年5月29日，由微软亚洲互联网工程院研发的第一代小冰开启微信公测，3天内获得超过150万微信群和超过1000万用户点赞。微软小冰，可以说是初步接受过情感计算训练的人工智能。微软小冰开发团队负责人李迪曾表示，小冰作为人工智能平台，在技术、产品、数据之间形成了良性循环。也就是说，小冰已经积累了足够多的大数据，可以让小冰实现自我进化。2017年5月，“微软小冰”出版了第一部人工智能创作的诗集《阳光失了玻璃窗》，部分诗集刊登在《青年文学》等刊物或网络发表，并声明享有著作权和知识产权作品的权利。就像小冰在诗中的自述：“在这个世界上，我有美的意义。”如今，小冰已经积累了数百亿轮与人类的对话信息，从中提取了大量的历史数据，足以让小冰对未来对话的判断准确率超过50%。某种程度上，小冰已经形成了初步的记忆、认知和意识能力。今天，随着大量统计技术模型的出现和数据资源的积累，情感计算在应用领域的落地也越来越成熟。当然，任何技术都有其技术曲线，情感计算的发展也并非一帆风顺。一方面，情感计算必须面对群体情感与个体情感的矛盾。由于对情绪的感知和理解存在特定的个体差异，因此情绪个性化是应用过程中非常重要的考虑因素。然而，个体化和泛化能力是矛盾的，这也成为情感计算的技术难点。事实上，以往情绪研究的预设前提和假设是情绪的群体共性，即当一个群体表达相同的外显数据时，其内心情绪状态是一致的。这使得关注个体的独特性时面临的数据和方法问题：如何控制所需的个人数据量？在实际的应用场景中，是否真的可以获取到每个人所谓的独一无二的数据呢？另一方面是个人的感情算计。虽然可以通过控制情绪波动的幅度来模拟活泼夸张的人和安静内敛的人不同的情绪起伏，但目前很难用普通的情绪来模拟普通人。机器在每一轮的情绪切换中跳跃，很难像人类一样保持自然连贯的变化。此外，个人情感分析问题也在交互领域不断衍生出新的应用方法。比如在智能客服领域，可以有效检测用户情绪；日益成熟的测谎技术还可以在言语技巧的引导下，通过生理参数，甚至是音视频信号等反映细微心理波动的参数进行情绪分析。然而，个性化服务也面临着隐私保护的挑战。个性化的情感计算必然会放弃更多的用户数据。在这样的情况下，隐私能否得到有效保护，还是个未知数。可以预见，情感计算在未来将改变传统的人机交互方式，实现人与机器之间的情感交互。随着从感知智能到认知智能、从数据科学到知识科学的范式转变，未来人工智能也将给我们更好的答案。
