讲座题目：情感计算——有温度的人工智能
主 讲 人：徐睿峰，哈尔滨工业大学（深圳）教授
讲座时间：2023-11-18
讲座地点：深圳大学城图书馆四楼413报告厅
2023年11月18日下午，哈尔滨工业大学（深圳）教授徐睿峰做客大学城新论·名家讲座，为听众们讲解情感计算研究前沿与应用发展趋势。徐教授目前还担任亚洲自然语言处理联合会亚洲语言资源委员会主席，中国人工智能学会理事、青年工作委员会副主任等。徐教授长期从事自然语言处理、文本情感计算、社交媒体挖掘等方面的研究，入选斯坦福大学全球前2%顶尖科学家榜单。
情感计算的目的是通过赋予计算机识别、理解、表达和适应人的情感的能力来建立和谐人机环境，并使计算机具有更高的、全面的智能。情感计算正在弥合人脑与电脑之间的“情感”鸿沟，从而使得人工智能逐渐有了“温度”。在本次讲座中，徐教授分别从人工智能与情感计算的发展历程，情感的脑认知机制，面向文本、图像和多模态场景的情感计算以及面向社会群体的情感计算问题与方法等角度，深入浅出地介绍情感计算的计算原理与未来应用场景。
人工智能的发展
人工智能自上世纪40年代开始引起广泛关注，在过去的70多年间，历经了数次浪潮与寒冬。“人工智能”概念诞生自1956年达特茅斯会议，会议中将其定义为：用机器来模仿人类学习以及其他方面的智能。在“人工智能”概念出现之后的十余年内，人工智能迎来了发展史上的第一个小高峰，但由于当时计算能力严重不足，20世纪70年代人工智能发展迎来第一个寒冬。1980年卡耐基梅隆大学设计出第一套具有强大知识库和推理能力的专家系统XCON，机器学习自此开始兴起，各种专家系统开始被人们广泛应用。但专家系统应用场景有限，且经常在常识性问题上出错，因此人工智能迎来了第二个寒冬。
算法、算力和数据是人工智能的三大支撑。2010年后，人工智能开始在各个领域崭露头角，甚至超过人类的极限。其代表事件包括2006年深度学习概念的提出，2012年AlexNet在ImageNet大规模视觉识别挑战赛上以巨大优势夺冠，2016年AlphaGo战胜李世石，2018年IBM开发的辩论系统Project Debater战胜人类辩手以及ChatGPT的问世等。许多曾经只存在于科幻世界中的想象也逐渐成为现实，逐渐冲击着人们的认知。
经典图灵测试认为，如果一台机器能够与人类展开对话而不被辨别出其机器身份，那么称这台机器具有智能。徐教授认为，在理性的一面，如在棋类竞赛、智力问答和辩论等场景中，人工智能的表现都已经接近甚至超越人类；而在感性的一面，目前的人工智能似乎还缺少一点“温度”——共情能力。情感是人类行为的主要影响因素，人类的信仰、对现实的感知、选择都与人类如何看待和评估这个世界有关，因此，情感计算是人工智能中的意识形态。随着人工智能将面部表情、语言、肢体动作、生理信号等转化为情感数据，横亘在人脑和电脑之间的“情感”鸿沟正在被跨越。在计算智能、感知智能的基础上，人工智能发展的下一个阶段，将是能理解、会思考、有情感的认知智能。情感计算在情绪治疗、社会问题、安全防范等领域都具有紧迫的应用需求。
情感认知与情感建模
关于情绪如何产生这一问题，在心理学、脑科学与认知科学等领域已有广泛讨论。詹姆士-兰格理论认为，情绪是由生理反应引起的。沙赫特-辛格两因素理论认为，生理反应与周围环境将共同导致人类情感感觉和行动。在LeDoux理论观点下，焦虑和恐惧等情绪是由大脑中两种不同的通路运行的。
伴随脑机接口技术的发展，情感建模也正由定性理论转向定量计算。能让机器理解人类情绪，并根据人类的情绪做出相应反映，一直是脑机接口领域研究的热点与难点。通过脑内植入电极的侵入式脑机接口或脑电图、脑磁图、功能核磁共振等非侵入式脑机接口技术，可以定量精准测度人脑信号。基于脑机接口的情绪计算则通过内在的人类脑活动信号来判断情绪，这使得情绪的判断、溯源、预测变得更加准确、可信。
目前，基于脑机接口的情感计算任务与典型的工作流包括信号采集、信号处理、特征提取、情绪分类、情绪归因、情绪认知机理研究。情绪分类任务需通过分析受试者在某些情绪刺激下的脑功能成像数据，分类受试者的情绪。情绪归因任务是在对受试者情绪分类的基础上，计算刺激中每一部分对引发受试者情绪的贡献，从而发现受试者产生某种情绪的原因。情绪认知机理研究则需进一步从认知神经科学的角度研究情绪的产生机理，包括与情绪相关的脑区、情绪产生的过程、情绪与其他脑活动的联系。
基于不同情感理论，存在多种情感建模方式。基于类别空间的情感模型假设人类情感可以分为若干种类别，人在特定时刻的情感可以归属于一个类别或几个类别的组合。环形情感模型将人的情感划分为两个维度：愉快度和强度，对应形成了一个二维空间，不同的情感依据愉快度和强度的差异分布在二维空间中的不同位置。基于认知机制的情感模型认为情感是通过评价的认知过程而产生的，因此根据认知诱发条件来将情感分类，根据对事件高兴与否、对动作满意与否和对目标喜欢与否三个方面评价标准将情感分为22类。基于个性化的模型利用开朗性、责任性、外向性、宜人性、神经质五种因子对特定个体的个性化进行建模。
文本情感计算与多模态情感分析
徐教授认为，情感计算很大程度上是为了能够模拟共情——机器应该能够解释人类的情绪状态，做出相适应的行为，对情绪基于恰当的回应。文本情感计算重点研究以文字为载体的情感分析、情感理解、情感生成与情感交互。情感计算的研究对象通常为观点、情感、评价、评估和情绪。狭义的情感分析、倾向性分析和观点挖掘通常定义为个体对外界事物的态度，如正面、负面等，情绪则强调人自身的情绪状态变化。
根据粒度的不同，情感计算可以划分为文档级、句子级、实体级、方面级等不同任务尺度。粗粒度情感分类主要是判定文本整体的情感倾向，可通过层级注意力网络、BERT等模型实现。细粒度情感分类是指对评价对象及其属性的情感倾向，需要根据给定的目标词识别对应的方面，并通过（目标，方面）组合，推断文本的情感极性。另外，针对隐式情感分析任务，事实性情感、讽刺识别、幽默计算、立场分析也是常见的应用场景。
人类情感的复杂性和应用场景的多样性对面向自然场景的情感分析提出了更高的要求。多模态情感分析的处理流程可划分为模态表示、模态对齐、模态融合与合作学习。模态表示包括单模态表示和多模态表示。模态对齐的目的为在两个或多个模态实例的子组件之间找到关系和对应，常用的对齐准则为时间序列上的对应关系。模态融合是对不同的单模态表示进行整合以获得一个多模态表示的过程。具体应用场景包括语音情感分析、微表情情感分析、面向图文和视频的多模态情感分析等。
在落地场景中，情感计算让人与机器的深层连接成为可能，情感机器人可在客户服务与健康护理领域提供帮助。在心理治疗和心理健康监测领域，情感计算可辅助心理治疗、监测和管理情绪、辅助抑郁症诊断并为及时的干预提供可能。在社会情感领域，情感计算通过识别社交媒体中的社会情绪，对于形成群体认同、影响舆论、建立社会连接具有重要作用。
在最后的提问环节，徐教授根据相关技术知识、行业现状与自身理解，与听众们讨论了有关情感机器人市场前景、情感建模与应用异同等问题。本次讲座就此落下帷幕。（特约通讯员：王雨润）