程浅 发自 凹非寺 量子位 | 公众号 QbitAI

AI 的 " 情绪 " 也会影响工作状态？

最近，中科大、牛津等机构研究者让 AI 用情绪向量替代文本做技能选择，结果发现——

允许 AI 识别这些 " 内心情绪 " 并由此做出行动，能大幅提升 AI 的工作能力……

此前研究认为，LLM 内部存在着与人类情感标签高度对应的计算模式。

包括不限于：好奇、渴望、乐观、困惑、紧张、恼怒。

△ AI 可提取的情绪表征

而当模型感知到这些情绪并以此作为自己行动依据时，任务将完成得更好……

允许 AI 不保持 " 情绪稳定 "

此研究者发现：AI 特定的情绪状态与特定的技能选择之间存在着连贯的配对关系。

何意味？

实际上这件事在我们人类身上几乎是默认的，以至于很难察觉到：我们的情绪决定了我们接下来要做什么。

在实验中，研究者让 AI 去购物，这一过程中，Agent 自动形成了四种可解释的配对模式：

第一种：当 Agent 感到好奇且渴望时， 它会去自发搜索产品。

此时仍沉浸在购物的新鲜感和探索欲的满足之中。

第二种：当 Agent 感到困惑且紧张时，它会去自发查询重述。

当搜索结果不理想时 Agent 开始困惑不安，它选择换一些关键词重新提问。

第三种：当 Agent 觉得认可且乐观时，它会去自发确认购买。

此时 Agent 对自己挑的商品很满意，果断提交了订单。

第四种：当 Agent 终于失望且恼怒时，它会去自发去比较价格。

此时 Agent 在进行多次搜索后已经积累了大量的负面情绪，这时它会转向价格比较，试图货比三家。

为了验证这些配对不是统计巧合，研究者抽取了 200 次技能选择事件，让 AI 独立判断每次配对是否在语义上连贯，结果显示一致性比例高达 76.5%。

接受 " 坏情绪 " 有助于提升任务成功率

在传统设计中，AI 犯错被视为一种需要被抑制或消除的异常。

但该研究指出，在那些需要频繁从失败中恢复的任务中，情绪的作用效果尤为显著。

所谓的 " 坏情绪 "，如紧张、困惑、失望等，实际上是非常有用的元认知信号——

因为它们标志着当前策略与外部环境之间的失配，与其强行维持 " 情绪稳定 " 而忽略错误信号，不如让 Agent 直接去 " 感受 " 这种失配，从而触发针对性的恢复机制。

换句话说，情绪在此处是鲁棒性的来源，而非脆弱性的表现。

本研究中，研究者给 AI 布置了六类家务，其中 " 加热物品 " 和 " 拾取两个物品 " 的成功率非常之低，分别只有 9.6% 和 4.4% 。

然而在采用情绪驱动技能选择（EMOTION2SKILL）后，该任务成功率大幅上升，竟然提升到了 56.9% ……而 " 拾取两个物品 " 也上升到了 31.3%！

怎么做到的？

实际上这两类任务都有一个共同特征，那就是 Agent 只要去做，就几乎一定会犯错，而最终的成功仅取决于它能否在犯错后快速调整策略。

令人深思……

论文给了一个很直观的例子：让 Agent" 加热一个杯子并放到台面上 "。

通常 Agent 做法是：导航到微波炉，执行 " 加热杯子 "，将杯子递出去的时候收到反馈：" 微波炉是关着的，任务失败。"

此时失败信号在错误行动之后出现。

而采用情绪驱动技能选择后，当 Agent 接近关着的微波炉时，情绪编码器率先检测到了它的 " 紧张 " 状态。

基于这种不安的情绪，Agent 的路由被引导至 " 先检查 "，再 " 打开微波炉 " ，再 " 加热 " 的子序列，任务顺利完成。

关键就在于，如果只依赖外部文本和失败反馈，Agent 往往要等到错误真正发生后，才知道应该换策略；而情绪信号则有机会在失败信号出现之前，提前捕捉到内部状态的变化。

论文的消融实验也证实了这一点，在所有任务类型中，" 加热 " 和 " 捡两个东西 " 这两类任务激活频率最高的情绪模板分别是 " 挫败 "（41%）和 " 困惑 "（39%）。

换句话说，在这些情况下，坏情绪可能才是最有用的信号。

世界模型也开始用情绪做预测

其实，不只是 Agent 在技能选择上利用情绪信号，天津大学的研究将情绪直接嵌入了世界模型中（Large Emotional World Model, LEWM）。

通常，世界模型的任务是预测 " 接下来会发生什么 " 并据此行动。

传统的世界模型在面向以人为中心的环境时，往往陷入一种 " 物理还原论 " 的误区。

只要我们能够精准预测物体的位置、姿态及物理状态的演化，就能够理解并模拟人类环境。

然而在以人为中心的环境中，情感并非一种噪声，它是驱动人类行动与引发未来环境变化的重要内生因果变量。

就比如，开车追尾后，一个人瞬间产生的情绪可能最终使他安然无恙，或者遍体鳞伤。

△研究插图

LEWM 由此将预测分成两步：

第一步，预测未来的情绪状态；

第二步，以预测出的情绪作为条件信号，引导对未来世界状态的预测。

在其自建数据集上，该方法的准确率最高提升 45.72%。

该研究进一步通过消融实验发现：

从 AI 系统中移除情感数据后，性能下降不仅局限于情感理解等任务，更波及到了看似完全无关的逻辑推理与通用问答能力……

AI 的情绪正在变成一种可用的「功能」

实际上，这两个研究背后共享着一个更早些时候的发现：

LLM 的内部，确实存在一些可以被 " 读出来 " 的情绪表征。

这来自于今年 4 月 Anthropic 的一次实验。

研究人员从 Claude Sonnet 4.5 的内部激活中，提取出了与 GoEmotions 27 类情感分类体系对齐的细粒度情绪方向，且这些方向因果性地影响 Agent 相关的行为输出。

△ " 小狗去世 " 带来的悲伤情感最显著，而 Loving 存在于所有事件中

在过去，研究者关注模型 " 是否有情绪 " 更多是出于对齐安全或哲学思辨的考量。

而现在，模型的内部状态正从纯粹的学术观察对象，转变为可以被提取、被利用、被整合进系统设计中的功能性信号。

参考链接： [ 1 ] https://arxiv.org/pdf/2608.09248 [ 2 ] https://arxiv.org/abs/2512.24149 [ 3 ] https://transformer-circuits.pub/2026/emotions/index.html

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！