人工智能情感認知推理的計算模型分析

摘 要：? 對于觀察者如何理解和推理他人的心理狀態，當前研究范式比較少地使用計算模型?，F今認知科學已經著手使用計算建模的方法來對他人的情感狀態進行解釋和推論。以此為背景，文章基于情感直觀理論來研究人工智能情感認知的計算模型，并使用形式化的貝葉斯規則來分析情感認知的推理分類。作者從“情感認知”“第三人稱評價”“情感原因的推斷”“情感線索的整合”“反向評估”“對假設推理的預測”“反事實推理及解釋”7個維度具體闡明了人工智能情感認知的推理分類，并進行計算建模，從而為人工智能情感認知提供一種統一的解釋模型。

關鍵詞：? 人工智能;情感計算;計算模型;情感的直觀理論;貝葉斯規則;心靈理論

中圖分類號： TP18

文獻標識碼：A

文章編號：1004-8634（2020）02-0094-（10）

DOI：10.13852/J.CNKI.JSHNU.2020.02.011

當前人工智能研究的算法已被廣泛應用于各種領域之中。有學者預言，情感計算將是未來人工智能研究的主流方向。事實上，情感計算也只有在人工智能的情境之中才有研究的價值與意義。所謂“情感（emotions）是指人們對世界事件的即時反應，它在我們社會生活的方方面面都扮演著重要的角色，并導致許多有意和無意行為的產生”，?而“情感計算”是指對情感產生及其影響情感諸因素的計算。從人工智能視角來看，機器人可以從感知信號中提取情感特征，分析人的情感與各種感知信號的關聯。當然，當前人工智能是沒有情感的，而人類具有各種情緒與情感，如果未來人工智能是可能的，首先需要解決的是人工智能如何能夠模擬，甚至具備人類情感特征，其研究的突破口將在于人機共情的情感計算模式。據此，我們在討論情感計算時必須要考慮兩個面向的問題：人類情感在宏觀層面上的計算可替代性;如果人類情感可被替代，那么在微觀層面情感計算方案的可操作性。由于本文的基本立場已經預設人類情感在計算上是可被替代的，因此，本文討論的重點將放在情感計算方案的可操作性上。本文的主旨是使用計算模型來分析和闡明人類情感狀態，并對其進行計算建模，最終根據情感的計算模型來推斷他人的情感及心理狀態。

一、情感的直觀理論

人們對他人的所思所想有著豐富的直覺，這使得我們能夠推斷他人的行為動機，并據此來解釋他人的行為，這一觀點被稱為情感的直觀理論（Intuitive Theory of Emotion）。情感的直觀理論是由結構化的概念來構成的，它包括人格、目標、行為等，并且情感直觀理論與這些概念有著因果關系。

一般而言，人們是通過情感直觀理論來理解周圍人所思所想的，就像科學家能通過科學理論來解釋物理世界一樣。

在日常生活中，人們（即觀察者）通過情感直觀理論來直接推斷他人（即行動者）的情感狀態，從而能夠在社交場合中做出最佳反應或回應。由于人們（觀察者）對于行動者的開心、快樂、憤怒和幸福等不同的情感狀態都擁有某種直觀知識，因而他們能夠推理出行動者情感狀態產生的原因。但是情感直觀理論也面臨一些問題，如觀察者在對他人情感做判斷的過程中包含了自身的信念，而觀察者的這些信念又取決于觀察者過去的經歷和歷史背景（觀察滲透了觀察者的理論）。因此，即使觀察者的信念不一定反映了行動者情感的真實運作，但是觀察者的這些信念仍然構成了理解他人情感的基礎，也構成了與他人互動的基礎。

事實上，如果我們仔細考察情感的直觀理論，就會發現其理論包含了兩種重要的因果關系。第一種因果關系是情感狀態與其原因之間的因果關系。在觀察者看來，他會好奇行動者感受到某種情感狀態的原因是什么。第二種因果關系涉及情感與行為，行動者的情感狀態會導致他們產生什么樣的行為。簡言之，一種因果關系是觀察者追問他人情感產生的原因，另一種因果關系是涉及行動者本身的情感與行為之間的關系。通過對兩種因果關系的分析，我們可以建構一種情感直觀理論模型，如圖1?所示。情感的直觀理論模型源于德梅洛（C. M. de Melo）、德斯蒙德·王（Desmond C. Ong）、扎基（Jamil Zaki）、薩克斯（R. Saxe）和霍利亨（S. Houlihan）等人的觀點。

圖1中“情感（E）”的左半部分描述了觀察者對行動者情感原因的追問，即觀察者從“事情的結果”和行動者的“信念和欲望”來分析情感產生的原因?！扒楦小钡挠野氩糠置枋龅氖?，行動者本身的情感會產生什么樣的“情感表達”方式和“行動”。在圖1中，標黑的方框表示的是可見變量，而非標黑的方框表示的是潛在變量，箭頭表示因果關系?？傊?，觀察者是通過行動者所經歷事情的結果以及行動者的心理狀態（如信念和欲望），同時應用“第三人稱評價”來推斷行動者的情感。當然，行動者的“情感”反過來又會引起某些情感表達，并采取意向性的行動，這些行動又會進一步導致新的事情結果和心理狀態（信念和欲望）的出現。

人們認為，行動者的情感來自對其所經歷事件的情緒回應。人們除了知道行動者所經歷事件的結果之外，還想了解行動者在經歷各種事件時的心理狀態，比如是否可以從行動者的情感狀態來推斷其信念和欲望。實際上，已經發生的事情的結果往往會影響行動者的情感及心理狀態。例如，人們聽到好消息會很快樂，快樂的情感又表現或反映了欲望的滿足，而悲傷的情感反映了行動者受挫的心情。對于學齡前的孩子們來說，如果現實世界的情形與他之前所擁有的信念出現了不匹配，那么他會表現出驚訝和大惑不解。我們同樣可以依據成年人潛在的信念和欲望來推論其情感反應。因此，情感的直觀理論使觀察者將行動者所經歷事情的結果與行動者的心理狀態（信念和欲望）進行了聯結，從而闡明了行動者的情感狀態。

事物的結果與行動者的心理狀態（信念與欲望）是如何產生情感的呢？根據情感的評價理論（appraisal theories of emotion），行動者的情感始于對事情結果的評估，有些結果可能會有助于或有損于行動者目標的實現，因此事情的結果總是與行動者的各種自我維度相關。試想，如果小紅這次考試拿了滿分（事情的結果），但她沒想到能考滿分，那么她會感到很驚訝，也很開心（情感）。

此外，觀察者也會用類似的推理過程對行動者的情感狀態進行評估，我們將這一過程稱為“第三人稱評價”。也就是說，當觀察者（第三者）考慮到某一行動者正在經歷某一情景時，觀察者首先將結果還原為少數幾個與行動者相關的特征，然后用這些特征來評估和判斷行動者的情感。因此，觀察者是從行動者的視角來直觀地評估目標—導向的結果，以及結果是否符合了行動者的預期。當張三（觀察者）知道小紅（行動者）考了滿分，并且他也知道小紅知道自己考了滿分，那么他會推斷出小紅可能處于一種積極穩定的情感中（如開心）。如果張三知道小紅沒有預料到自己會考滿分，那么張三會預測當小紅得知分數后會感到很驚訝。

從觀察者的視角來看，行動者在日常生活中所經歷的情景會隨著評估維度的變化而變化，對行動者的評估是將日常情景還原為一組相關的“特征”，這些特征是被用來評價行動者情感的重要因素。因此，從計算的角度來看，情感評估也是一項十分重要的指標。需要注意的是，觀察者對行動者的評價，與行動者對自己的評價可能存在著極大的不同。首先，觀察者的情感特征集被膠封在他們自己的直觀理論中，這與行動者所考慮的特征集是不一樣的，比如觀察者在觀察行動者時會融入自己特有的文化背景，但觀察者所具有的文化背景與行動者的文化背景可能存在認識上的鴻溝。其次，觀察者在第三人稱評價過程中對行動者所具有的信念和欲望的判斷，可能與行動者擁有的真實的信念和欲望是不同的。

在圖1的左半部分描述了觀察者的因果知識，即觀察者如何從事情的結果和行動者的心理狀態（信念和欲望）來分析其情感產生的原因。觀察者這種從事情結果、心理狀態進展到情感的推理，依賴于一種語境化的第三人稱評價過程，尤其會涉及觀察者的知識背景，本文將在第二部分具體分析第三人稱評價過程。

在圖1的右半部分，情感表達和意向行動是情感的下游效應，這表明了行動者的情感會導致其“情感表達”和“行動”兩種行為。首先，擁有正常情感的行動者會產生各種各樣的情感表達。例如，人們可以從他人的面部表情、肢體語言、各種情感言語的變化來可靠地識別他人情感的變化。其次，除了情感表達的外化表現，情感還會影響行動者下一步可能采取的意向行為。例如，恐懼可能會使人產生逃跑的行為、憤怒可能促使人直面威脅、幸?？赡苁谷水a生親社會（prosocial）行為等。

因此，人們對于情感如何影響行為保持著直覺上的敏感性。在日常生活中，人們似乎很容易觀察到行動者的情感表達和行動（如面部表情、肢體動作及語言等），事實上，人們還可以通過上述這兩類行為來反推出行動者所具有的潛在情感狀態，從而能對情感狀態進行進一步的推理分類。

二、人工智能情感認知的推理分類

前文通過情感的兩種因果關系建構了一種情感的直觀理論模型（見圖1）。接下來，本文將基于前述情感直觀理論模型，運用貝葉斯規則來對行動者的情感過程進行推理分類和計算建模。如果我們先將圖1整體看作一種貝葉斯網絡，那么我們可以枚舉出各種可能的推論，這些推論都將“情感”作為變量。例如，P（情感|結果）（P（emotion|outcome））表明，這是從結果（o）推斷情感（e），或者P（表達|情感）（P（expression|emotion））表明，這是從情感（e）推論出情感表達（x）。

因此，由圖1可以概述出表1中的主要推理形式。我們可以簡化這些基于獨立條件的推論形式，如，將P（結果|情感，表達式）簡化為P（結果|情感），因為結果和表達式是獨立于給定情感的。此外，在推理中還增加了一類“反事實推理”，即如果一個給定的結果沒有發生，就可以推斷情感P（情感|沒有結果）。在表1中，“推理”一列中的P（x）表示x發生的概率。除了“情感線索的整合”之外，表1中的每種推理都給出了具體的事例說明。

在表1的“推理”中，字母e代表的是行動者的情感或情感狀態，字母o是指事情的結果，字母x代表的是行動者的情感表達，字母a指的是行動者后續的行為，字母b和d分別代表的是行動者的信念和欲望。符號“～”是指否定事實。為了具體說明表1中的情感推理，接下來將從計算角度來分別介紹這7類情感推理的計算模型。

1.情感認知

情感認知最簡單的推理形式是從某人的情感表達中推斷出其情感狀態，但是在解讀他人情感表達過程時，其情感表達會具有欺騙性（試想演員表演開心或痛苦的情緒），這導致許多研究人員不得不在他們的計算模型中假設一種完美的情感認知，而不會將情感認知過程建模為解讀者自己的獨立推理。在現實中，我們對他人的情感認知并不是完全準確的，也不是所有的觀察者對他人的情感認知推理都是相同的。首先，情感認知的推論嚴重依賴于語境，好與不好的事件有時在感知上會產生相似的面部表情。如，行動者悲傷和開心時都面露笑容，這就使得觀察者很難僅憑表情來準確推斷出他人的情感。其次，不同文化背景的人通過面部表情來感知情感的方式存在著差異性。情感認知依賴于觀察者的直覺理論，而觀察者的直覺又依賴于觀察者的文化背景和過去的歷史。事實上，這些背景差異甚至會影響到觀察者對情感的判斷。例如，在對話時有些人更傾向于注視眼睛區域，有些人則傾向于關注肢體動作。

最近，研究人員開始利用條件概率來建立人工智能情感認知的計算模型。他們研究觀察者如何從低階特征的面部表情和肢體語言來推斷出他人的情感，這相當于通過給定情感表達（x）或P（e|x），來評估行動者潛在情感（e）的概率。一般來說，情感認知的計算建模過程需要如下三個步驟：首先，情感認知的計算模型需要一些可觀察情感表達的表征。例如，面部表情的一種常見表征是面部動作編碼系統。其次，情感認知的計算模型需要知道觀察者如何將刺激劃分為預先定義的情感類別（如悲傷和開心等情感刺激的劃分），一般觀察者是根據經驗來測量P（e|x）的。最后，人們訓練機器來對不同的編碼信息進行分類，并對情感認知過程P（e|x）進行計算建模。事實上，這類研究工作相對較為新穎，這是用機器來識別行動者的情感表達及行為，并且用機器來對行動者的情感狀態進行計算建模。當然，這方面的研究工作還有很長的路要走。

2.第三人稱評價

前文所描述的人工智能情感認知計算方法允許研究人員定量地模擬人工智能如何推斷出行動者對所經歷事件的反應。這種對行動者的情感做判斷的過程會涉及第三人稱評價，即人工智能會將行動者經歷的結果還原為一小部分比較重要的特征，然后對行動者的情感進行評估。為了研究受控情景下對情感的評估過程，德斯蒙德·王和扎基等人設計了一種特殊的轉盤賭博實驗，在這一實驗中研究人員可以參數化地改變回報金額和概率，以觀測觀察者是如何對參與者的情感做出判斷的。

該實驗的大致情況描述如下：觀察者先觀看他人玩一種簡單的賭博游戲。這些游戲的參與者可以轉動自己面前的轉盤，并根據指針停留的位置來贏得對應的金額，其中共有18個轉盤，每個轉盤分為3個扇面，扇面上的金額分別為30、60、100元。該實驗系統地關聯了每個轉盤的結果概率，并允許單獨計算獎勵金額和期望值。所謂期望值是指觀察者所期望獲得的平均獎金數。轉盤扇面上的獎勵金額是與該扇面大小相乘得出的結果，該結果與觀察者期望值的相關性為0.3。除去一些不相關的干擾因素，最后得出了50個實驗場景，每個場景都對應于某一個特定轉盤上的特定結果。對參與者來說，轉盤指針停在扇面上的位置是均勻分布的區間。每個參與者需要完成10組試驗，在每一次試驗中，觀察者會看到參與者在轉動轉盤，并得到某一特定結果，在這些過程中觀察者需要對參與者的感覺進行評估，情緒指標包括快樂、悲傷、憤怒、驚訝、恐懼、厭惡、滿足和失望等，其中前六種為“基本情緒”，而“滿足”和“失望”用來解釋可能發生但實際沒有發生的反事實結果。

通過實驗數據可以發現，觀察者對參與者的情感判斷取決于參與者贏的總額，但是在轉動轉盤之前，觀察者會事先對參與者所獲得的金額有預期值。實際上參與者在轉動轉盤時所贏的總額往往與觀察者預估的值會出現偏差。因此，觀察者對參與者感情的評估是基于其期望值而不是參與者的絕對收益來評估的。

在上述實驗中，第三人稱評估與第一人稱科學理論具有一致性，尤其兩者都會涉及參數—依賴和討厭—損失的概念。如果參與者的贏面更大時，觀察者會感覺更糟（與他們預估值相差很大）。也就是說，通過研究情境的特征，當預測偏差非常大時，觀察者對轉盤結果是非常敏感的。因此，人們如何將這些評價維度映射到行動者的情感上，是未來研究所面臨的主要挑戰。在使用第一人稱評價時，表現為一種多維度的綜合，或者通過表征的相似性來分析數據，而第三人稱評價會涉及觀察者自身的理論背景，并且在對具有欺騙性的場景進行評價時會存在許多技術挑戰，而這些問題本身也是人工智能所面臨的問題。因此，在涉及更為復雜的真實世界情境時，第三人稱評價還有許多技術細節有待進一步完善。

3.情感原因的推論

如果為觀察者給出某些具體可觀察的情感表達，那么觀察者可以根據這種情感表達來推論情感的潛在原因。例如，當張三遇到一位情緒非常低落的同學，面露悲切，唉聲嘆氣……此時，張三會考慮同學情緒低落的潛在原因：考試不及格、失戀等。從直覺上看，情感產生的原因各有不同，對此的分析也是不同的：如果是在校學生，學生因考試不及格而傷心的可能性非常大，但畢業后的學生則不太可能因這種原因而傷心，一個嚎啕大哭的人可能經歷了比考試不及格更糟糕的事情。當然，對于所觀察到的情感，人們本能地更傾向于具有高概率和高強度的潛在原因。

對此，我們可以引入貝葉斯規則來對人工智能情感認知的概率進行進一步分析。首先，我們將第三人稱評價過程表示為P（e|o），即給定結果（o）的情感（e）的概率分布集。我們在評估過程中先忽略行動者的信念和欲望（本文將在下文“反向評估”中具體討論行動者的信念和欲望）。根據貝葉斯規則，我們可以先寫出情感的后驗概率P（o|e），即給定情感（e）的結果（o）的概率為公式（1）：

P（o|e）∝P（e|o）P（o）

情感的后驗概率P（o|e）與結果（o）導致情感的可能性成正比關系，例如P（考試沒通過|傷心），張三的同學很傷心是因為考試沒通過，那么這還需要考慮張三的同學平時考試不通過的可能性有多大。另外，P（傷心|考試沒通過）與結果（o）出現的先驗概率P（e|o）也成正比關系。最近的研究表明，“即使是嬰兒也對這些因果概率很敏感，當面對一種情感時，他們會積極地尋找情感背后所隱藏的原因，因此，引起這種情感的原因不太可能在所觀察到的原因之中?！?/p>

我們同樣可以將貝葉斯規則應用于前文賭博實驗的情境中。上述公式（1）為觀察者的后驗推理提供了一種模型。觀察者通過觀察參與者在賭博后的情感表達，以及可能的結果，從而來推斷每種結果發生的可能概率?；谪惾~斯模型，觀察者能夠對賭博未知結果的后驗概率做出預測和判斷。

第三人稱評價過程，而第三人稱評價過程所面臨的固有困難也適用于對情感認知的推理。此外，對行動者情感原因進行分析時所面臨的挑戰是，在定義一組可能結果時，如何來分配可能結果的先驗概率，觀察者是憑直覺在可能的結果中挑選出備選項嗎？例如，有三種備選原因a、b、c，那么如何來先驗地分配a、b、c的可能概率呢？這也說明了在對行動者情感原因進行分析時，還得依賴觀察者對直覺理論的一致運用。

4.情感線索的整合

在日常生活中，人們從結果的概率P（e|o）來推斷情感產生的原因，或者人們通過觀察面部表情等的情感表達來確認情感P（e|x）的原因。但是，當觀察者對于行動者情感原因進行具體分析時，觀察者經常會被呈現多條與行動者情感相關的線索，這就涉及情感線索的整合問題。

觀察者在對行動者情感進行推論時，首先需要對多條線索進行觀察、協調或選擇。此外，多條線索之間有時甚至是相互矛盾的。例如，張三知道李四剛失戀了（一種消極的結果），但他卻看到李四臉露笑容（一種積極的表情），那張三該如何來理解李四的情感狀態呢？

人們一直都在分析語境以及情感表達對于觀察者做出情感判斷的重要性，尤其是在這些線索發生沖突的情況下。一方面，面部表情的釋放是為了交流，因此面部表情總是真實地表達或隱含了行動者的情感。另一方面，大量的研究表明，當人們分析情感原因時，有時會將情境和其他行為線索看得比面部表情更重要。因此，觀察者在面對不同線索時，就需要一種更加精確的理論來對多條線索進行整合。

觀察者應該如何整合這些不同的線索信息，需要一種精確和優化的公式來分析。情感線索的整合涉及一種高階推理。假設給定一種觀察結果（o）和情感表達（x），P（e|o，x），那么潛在情感（e）的概率可以由以下公式（2）來表示：

P（e|o，x）∝P（o） P（e|o）P（e|x） P（e）

需要注意的是，這一概率推論同時整合了給定結果的情感概率P（e|o），以及給定情感表達的情感概率P（e|x）。該模型并沒有假設任何一種線索的優先性，如，哪種面部表情更加具有優先性，而是根據行動者潛在情感的可靠性來衡量這些線索?；诠剑?），貝葉斯模型能夠在多重線索下準確預測觀察者對行動者情感的判斷。

該模型預測，觀察者對語境中線索的可靠性非常敏感，這允許觀察者根據語境對事情結果、行動者的面部表情、身體動作和其他線索進行不同程度的權衡。情感線索的整合并不局限于兩種簡單線索的組合。在貝葉斯框架下，線索整合是高階推理，它部分依賴于單一線索推理，如第三人稱評價P（e|o，b，d）和情感認知推理（P（e|x）、P（e|a））等。一旦我們有了這些推理模型，我們就可以對多條情感線索進行整合。

5.反向評價：從情感來推斷心理狀態

人們不僅可以從行動和心理狀態對行動者的情感進行推理，而且還可以從情感對行動者的行動和心理狀態進行反向推理，特別是行動者的情感提供了行動者目標是否得到滿足，以及行動者是否期望某種給定結果的信息。

一種積極/消極的情感表達可能表明，結果與行動者的愿望是一致的/不一致的。例如，驚訝的表情可能表明行動者的信念未得到滿足。對比從事情結果和行動者心理狀態（信念和欲望）來推論情感的第三人稱評價過程，反向評價的推理過程是逆向進行的。反向評價是利用事情的結果和觀察到的表情來推斷行動者的心理狀態（信念和欲望），德梅洛將這一方法稱為“反向評價”。

基于形式分析，從事情結果和行動者的信念和愿望P（e|o，b，d）來考慮情感的計算模型，我們可以推出類似于公式（1）的模型：P（b，d|e，o）∝P（e|b，d，o）P（b，d）。當然，如果我們實際觀察到一種情感表達（x）和結果（o），并且我們只對心理狀態（信念和欲望）感興趣，對潛在情感不關注，那么我們就可以忽視潛在情感，從而得出公式（3）：

P（b，d|e，o）∝P（b，d）∑ e P（x|e）P（e|b，d，o）

需要注意的是，在公式（1）、（2）中，評估過程被膠封在P（e|o）中，這里公式（3）明確表明了行動者的信念（b）和愿望（d），所以要把評估過程寫成P（e|b，d，o）。在公式（3）中，推理的目標是行動者信念和欲望的條件概率，而行動者的情感只是一個我們可以將其邊緣化的“中間”量。在公式（3）中，從右到左來分析表達式：首先考慮信念、欲望和結果P（e|b，d，o）是情感（e）的概率，其次觀察到情感表達P（x|e），從中得出情感（e）的概率，然后通過把所有可能情感（e）相加（忽略潛在的情感）最后一項乘以信念和欲望組合的先驗概率P（b，d）。

為了理解公式（3），試考慮如下場景：王五將一些白色粉末倒入了其同事的咖啡中，張三（觀察者）看到了這一事情，并表現出了驚訝的表情。張三通過對這一事件的解讀，從而對王五的信念和欲望做出了判斷：王五認為粉末是毒藥還是糖，以及王五是否想傷害其同事。這一情景類似于圖1的直觀理論模型和公式（3）的推理。

如果對他人情感推論可以通過貝葉斯規則來建模的話，那么公式（3）的后驗概率對行動者的行為有附加條件依賴性，即P（b，d|x，o，a）。為簡便起見，并未將P（b，d|x，o，a）添加在公式（3）的操作中。另外，公式（3）假設了完美的情感認知，因此該公式沒有將潛在情感建模為結果與行動者情感表達之間的中間參數。因此，貝葉斯模型只是描述了觀察者對行動者信念和欲望的推斷，這為人們用直覺理論來推斷他人的情感和心理狀態提供了進一步的證據。

此外，通過對他人的情感表達，還可以預測他們未來的行為。例如，張三在小組任務中選擇與小紅合作，并且在合作之后對小紅點頭微笑，那么我們可能會推斷出：張三曾打算和小紅合作，并且他喜歡這一組合方式，如果下次有可能他還會與小紅再次合作。相反，如果張三皺眉而不是微笑，那么我們的推斷是非常不同的：也許張三后悔和小紅合作，下次可能也不會再合作。德梅洛等人從一種程序化的社會博弈困境中來對情感表達進行建模。這種程序化的博弈理論認為，兩名參與者都會在互利的選項和自私的選項之間進行選擇，一些行動者在共同合作之后會對同伴示以微笑，而另一些行動者在合作后看到同伴會皺眉。據此，德梅洛使用“反向評價”來解釋這些情感表達，即行動者從其同伴的情感表達中推斷出合作或競爭意圖，這些推斷調節了行動者在未來互動中的后續行為。

綜上所述，心理狀態（信念、欲望）和情感狀態是密切相關的。從情感狀態來推論心理狀態并進行計算建模，將現在的情感研究整合到心靈理論模型中，這對于未來心靈研究也是至關重要的。

當然，這種情感狀態與心理狀態的融合，也會產生許多問題。例如，心理狀態（信念和欲望）與情感狀態之間會存在許多復雜的互動。一方面，人們的目標導向會控制情感;另一方面，情感本身影響著人們如何優先考慮他們現有的目標。因此，觀察者如何對這些互動過程進行推理，如何將兩者納入一種因果模型之中，都是心靈領域一些重要的問題，這些問題也要在未來人工智能情感認知研究中加以考慮和解決。

6.對假設推理的預測

觀察者對他人情感進行推理并不局限于此時此地（不受時空限制），人們可以根據行動者情感來推斷其潛在行為（P（x|e），P（a|e））。假設推理是基于觀察者的直覺理論，這種假設可以是未來或僅僅是在想象領域發生的場景，如策劃一場浪漫的求婚，這可能需要不斷地模擬可能發生的情感。事實上，當人們將某情感歸因于小說中的某一虛構人物時（如《西游記》中的孫悟空害怕唐僧念緊箍咒），這都會引發假設推理。

假設推理允許所推斷的變量為某種假設變量，從而進行計算建模。例如，考慮假設情感P（a|e）來評估之后的行為（a）。在貝葉斯模型中，情感可以作為“后驗謂詞”的實例來操作。

事實上，當前這種假設推理還沒有被廣泛應用于人工智能情感認知中，而在其他領域已經開始廣泛應用假設推理來進行建模。未來人工智能情感認知的研究應該關注將這些技術應用于模擬行動者的情感，并對行動者的情感進行預測，即人們可以模仿和預測行動者的情感和行為，這樣的研究對于建構行動者的情感計算理論也具有重要意義。

7.反事實推理及解釋

在情感推理分類中，最后一類是關于情感的反事實推理。雖然前面對情感狀態的推理分析是在給定世界狀態下進行的，但是人們也可以在不同于現實世界的狀態下對他人的情感進行推理。

事實上，像“后悔”這樣的情感具有反事實推理的特征。與假言推理一樣，反事實推理依賴于因果模型，觀察者可以在心理上操作該模型，并推斷出其他可能情形。例如，小紅丟了錢包感覺很難過，那可以想象的反事實是如果小紅沒有丟錢包，那她就不會覺得難過。

觀察者可以運用反事實推理來提供關于行動者情感和行為的解釋，情感認知解釋允許將一種情感或行為的因果關系歸因于其他可能的原因。

例如，張三對考試結果感到很失望，這種失望是由于沒考好還是有難題不會做，或者兩者兼而有之？因此，對行為進行解釋時，如何選擇行動者情感的原因是很重要的。如果張三覺得他考得不好是因為他遇到了一些難題不會做，那么我們可以試著幫助張三重新評估這些難題。解釋行為產生的原因對于分配責任也是至關重要的，尤其是在道德或法律判斷中。

雖然對情感認知的反事實推理進行計算建模還有許多工作要做，但是使用概率的因果模型來闡明情感的直觀理論，應該是人工智能未來研究的方向。

三、結語

本文從情感直覺理論概述了情感認知的推理。在表1中，我們概述了7類人工智能情感認知的推理，并分別討論了這些推理過程以及如何對這些推理過程進行計算建模。在推理過程中，我們使用了貝葉斯規則來提供一種通用的解釋機制?；谪惾~斯模型，我們可以將人工智能情感認知看作一種“計算層次”問題。本文重點討論了人工智能情感認知的概率分析方法，這為情感推理提供了一種自然主義的解決方案。當然，人們在使用貝葉斯計算模型的過程中，也會存在個體差異性，這些差異性表現在優先選擇或簡化哪些變量。事實上，圖1將一些不同維度的研究統一起來，如每一項研究都提到了第三人稱評價過程及其與情感的因果關系。事實上，貝葉斯的計算框架為情感推論提供了一種原則性的方法。當然，我們也可以通過其他非貝葉斯規則來加以補充，如我們可以將復雜的情感表達映射于神經網絡中并進行建模。

當前人工智能情感認知模型所面臨的最大挑戰在于，要為情感認知找到適當的計算表征。在直覺理論中，人們使用兩種或多種標記來區分情感是不夠全面的，如“生氣”與“不生氣”、“開心”與“不開心”，盡管這種區分方式在許多情感分析中被廣泛使用。事實上，定義表征空間是概率建模的一個重要前提，表征空間允許從情感中抽取樣本并將其邊緣化，如公式（3）所示。即使是在某些高維度的空間中，其向量也可能是不充分的，如下述三種場景在定性上會存在不同：（1）張三在生氣;（2）張三生氣是因為他得知了一些不太好的結果;（3）張三生氣是因為不公平導致了不太好的結果。因為定性的不同會導致對情感評價也不同，這就意味著會有不同的行為后果。這種觀點需要一種更為豐富的情感表征理論來解釋目標相關信息和事件相關信息，事實上這是當前貝葉斯模型所沒有涵蓋的地方。因此，當前人工智能情感認知計算模型需要為情感認知及其評價選擇一種適當的表征方式，用以獲得對他人情感認知的理解，并可以進行有效地計算。

綜上所述，我們關于人工智能情感認知未來的研究工作，必須優先基于對自然主義數據進行認知建模，如靜態面部表情和實驗場景是我們研究的重要出發點。當然，這些刺激因素與人們日常豐富的情感經歷相比，仍然顯得十分貧乏。但對于未來的研究工作來說，重要的是要觀察在自然語境中如何對他人的情感進行建模，如觀察某人無腳本的獨白。當前在自然語境下對情感進行建模也面臨一些挑戰：首先，人們必須提供計算模型的有效性，其有效性必須是基于“清楚”的實驗室刺激因素;其次，人們還要為計算技術提供信息，即人工智能可以通過計算技術以類人的方式來推斷行動者的情感。綜上所述，本文試圖闡明人工智能情感認知的計算模型，并且在未來研究中這種計算模型能與其他認知領域的計算模型能很好地進行整合。

The Analysis of Computational Model for Emotion Cognitive Reasoning

FAN Yuehong

Abstract：

The current research paradigm makes relatively little use of computational models regarding the observers understanding and reasoning about the mental state of others. Research on cognitive science has fruitfully applied computational modeling approaches to explain how observers understand and reason about others mental states. This paper explores emotion cognition based on the framework of emotional intuitive theory， and discusses the emotional cognitive reasonings classification by the method of formal Bayesian rule. This paper also classifies emotional recognition and builds the computation model by 7 dimensions， namely， emotion recognition， third-person appraisals， inferring causes of emotions， emotional cue integration， reverse appraisal， predictions for hypothetical reasoning， counterfactual reasoning and explanations. Accordingly， the study can provide a uniform calculation explanative model for emotional cognition.

Key words：? ?emotion cognition， computational model， intuitive theory of emotion， Bayesian inference， theory of mind

（責任編輯：蘇建軍）

基金項目： 國家社科后期資助項目“維特根斯坦教育哲學思想研究”（19FZXB037）;山西省軟科學項目（2018041050-5）

作者簡介： 樊岳紅，山西大學哲學社會學學院教授（山西 太原030006）。