Affective Computing

了解情感计算如何利用AI识别人类情感，探索实际应用，并理解隐私、偏见及伦理风险。

情感计算是人工智能的一个分支，使计算机系统能够检测、表示、响应或模拟人类的情感。情感是一个广泛的概念，涵盖情绪、心境、压力、唤醒状态及相关状态。情感计算不是赋予机器真正的感情，而是帮助机器识别与人类体验相关的信号，并据此调整其行为。

该领域也被称为情感AI或情感人工智能，结合了机器学习、心理学、传感和人机交互。麻省理工学院情感计算组将其更广泛的宗旨描述为开发能够更好地理解和响应情感同时支持人类福祉的技术。

情感计算的工作原理#

一个情感系统通常遵循感知与响应流程：

**捕获信号：**摄像头、麦克风、可穿戴传感器、交互日志或文本界面收集可观测的数据。示例包括面部运动、声音强度、姿势、心率和词语选择。
提取特征：计算机视觉模型可以定位人脸或身体关键点，而语音和自然语言处理模型则分析语音或文本。
**估计情感：**分类器或回归模型将提取的特征映射到诸如“沮丧”或“平静”等标签，或者映射到诸如低到高唤醒状态等连续值。
**使用上下文：**系统将信号与情境信息结合起来。体育赛事期间提高音量可能意味着兴奋，而客户支持期间出现同样的信号可能表明沮丧。
**选择响应：**应用程序可能会更改其措辞、提供协助、减少中断或请求人工复核。

许多系统使用多模态AI，因为单一渠道无法可靠地传达情感。结合视频、语音、文本和生理信号可以提供更多上下文，但它也增加了隐私和数据治理要求。

实际应用#

两个具体应用说明了情感计算如何影响AI行为：

**自适应游戏：**游戏可以结合玩家的姿势、控制器活动、重复失败和交互速度来估计沮丧情绪或参与度。它可能会提供提示、调整难度或延迟中断。有用的输出并不是断言玩家拥有某一种确定的情感，而是基于不确定证据的自适应响应。
车载辅助：驾驶员监控系统可以分析头部位置、身体姿势、眼睛闭合情况以及驾驶行为，以寻找与疲劳或注意力下降相关的迹象。然后，系统可能会发出警报或建议休息。可观测的安全指标应优先于“愤怒的司机”等推测性标签。

与健康相关的应用程序需要格外小心。世界卫生组织关于卫生健康领域伦理AI的指导意见强调了当AI影响健康或福祉时的自主性、安全性、透明度、问责制和公平性。

实用计算机视觉背景#

姿态估计可以提供身体关键点作为情感流水线的一个输入。这个 Ultralytics YOLO26 示例可识别人类姿态：

from ultralytics import YOLO

# Load a pretrained pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Select and save the visualized result
result = results[0]
result.save(filename="pose_result.jpg")

输出显示检测到的身体关键点；它不推断情感。完整的情感应用程序需要针对特定目的的标签、情境输入、经过校准的不确定性以及单独验证的决策层。在开发此类系统的视觉组件时，团队可以使用Ultralytics Platform进行云端数据集标注、训练、部署和监控。