對于人工智能，很多人可能只關注AlphaGo又在圍棋上贏了人類幾次，或是OpenAI在游戲中擊敗了哪些厲害的電競選手，但在更深層次的“情緒”識別上，人工智能正在讓你臉上的表情，成為一種新的“經濟模式”。這一模式下也促使了國內人工智能在各領域飛速發(fā)展，誕生了諸如曠視科技、商湯科技、極鏈科技Video++、依圖科技等優(yōu)秀人工智能初創(chuàng)企業(yè)。

人工智能從了解情緒變化過程中肌肉的變化，到利用機器識別人類的情緒，人工智能讀情緒的認知逐漸有了新的進展。那么機器如何能夠判斷出人類情緒變化？AI真的能分清人類的情緒么？情緒識別適用于哪些領域呢？

什么是情緒？

情緒（emotion），是對一系列主觀認知經驗的通稱，是多種感覺、思想和行為綜合產生的心理和生理狀態(tài)。情緒一詞最早可追溯到1579年，來源于法語單詞émouvoir。最普遍、通俗的情緒有喜、怒、哀、驚、恐等，也有一些細膩微妙的情緒，如嫉妒、慚愧、羞恥等。情緒常和心情、性格、脾氣、目的等因素互相作用，也受到了荷爾蒙和神經遞質影響。

20世紀90年代初期，情緒科學中的主流觀點認為存在六種基本情緒，驚恐、傷心、憤怒、開心、驚訝和厭惡。世界上每個人都親身經歷過這些情緒，并且可以清楚地分辨它們。情緒通常變現出明顯的沖動性和外部特征，包括認知評估、身體反應、主觀體驗、外在表現和行動傾向。情緒機制是人類經歷漫長進化過程之后而固化的一種本能，比如人類在面對猛獸、槍械、懷有惡意的人時，通常會產生恐懼的情緒，并在這種情緒下出現臉色蒼白、手發(fā)抖、瞳孔縮小等一系列面部和身體的生理變化。

AI是否真的能分清人類的情緒？

人工智能的核心訴求是讓機器實現對人類的意識、思維的信息過程的模擬，能以人類智能相似的方式作出反應。這就需要從人類的IQ和EQ兩個維度對人工智能進行審視，而目前大部分人工智能所從事的研究僅限于傾向IQ方向的模式識別，通過自然語言處理、機器學習、模式識別、物聯(lián)感知、邏輯推理等技術的綜合應用，使機器具備一定的邏輯思維判斷能力。但目前，人工智能情緒識別離開人類的干預，對復雜的情感的理解和表達能力，依然面臨著困境。

情緒歷史學家Thomas Dixon卻對此表示非常樂觀，他認為對于AI來說，情緒產生的機制可能類似于對大腦提取的眾多因素進行加權計算，只要清楚不同文化、不同個體各因素的權重系數，情緒識別的難題也就迎刃而解。

AI情緒識別可以落地的領域

識別罪犯

目前，研究人員研發(fā)了一種AI，基于深度學習，在面部識別一類的感知任務中取得了成功，在這里，深度學習于面部旋轉模型相結合，能夠通過觀察人們的面部特征和表情來判斷是否是罪犯，將收集到的人們的錄像進行分類，例如眉頭緊皺、眼球凸起就已被貼上憤怒的標簽。這些標記的人類情緒會被用來訓練，這種標記方法被很多情緒檢測行業(yè)的人認為是檢測情緒的黃金標準，美劇《Lie to me》通過人的面部表情來探案的靈感也來源于此。

養(yǎng)老看護

情感人工智能的應用價值可以深入到人們日常工作和生活的方方面面，從視頻情感人工智能看，由于視頻情感人工智能具有連續(xù)、實時、遠程、非接觸的采集生理和心理信息特點，因此可以被廣泛應用于基于視頻采集的業(yè)務場景。如在養(yǎng)老看護上，我們習慣從安全的角度去關注老人的生活健康狀況，如果通過傳統(tǒng)的安全視頻攝像頭能看到老人們的即時血壓、心率、呼吸頻率等生理指標，并結合情緒識別AI系統(tǒng)實時監(jiān)測他們的生理健康狀況，就可以建立一種更科學、更人性化的老人關愛體驗。

疲勞駕駛

我國交通運輸業(yè)發(fā)展迅速，隨之而來的交通事故也呈上升趨勢，根據交通部門的資料顯示，由于疲勞駕駛造成的交通事故所占比重很大，占特大交通事故的比重更大，疲勞駕駛已經作為交通事故發(fā)生的主要隱患，已經引起了人們的關注，目前針對疲勞駕駛也出現了許多疲勞駕駛的檢測裝置，現有技術中提供了一種通過人臉識別以及瞳孔監(jiān)測分析駕駛員的疲勞狀態(tài)，并根據疲勞情形作出相應的預警，但目前這項技術還存在著很多不足，很可能會因為外界光線、遮擋等因素造成誤判。

未來，如果汽車里都安裝了情緒識別AI，那么AI需要做的不是把一些簡單的信息儲存下來，而是將這些信息融入到當前的情景中，通過動態(tài)整合做出準確的判斷。

小結

在科技發(fā)展日新月異的今天，生物識別技術已經逐漸滲透到我們的日常生活之中，從傳統(tǒng)的攝像機、超聲波檢測等方式獲取信息，到如今的指紋識別、虹膜識別、聲紋識別、臉象識別等，但人工智能的業(yè)務應用價值不僅于此，未來它可以給我們帶來更多的便捷體驗，無論是公共服務領域，還是個人生活領域。但在未來的幾十年中，除了少數領域人工智能能和人類一樣，可以識別出不同類型的情緒，在某些領域，可能還有著很長的路要走。