微軟的研究人員正在給AI程序提供焦慮的粗略模擬，當計算機學習駕駛虛擬世界時，它會使用這些“恐懼”信號作為指導：如果一個人會感到害怕，計算機也可能會冥想，“我做錯了。”從而提升駕駛的安全性。

在迎合你的口味上，人工智能可能比你父母都了解你。我們可以完全信賴人工智能推薦的飯店、小說、電影。但當涉及到人身財產(chǎn)安全的場景時，人工智能就顯得沒那么值得信賴了。

人工智能就是一個冷冰冰的系統(tǒng)，它沒有感情，不會高興、憤怒、悲傷或者恐懼。

機器有情緒，對人類有用嗎？

就目前人工智能完成的各項任務來看，似乎也不太需要AI產(chǎn)生什么感情？但如果我們把視線再往后移一點，就會發(fā)現(xiàn)人類其實需要與這些機器建立情感聯(lián)系。并且可能在某些時候，會要求這些聯(lián)系是互惠和真實的，就像人與人之間發(fā)生的那樣。

在和人類產(chǎn)生交互的場景中，比如聊天機器人，可以通過屏幕上的眼睛傳遞情感，以及合成的語音來表達情緒。當你表現(xiàn)的低落時，它會安慰你；當你表現(xiàn)的高興時，它會激勵你，你會被它感染。尤其是當被用來照顧人類的時候。你會覺得面對的不是一個冷冰冰的機器，而是能夠滿足內心情感的一個對象。

但這并不意味著人工智能“具有情感”，只不過是人工智能應用的產(chǎn)品經(jīng)理，按照社會工程學玩的一些小伎倆。換句話說，機器不一定是移情，它們只需要看似移情。

情緒有助于人們決定什么是重要的，并將復雜的信息整合到關鍵決策中。 因此，嘗試制造具有情感的機器人應該是有用的。

從人類物種的優(yōu)勢來看，一些觀點認為，如果人工智能系統(tǒng)有情感，他們就會富有同情心，也許會避免一些讓人擔心的事情發(fā)生，比如，自動駕駛撞到人。

人自主神經(jīng)系統(tǒng)（ANS）由兩個分支組成。其中交感神經(jīng)系統(tǒng)（SNS）用于應對潛在的危險情況，會針對眼前的威脅會減少或繞過意識做出快速決策，保護自己免受危險。

人類本能的會根據(jù)情緒做出不同的反應。雖然這些預期反應的主要作用是幫助人們做好行動準備，但同時也在我們對當前處境做出評估的時候，發(fā)揮作用。

感官刺激、生理反應和認知評估的組合，形成影響人類學習、計劃和決策。例如當我們心跳加速、手心出汗表示出內心的“恐懼”時，本能可能會希望采取行動，逃離當前處境。此時如果要打斷這種逃避心理，就需要有明確目標的外在動機。

開車，是非常典型的依賴于本能和外在動機并會出現(xiàn)重大的生理變化的例子。當我們飆車的時候可能會處于一種高度覺醒的狀態(tài)，比如在撞人之前會感受到極大的緊張從而開始迅速打輪避開。這種獎勵機制，顯然要優(yōu)于基于“事后諸葛亮”形式的獎勵機制。

學會恐懼吧，AI！

微軟的研究人員正在試圖教會計算機什么是“恐懼”。他們在ICLR上發(fā)表了一篇論文，提出一種強化學習框架。該框架結合了用于實現(xiàn)特定任務目標的獎勵函數(shù)，并且還最小化了與壓力相關的對環(huán)境的生理響應的訓練成本。

為了驗證具有外在和內在成分的這種獎勵函數(shù)是否在強化學習環(huán)境中有用，他們在駕駛任務中，訓練了一個加入了真實人類生理反應的模型。

在現(xiàn)實世界中應用RL的主要挑戰(zhàn)包括需要大量的訓練數(shù)據(jù)、以及相關的故障案例。例如，當在自動駕駛中使用RL時，獎勵通常是稀疏和傾斜的。不良行為可能導致災難性的后果，并且恢復成本非常昂貴。

RL的大部分工作都是有任務或目標依賴性的，而人類還會根據(jù)神經(jīng)系統(tǒng)的反應做出決策。在強化學習智能體中加入這種機制，有助于降低樣本的復雜性。因為獎勵可以持續(xù)獲得，并且在任務結束之前就可以發(fā)出成功或失敗的信號。這些生理反應信號提供了警告機制，反過來又可以導致更安全的探索。

具體來說，就是考慮一個獎勵函數(shù)，包含兩個元素：外在動機r，用來獎勵特定任務的行為；內在本能r?，用來預測人類對交感神經(jīng)系統(tǒng)的反饋，并獎勵導致放松和減緩焦慮的行為。

為簡單起見，本文中只考慮外在動機和本能的獎勵的線性組合。在形式上，考慮一個基于帶有獎勵r的DQN的RL框架，然后使用一個r和r?的凸組合

公式如下：

其中λ是加權參數(shù)，其提供了對任務完成（外在動機）和生理反應（本能）的期望之間的權衡。

在凸幾何領域，凸組合（英語：convex combination）指點的線性組合，要求所有系數(shù)都非負且和為1。 此處的“點”可以是仿射空間中的任何點，包括向量和標量。

那么一個“會恐懼”的AI表現(xiàn)如何呢？

研究人員邀請了4位擁有7年駕齡的老司機，2男2女，并在他們的手指上安裝探測機，以記錄在駕駛模擬器中的脈搏振幅。并訓練了五個模型，每個參與者對應一個模型，另外一個統(tǒng)一面向全部參與者。

針對每種情況下，來自實驗記錄的前75％的幀作為訓練樣例，后25％作為測試數(shù)據(jù)。訓練分組中的數(shù)據(jù)是隨機的，并且使用了一個擁有128個實例的batch。

獎勵模型訓練期間的損失是均方誤差。每個模型訓練50個時期，之后所有模型的訓練均方根誤差（RMSE）損失小于0.1。然后在獨立測試集上計算RMSE，對于所有參與者，RMSE在0.10和0.19之間。

隨機預測的測試損失平均為0.210。在所有情況下，CNN模型損失顯著低于隨機預測損失（基于未配對的T檢驗）。

根據(jù)Science報道，該實驗仍然需要碰撞實驗來驗證模型的效果，但一個會恐懼的AI需要的碰撞數(shù)據(jù)，要比無所畏懼的AI少1/4。聽起來不錯。

人工智能是否有可能產(chǎn)生類似人類的情緒？

那么是否我們就可以認為人工智能產(chǎn)生了像人類一樣，真正的恐懼呢？如果人工智能可以產(chǎn)生恐懼，那么是否可以產(chǎn)生其他情緒呢？

要回答這個問題，了解導致情緒和推理的原因非常重要?；旧锨榫w反應可能是由我們的感官捕獲的外部刺激引起的，或者是內部刺激引起的，這可能是體內平衡（身體自動調節(jié)系統(tǒng)）的改變或由于我們自己的認知。

處理刺激會在軀體狀態(tài)下產(chǎn)生非意識水平的變化，這被稱為情緒。如果情緒足夠強烈，那么就會進行認知，社交，語境和周圍相關的評估，我們稱之為體驗情緒。

研究人類情緒的方法之一是研究人體內發(fā)生的無意識和不可控的變化。由于神經(jīng)圖像和神經(jīng)技術的最新進展，我們可以精確測量這些變化，然后進行研究。

但這其中面臨的一些困難，例如反向推理問題（沒有與每種情緒相關的特定體細胞模式），主體間變異（沒有兩個大腦是相同的），以及主體間變異（一個人的大腦變化和進化），導致我們還無法創(chuàng)建一種能夠復制人類情緒的算法。

當前標準是使用校準刺激來進行研究，然后應用機器學習算法搜索大腦活動中測量的情緒反應與EEG系統(tǒng)之間的相關性以及圖像的分類。隨后，計算機程序開發(fā)計算模型，用來表示特定人的大腦或神經(jīng)系統(tǒng)如何對特定刺激（圖像）作出反應，從而引發(fā)特定情緒。

測量人類情緒模式的最科學方法是采用腦電圖，而通過面部特征、皮膚電活動和語音識別也是很好的輔助手段。

但計算模型不是人類的大腦的復刻，而且人類的情緒也取決于對外部世界和內在自我的看法。人類通過感官獲得外部世界的感知，對內心的感知則依賴于體內平衡，以及認知。換句話說，計算機不會產(chǎn)生任何源于內省的情緒，因此，很難感受到愛或嫉妒。

一個億Ray Kurzweil預測計算機將在2029年通過圖靈的測試，表現(xiàn)出與人類無法區(qū)分的智能行為，其中就包括展現(xiàn)出自我意識以及豐富的情感。

十年后，準備迎接一個覺醒的人工智能吧！