53种情绪、每秒数百个维度：Hume CEO 想把「让人幸福」写进AI的目标函数

每分钟2.76美分，折合每小时1.66美元，就能让AI逐帧读出一段视频里几十个情绪维度的变化。这期《Cognitive Revolution》里，主持人Nathan Labenz当场算了这笔账：一个时薪20美元的客服质检员，跟这个价格比效率，结果没什么悬念。

市面上大量AI产品还在发预告、排等候名单，Hume AI的官网已经开放注册，任何人开个账号、打开摄像头，就能看到AI怎么读自己的脸。这期节目的视频版还叠了一层Hume API的实时输出，Labenz说，对着屏幕看AI理解你表情的过程，体验相当特别。

嘉宾Alan Cowen是Hume AI的CEO兼首席科学家，在情绪测量领域做了十几年研究，发了约40篇论文，提出过一套叫「语义空间理论」的框架。他的学术师承能追到保罗·艾克曼，就是提出基本情绪理论、发明面部动作编码系统的那位，艾克曼是他导师的导师。Hume官网的标题写得很直白：教AI让人幸福。

这句话背后是一整套测量技术、一堆反直觉的研究发现，还有一个野心不小的对齐方案。按节目顺序拆开讲。

先测量，再谈优化：情绪是一团连续的空间

Cowen先澄清概念。「教AI让人幸福」里的幸福，指的是幸福感（well-being），比快乐更宽。快乐是当下的积极情绪体验，幸福感还要加上你事后对这些经历的反思，也就是生活满意度。不管测哪个，思路一致：先尽可能测准，再去优化。

测量的第一条原则：情绪没法压成一个维度。人看重的是情绪体验的丰富性，爱、惊喜、兴奋、敬畏各有价值，猫视频式的傻乐只是很小的一块。所以Hume的平台同时测多个模态：

• 语音韵律：音调、节奏、音色。你说的每个词都带着这些信息，语言模型只吃转写文字，等于把这部分全扔了；
• 声音爆发：笑、叹气、尖叫、嗯、啊哈这类非词语发声；
• 面部表情：跨文化实验证明，不同文化的人能稳定区分28种以上的面部表情维度。

叠加起来，模型每秒能提取几百个维度的数据。Labenz在节目里举了个直观例子：判断司机是否打瞌睡。打瞌睡的人通常不说话，语言模型在这里毫无用武之地；Hume的模型捕捉的是眼睛还睁着时那些极细微的面部信号，准确率能到90%以上，直接对应反应速度的下降。

基础模型的输入输出也值得说一句。面部模型可以逐帧出结果，但人脸在暂停的帧里经常冒出各种古怪表情，逐帧估计会很跳，所以上面再叠一个带滑动窗口的动态模型，往前看若干帧再下判断。

怎么描述表情，节目里有一段很关键的讨论。日常词汇很快不够用：微笑、皱眉之后，人就开始跳到「愤怒」「轻蔑」这种推断状态的词，中间缺一层客观描述。Cowen的回答很干脆，这一层是个海市蜃楼。他师祖艾克曼发明的面部动作编码系统（FACS），要受训两周、每天8小时才能上手给人脸肌肉动作打码，结果这套系统受视线方向、年龄的影响，比普通人对情绪的直接感知还大。

人类真正关心的是社会推断：这个人的偏好是什么、意图是什么，肌肉动作只是载体。所以Hume干脆跳过肌肉层，直接大规模收集人对表情的判断，把判断本身当作测量的基础。

数据怎么来：几十万人、随机任务，和几个反直觉发现

Hume搭了个大规模调查平台，累计招募几十万参与者。他们互相聊天、跟AI对话、对素材做反应、表演指定情境，然后报告自己的体验，也报告对聊天对象情绪的推断。每条数据都带着任务特征标签，模型从这种大规模多任务结构里学出表达维度。

关键设计是随机化。参与者不能挑任务，跟谁聊、聊什么、对什么做反应，全部随机分配。目的是把「身份」和「表达」两个搅在一起的变量解开。Cowen举了个例子：女性在某些语境下更多出现顺从性表情，直接拿海量网络视频训模型，模型会把这种相关性学进去，再被推荐算法放大成偏见。他要的是反方向：同一个表情，不管出现在老人还是年轻人、男性还是女性、哪个族裔脸上，测量结果都一致。

参与者还最好是「天真」的，不知道研究在干什么，数据才有效。公司员工问能不能参加调查，Cowen的答复是：判断表情含义的调查不行，他们要的是对总体人群无偏的分布；只有新开的、让人跟自家生成式API对话再报告体验的调查，之后会像Chatbot竞技场那样向公众开放。

具体怎么收集判断，团队试过很多种：愉悦度滑块、23个维度的滑块、选一个情绪词、选多个情绪词。结论很明确。选情绪词的信息量远大于滑块：用选词结果预测滑块位置，几乎覆盖全部可解释方差；反过来，用滑块预测选词，只能覆盖约20%。情绪词是人类描述情感行为的高效压缩包。现在Hume每次调查放50多个情绪选项，按模态微调词表。

跨文化的数据给出了几个反直觉结论。控制评分者之间的个体分歧后，不同文化之间约有80%的共同性；把各国评分平均之后，国与国之间的分歧，小于同一个国家里任意两个人之间的分歧。单一模态下可区分的维度有25到30个以上，多模态叠加能到50个以上。对做全球化产品的团队，这个80%算颗定心丸：底层的情绪语言大体通用，要本地化的主要是表达习惯。

哪些东西最跨文化？学界过去普遍押注愉悦度和唤醒度这两根轴，也就是愉悦不愉悦、平静激动。数据给的答案相反：愤怒、恐惧、爱、好笑、敬畏这些具体的情绪词，跨文化一致性反而更高。敬畏算个例外，东亚和非洲对它的理解跟英语世界略有出入。

普遍性还有更极端的证据。Cowen团队研究过古代美洲的雕塑，那片大陆与欧亚文明零接触，如果雕塑在相似情境里呈现相似表情，就很难用文化传播解释。结果：把受折磨者雕塑的脸单独截出来，现代各文化的人都能认出那是痛苦。埃及象形文字里画着葬礼上的哭泣，跟早期探险家记录的古代美洲哭泣仪式高度相似。有一批表情维度，看起来写在生物学层面。

共性之下，表达习惯的差异不小。东亚人远比美国人少咧嘴大笑，英国人也一样；客服电话在不同文化里听起来完全是两回事。同一个表情，在不同文化里的使用频率和真诚度都不同，所以Hume要求客户按文化训定制模型，至少要分出北美、英国、印度、东亚这种粒度。

顺带一个标签设计的细节。Labenz追问为什么是53个情绪词，52或54行不行。Cowen的解释是，词只是把连续空间切块的概念。幸灾乐祸（schadenfreude）听着像个独特情绪，但只要同时拿到「轻蔑」和「好笑」两个评分，它就被覆盖了，没必要单独设标签。选词标准很朴素：跑试点研究，看解释方差的曲线在哪里衰减，选人们能稳定使用、彼此最不重叠的词，避开大多数人看不懂的词，这样省数据。官网上各模型的标签数是53种情绪、67种描述词、37种面部动作、28种声音表达，每个数字背后都是曲线上的一个拐点。语音韵律的维度比声音爆发少，原因有点无聊：韵律的语音空间被构词占用了，声音爆发没这个约束，反而能装更多区分维度。

还有个声音和脸的对比。声音比脸容易伪装，配音演员只动嘴就能让人信服，同时配上真实表情就难多了。脸红没法假装，它是尴尬或羞愧的真诚承诺。Cowen从进化角度给了解释：声音会被偷听，有些私密信息我们不愿意放进声音里，所以声音的可伪造性天然更高。

生意怎么做：1.66美元一小时的情绪识别

基础测量模型之上是定制模型API，这是Hume商业化的核心。流程全自动：客户上传自己的数据和标签，系统自动决定训什么模型、交叉验证、给出准确率、给一个可部署的端点。Cowen说这相当于替客户干了几个月数据科学的活。技术上，定制模型通常取每秒3帧的表情测量结果，跟文字token、说话人token交织进一个多模态模型，由模型自己决定怎么利用动态信息。

节目里聊得最细的是客服场景。大多数公司手里有海量通话录音，加一点粗糙的下游标签，比如通话后的满意度评分。问题是这些评分噪声极大：你分不清客户不满是因为服务真有问题，还是他本来脾气就差。Hume的建议是，让经理或更高层的人去听电话，人工标出「这通电话到底好不好」，100到200通就够训练一个金标准模型，然后推广到几百万通未标注电话上，实时输出每通电话进行得好不好。这还带来一个延伸可能：把模型接到客服AI上，用这些隐式反馈当训练信号，训出真正像样的客服agent。

其他公开的定制模型还有不少。临床合作者训过抑郁追踪模型，受试者录短视频日记聊自己的状态，模型追踪抑郁症状的粒度比就诊更细，而且可以每天做。教育场景里检测分心，目的是课后提醒学生「刚才那段你没听进去，要不要重听」，省得整节课重来。Hume内部还训过一个端点检测模型，预测说话人这轮话说完没有，靠的是最后一个词的韵律加面部表情，这类任务要的就是高密度信息。驾驶、教练辅导、用户体验研究，名单还在拉长。

定价再确认一遍：定制模型API本身免费，按底层测量模型的用量收费，音视频每小时1.66美元，文本另算。

跟GPT-4V掰手腕，还是站在它肩膀上

Labenz拿GPT-4V做了对照实验，扔了几张图测表情识别，结论是它至少不算失败，但准确度很难评估。他还试过上传自己和孩子的合影，问哪张适合发给妻子，模型死活不肯直说「这张里你状态不好」，得反复哄才肯答。Cowen的回应很坦率：GPT-4V能捕捉一些表情，实测并不总对，而且受性别偏见影响，就算事后修正，预测保真度也会掉。原因在数据：它吃的是互联网上图文混排的素材，互联网评论不同人群的方式本身就带偏见，而且它从没在真实的人类对话互动上训过。

Hume的路线是叠加大模型。每出一个新的大模型他们都很兴奋，直接往自己架构里加一层。具体做法：用Llama 2这类开源模型打底，把表情测量模型的输出做成语言词表之外的新token，跟文字交织，在人类互动视频上再吃几十亿到几百亿token继续训练。它跟GPT-4V那种图文模型属于两类东西，但照样吃到无监督预训练的红利。

对RLHF，Cowen有个明确判断：人工标注反馈这件事不scale，这是RLHF要吸取的「苦涩教训」。Hume的替代方案，是把视频里人的真实反应当强化信号：模型说了一句话，对方什么反应，分钟级、小时级、有长期用户的话甚至天级，全都能当隐式反馈用。产出让人更满意、更少沮丧的回答，这件事可以规模化。

对齐的另一种解法：先懂幸福，再执行命令

节目后半段聊到对齐，这是整期最有野心的部分。Cowen把问题拆成两层，先讲无意的错位：你让AI做一件事，它完成了，但方式伤害了你，因为它缺乏「人到底在追求什么」的背景知识。人请人帮忙时，对方会动用全部关于幸福的知识来权衡怎么执行；AI没有这层知识，就可能办出让你后悔的事。

他的方案是给AI一个排序：先预测一个决定对你下周、下月、明年幸福感的影响，再看你的目标，用幸福感去权衡执行路径上的所有子目标，必要时覆盖你下的指令。理想状态是，AI预测「这个行动如何影响人的幸福感」的能力，超过它预测「这个行动能不能让你银行账户数字变大」的能力。Cowen认为这完全做得到：预测幸福感靠的是人的情绪表达、反应和长期状态，这类数据跟银行流水一样存在。

「它应该能说：这个我做不了，因为会伤害这些人，并且能解释原因。把这两件事合在一起，基本上就是对齐问题的解，核心就是围绕幸福感做长期优化。」

故意作恶的请求走同一条路：幸福感权重压倒一切，AI拒绝，并给出解释。

这套方案的核心概念叫「情绪可供性」（emotional affordances）：把用户的每个请求重新理解为一个改善其幸福感的机会，请求与幸福感一致就执行，不一致就修正方式。难点在纵向数据，验证一个模型是否真的改善幸福感，需要以年计的追踪。Cowen的解法是先用现成的人类互动数据把「情绪可供性」学到位，模型上岗时的起点就该远超任何人类，因为它见过的相关数据比任何人都多，然后再在部署中继续学习、检验自己学到的东西。

问到能力与对齐的赛跑，他的回答有点出人意料。他非常担心能力增长超过对齐能力，但认为近期趋势没那么糟：AI竞赛让各家捂紧了核心想法，OpenAI看不到Google的进展，反过来也一样，客观上减了速。证据是Gemini刚公布，并没有比GPT-4强多少，而GPT-4已经当了一年多的最强模型。

「这件事让我非常担心，但我也乐观，我觉得我们能解决它。」

明天就能用的三件事

这期节目信息密度很高，挑三件可以直接上手或直接借用的：

• 有客服录音的公司：翻出100到200通电话，让懂业务的人听一遍、标出好坏，拿Hume的定制模型API训一版模型看准确率。API免费，只按每小时1.66美元的测量用量计费，可能是目前成本最低的通话质检方案之一。
• 做用户调研的团队：把「在滑块上打分」换成「从50个情绪词里选」，信息量大好几倍，跨文化还更稳定。这是Hume用大量实验验证过的结论。
• 关注AI对齐的人：与其争论该优化哪个指标，先问一个问题，模型预测人类长期幸福感的能力，比它预测其他任何目标的能力强多少。这个差距，可能就是错位的刻度。

另外，Hume Initiative的网站（thehumeinitiative.org）已经挂出10人伦理委员会、6条共情AI指导原则，以及低中高风险场景下的幸福感测量最佳实践。做情感计算相关产品的团队，这份文档比大多数空泛的AI伦理宣言实在得多。