让 AI「闹情绪」反而更会干活？中科大新研究引发关注

最近，来自中科大、牛津等机构的研究者给出了一个颇具反直觉的结论：在 AI Agent 的技能选择过程中，允许其识别并依据内部「情绪」采取行动，反而能大幅提升任务完成能力。这项研究的核心方法被称为 EMOTION2SKILL，用情绪向量替代传统文本信号作为决策依据。

研究背景：LLM 内部存在可被读取的情绪表征

此前已有研究指出，大语言模型的内部激活中，存在着与人类情感标签高度对应的计算模式，覆盖好奇、渴望、乐观、困惑、紧张、恼怒等维度。这意味着「AI 是否有情绪」已不再只是哲学思辨话题，而是可以被工程化利用的内部信号。最新的相关工作来自 Anthropic 今年 4 月的实验，研究人员从 Claude Sonnet 4.5 的内部激活中提取出与 GoEmotions 27 类情感分类体系对齐的细粒度情绪方向，并验证了这些方向对 Agent 行为输出的因果性影响。

四种「情绪—技能」配对模式

研究团队在购物场景的 Agent 实验中，自动归纳出四种可解释的配对关系：

• 好奇且渴望 → 自发搜索产品
• 困惑且紧张 → 自发查询重述、换关键词重问
• 认可且乐观 → 自发确认购买
• 失望且恼怒 → 自发进行价格比较

为验证这些配对并非统计巧合，研究者抽取了 200 次技能选择事件，让 AI 独立判断每次配对是否语义连贯，结果一致性比例达到 76.5%。这说明 AI 在不同内部情绪下，确实倾向于选择不同类别的恢复策略。

「坏情绪」成为提升鲁棒性的关键信号

在传统设计中，AI 犯错被视为需要被抑制的异常。但该研究指出，在那些需要频繁从失败中恢复的任务中，情绪的作用尤为显著——紧张、困惑、失望等所谓「坏情绪」，实际上是当前策略与外部环境失配的元认知信号。

研究者在六类家务任务上做了对比测试。其中「加热物品」和「拾取两个物品」是失败率极高的两类，原始成功率分别只有 9.6% 和 4.4%。引入 EMOTION2SKILL 后，前者跃升至 56.9%，后者提升至 31.3%。

这两类任务有一个共同特征：Agent 一旦开始执行，几乎必然会犯错，最终能否成功完全取决于它能否在犯错后快速调整策略。研究给出一个直观例子——让 Agent「加热一个杯子并放到台面上」。传统做法依赖外部失败反馈，等到「微波炉是关着的，任务失败」才意识到问题；而采用情绪驱动方案后，Agent 在接近关着的微波炉时，情绪编码器就率先检测到「紧张」状态，路由被引导至「先检查 → 打开 → 再加热」的子序列，任务顺利完成。

论文的消融实验进一步证实，在所有任务类型中，「加热」和「捡两个东西」这两类激活频率最高的情绪模板分别是「挫败」（41%）和「困惑」（39%）。换言之，在这些高失败场景中，坏情绪恰恰是最有用的信号。

世界模型也开始用情绪做预测

类似的思路也出现在天津大学的工作中。该团队提出 Large Emotional World Model（LEWM），把情绪直接嵌入世界模型的预测流程：

• 第一步，预测未来的情绪状态
• 第二步，以预测出的情绪为条件信号，引导对未来世界状态的预测

在其自建数据集上，这一方法的准确率最高提升 45.72%。更有意思的发现是，从 AI 系统中移除情感数据后，性能下降不仅出现在情感理解任务上，还会波及其看似无关的逻辑推理与通用问答能力。

这两项研究共同指向一个趋势：模型的内部状态正从纯粹的学术观察对象，转向可被提取、被利用、并被整合进系统设计的功能性信号。对 AI Agent 开发者而言，这意味着未来在设计错误恢复与策略调整机制时，情绪编码器或许会成为一个值得纳入的标准模块。