11月3日，乌镇“互联网之光”博览会，一台全尺寸超仿真机器人被围住。皮肤能看见血管，会眨眼，会转头，售价16.98万元，主打情感陪伴。 观众上前握手、聊天、合影。有人说“皮肤、表情、眼神跟我们真人一样”，还有人说：“有情感交流就是最好的陪伴”。钱江视频中国新闻社大象新闻
这句话没错。只是“有交流”和“被读懂”之间，还隔着一段不短的距离。
发布会后，媒体报道的参数是：这台优必选U1能识别20多种情绪，准确率超过90%，有88个自由度和200TOPS算力。 听起来，它已经跨过了“读懂人”的门槛。但同一场发布后，优必选创始人周剑对媒体说，训练情绪大模型的数据还缺乏，要做好“需要一两年”。 今天交付到用户手里的，是一副已经很像人的身体，和一个还在长的大脑。知乎第一财经
“识别”和“读懂”不是一回事。识别是把眼前的声音、表情、话术，映射到一个情绪标签上；读懂要知道这个标签对你意味着什么。一个人皱眉，可能是生气，也可能是在思考、累了、被光晃了眼；一个人语速变快，可能是焦虑，也可能是兴奋、赶时间，或者他平时就这么说话；一个人沉默，可能是低落，也可能只是不想说。 单看一个信号，这些解释都成立。知乎
所以，准确率是个有条件的概念。一篇论文解读提到，一个2012年的经典多模态情绪数据集里，模型对三档“愉悦程度”的分类准确率是76.1%，随机基线是33.3%；但条件是27名参与者、20段实验影片、实验室环境。 作者特意提醒，不能把它当成AI读懂情绪的比例。知乎专栏
换一个更接近真实场景的考法，数字会掉下来。MME-Emotion基准用6000多段视频、8类任务考20个多模态模型，不只问“这是什么情绪”，还要解释情绪的原因。论文的结论是：表现最好的模型，情绪识别得分39.3%，情绪推理得分56.0%。论文的判断是，现有模型的情绪智能仍不令人满意。arXiv
90%和39.3%并不矛盾，它们测的不是同一件事。前者更像在受控条件下给表情贴标签，后者要求在真实视频里理解一个人为什么这样。标签可以很准，理解仍然可以很浅。
真正难的是往下一层走。哈工大教授赵妍妍把“机器人懂人”拆成三层：情感感知、情感认知、情感交互。 感知是看见表情、听见语气；认知是结合上下文，判断这个表情在这个人身上意味着什么；交互是决定此刻该安慰、追问，还是闭嘴。第一层靠传感器和模型，第二、三层靠的是对这个人的长期了解。数读社
而“长期了解”恰恰是现在最薄的一环。做仿生脸的创业者胡宇航说，他团队做的机器人，对话能力有大模型托着，但实际交互水平“可能是一个10岁的小孩”；真正的长期记忆还没有，因为记忆越长，模型性能越容易受影响。 一个记不住你上个月为什么难过的人，很难在你今天沉默时判断，你是累了，还是在硬撑。第一财经
那为什么那么多人觉得它懂？因为身体先替它回答了。硅胶皮肤、眨眼、凝视、说话时的口型，这些设计都在触发人脑最自动的一个动作：看见一张脸，就假定脸后面有一个人。第一财经记者在现场感到“正在被机器人凝视”，同时也看到它眨眼不太自然、说话时嘴部动作不大。两个感受都是真的：像人的部分让你放下戒心，不像人的部分提醒你，那还是一台机器。
超仿真最厉害的地方，不是它读懂了你，而是它让你愿意先替它把“懂”补上。
它当然有价值。一个随叫随到、不评判、有耐心的回应，对独居老人、对不想麻烦朋友的人，是实打实的东西。它暂时不做家务。 9月已开始小批量交付，首批用户收了货。 也有网友吐槽“机械感太重”“货不对板”。 它确实能陪，但它陪的方式，和广告里说的“懂你”不是一回事。钱江视频南方财经红星视频
今年7月15日，《人工智能拟人化互动服务管理暂行办法》施行。第十三条把义务分成三层：日常风险识别、极端情绪即时响应、极端情境强制干预与联络。 用户出现极端情绪时，服务要安抚并鼓励求助；明确表达自残自杀等极端情境时，还要干预并联络监护人或紧急联系人。 这条规定把“识别情绪”从卖点变成了法定义务——至少，在极端情绪和自残自杀风险上，它必须识别得准。把开心听成难过，最多是尴尬；把求救听成抱怨，是事故。张巍律师云涌AI
回到乌镇展台上那个问题：超仿真机器人真能读懂人的情绪吗？
它能读到你的表情、语气和用词，把这些信号变成概率，在很多次互动里给出让你舒服的回应。它读不到的是，你皱眉背后的那件事，你沉默之前的那句话，以及你此刻需要的，是一个答案，还是一个人坐在旁边。
这些，它还在学。周剑说需要一两年。而人学会读懂另一个人，通常要用更久。
