机器人的“读心术”到底有多靠谱？(5)

一些研究使用计算机生成随机的表情。Rachael Jack 在 2018 年开展的一项研究中，参与者需要指出每张脸与他们心目中对痛苦或高潮的定义的符合程度。来源：C. Chen et al./PNAS (CC by 4.0)
这场争议的核心其实在于对显著的定义。在一项研究中，参与者需要从六个情绪标签中选择一个来描述他们看到的人脸。一些研究者可能认为，如果某个表情被选择的几率大于 20%，那就说明这个表情的通用性较为显著。
其他人觉得 20% 的标准太宽松了。Jack 认为 Ekman 的阈值过低，她在读博期间读过 Ekman 早期的论文，她说，“我总是去找我的导师，给他看这些 60、70 年代的图表，每个图表在文化认识上都存在巨大差异。到今天为止，依然没有数据能证明，对情绪的认可是放之四海皆准的。”
即使不考虑显著性，研究者还要面对主观性的问题：许多研究都需要事先为情绪贴标签，以便在实验结束后进行比较。因此，Barrett、Jack 以及其他学者想用更为客观的方法来研究情绪。Barrett 正在研究生理指标，她希望用这类指标来描述愤怒，害怕和愉悦。
Jack 则用计算机随机生成的表情来替代摆拍的面部照片，避免局限于最常见的六种情绪。还有研究人员让参与者自己来对人脸进行分类，或者让来自不同文化的参与者用自己的母语给照片做标记。
硅基情绪
软件企业则避免让算法进行自由联想。一般来说，情绪识别的人工智能算法需要学习数百万张人脸图像以及数百小时的视频——每个情绪都被标好了标签，再从这些资料中习得模式。Affectiva 表示公司已经用来自 87 个国家超过 700 万张人脸对软件进行了训练，目前其情绪识别准确率已经达到了 90%。
该公司拒绝透露算法背后的科学依据。Neurodata Lab 公司意识到了面部在情绪表达上的差异，但指出：“如果某人正在经历某种情绪，某些面部表情出现的可能性会高于随机概率。”而该公司的算法利用的正是这种规律。而意见尚不统一的研究人员，不管站哪边，都对这类软件持怀疑态度，无论是对训练算法所使用的数据存在担忧，还是认为该领域目前仍未有定论。
Ekman 说他曾直截了当地挑战过这些公司的说法。他曾写信给数家公司，但拒绝透露公司名称，只说“它们都是世界上最大的软件公司”，并向它们索要能证明其自动化技术有效的证据，但没有得到回音。他说，“在我看来，他们的理论并没有证据支持。”