如今“社恐”一詞好像已經(jīng)成為了90后身上最常見的標(biāo)簽，這類人群由于不擅長(zhǎng)跟人交際，時(shí)常陷入“尬聊”的局面。

尤其是當(dāng)人們只憑文字進(jìn)行交流時(shí)，很容易因?yàn)檎`判對(duì)方的意圖和情緒從而做出錯(cuò)誤回應(yīng)。

但有這么一款AI聊天助手，它不僅能解決這個(gè)問(wèn)題，還能手把手教你如何回復(fù)對(duì)方。

據(jù)36氪報(bào)道，這款叫Mei的手機(jī)應(yīng)用在對(duì)大量的文本對(duì)話數(shù)據(jù)進(jìn)行分析之后，可以得出交談時(shí)對(duì)方的情緒、性格以及行為模式，并為用戶和聯(lián)系人建立完整的個(gè)性檔案。

在對(duì)話中，它可以幫助你揣摩對(duì)方的情緒并做出合適的回應(yīng)。

在Mei的官網(wǎng)上也可以看到它總結(jié)出的幾個(gè)明顯模式：如果你的朋友叫你“bub ”，她可能就是對(duì)你有意思，因?yàn)榕鷮?duì)感興趣的對(duì)象用“bub”的頻率會(huì)比對(duì)普通朋友高10倍；

另外，當(dāng)兩個(gè)人處于感情發(fā)展期，會(huì)更多地使用“night”和“dream”這兩個(gè)詞語(yǔ)。

36氪還在報(bào)道中提到，Mei的創(chuàng)始人Lee曾說(shuō)過(guò)完整的文字信息很難掩飾用戶的情緒和狀態(tài)，因此利用人工智能和大數(shù)據(jù)分析，結(jié)合心理分析理論，就可以為用戶的文本對(duì)話提供個(gè)性化分析和建議。

與文字識(shí)別相比，人工智能對(duì)面部表情的情感識(shí)別應(yīng)用則更加廣泛。

比如在面試中，招聘單位會(huì)通過(guò)求職者的表情判斷她的情緒是無(wú)聊還是熱情。在零售場(chǎng)所，這一技術(shù)也可以用于識(shí)別顧客的心情甚至年齡從而配合精準(zhǔn)營(yíng)銷。

目前亞馬遜、微軟以及Affectiva等公司都在開發(fā)相似的情感檢測(cè)產(chǎn)品，這些產(chǎn)品宣稱能夠通過(guò)對(duì)面部表情的識(shí)別判斷出對(duì)方的感受。

以亞馬遜的云服務(wù)RekigniTIon為例，在改進(jìn)服務(wù)后，RekigniTIon可以對(duì)快樂，悲傷，憤怒，驚訝，厭惡，冷靜、困惑和恐懼這八種情緒進(jìn)行識(shí)別。

初創(chuàng)公司AffecTIva的產(chǎn)品則是通過(guò)攝像頭和麥克風(fēng)檢測(cè)車內(nèi)乘坐人員的情感和認(rèn)知狀態(tài)，從而減少交通事故的發(fā)生。

據(jù)該公司稱，這個(gè)軟件能分析司機(jī)出是否處于生氣或興奮狀態(tài)，并通過(guò)打哈欠、閉眼、眨眼頻率等小動(dòng)作的監(jiān)測(cè)得出是否疲勞駕駛的結(jié)論。

但在去年7月，美國(guó)五名專家發(fā)表了一篇論文駁斥“根據(jù)表情識(shí)別情感”這一觀點(diǎn)，并通過(guò)大量研究證明市面上的許多依托面部表情識(shí)別情感的算法缺乏充分的科學(xué)依據(jù)。

數(shù)據(jù)顯示，當(dāng)人們生氣時(shí)，他們?cè)谄骄坏?0%的時(shí)間里會(huì)皺眉，因此皺眉不能等于憤怒，它只是‘憤怒’的眾多表達(dá)方式之一。

這也就意味著在超過(guò)平均70%的時(shí)間里，人們生氣時(shí)是不會(huì)皺眉的。另外，即使人們?cè)诓簧鷼獾臅r(shí)候，也會(huì)經(jīng)常皺眉。

該研究還提到，亞馬遜的RekogniTIon系統(tǒng)和其他情緒讀取算法一樣，是結(jié)合計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)算法，在識(shí)別面部特征后將與其相應(yīng)的情緒關(guān)聯(lián)起來(lái)。

因此目前人工智能對(duì)情緒的識(shí)別其實(shí)是基于刻板印象：例如開心時(shí)會(huì)大笑，難過(guò)的時(shí)候會(huì)大哭，生氣的時(shí)候會(huì)皺眉。

不可否認(rèn)我們的面部表情和真實(shí)情緒之間存在著直接聯(lián)系，但心理學(xué)教授Barrett也在研究中指出，“情境會(huì)強(qiáng)烈影響人們通過(guò)面部表情推斷出的情感含義。”而現(xiàn)在的情緒識(shí)別系統(tǒng)所分析的數(shù)據(jù)并不包含任何有關(guān)相關(guān)背景的重要信息。

另外，個(gè)體在表達(dá)情感方式上的不同也會(huì)造成面部表情的差異。

這也就意味著包括亞馬遜、Affectiva在內(nèi)的許多公司宣稱的“情感識(shí)別算法”準(zhǔn)確度無(wú)法得到有效保證。

盡管目前這項(xiàng)技術(shù)仍在不斷改進(jìn)，如Affectiva通過(guò)對(duì)駕駛員的跟進(jìn)研究，收集了大量有關(guān)面部表情、手勢(shì)和語(yǔ)調(diào)等自然行為和情感數(shù)據(jù)，不僅僅是局限于面部表情的分析。

但顯然，如果在還沒有得到完善的情況下就被應(yīng)用到招聘、醫(yī)療、安檢等場(chǎng)景中，錯(cuò)誤的結(jié)果可能會(huì)造成人們被誤解。

同樣，即使前文所提到的文本對(duì)話識(shí)別基于對(duì)大量?jī)?nèi)容數(shù)據(jù)進(jìn)行分析，能夠在一定程度上達(dá)到理解的目的，但也受限于語(yǔ)氣、語(yǔ)境甚至是文化差異，不可避免地會(huì)“表錯(cuò)情”。

畢竟就連我們?nèi)祟愖陨矶冀?jīng)常無(wú)法準(zhǔn)確理解情感的傳達(dá)，更何況是人工智能呢？