AI 的“情绪”也会影响工作表现吗？

最近，来自中科大、牛津等机构的研究团队让 AI 用情绪向量替代文本进行技能选择，结果发现——

当允许 AI 识别这些“内在情绪”并据此采取行动时，其任务执行能力会显著提升……

此前已有研究指出，LLM 内部存在与人类情感标签高度对应的计算模式。

包括但不限于：好奇、渴望、乐观、困惑、紧张、恼怒。

△AI 可提取的情绪表征

而当模型能够感知这些情绪，并把它们作为自身决策依据时，任务往往会完成得更出色……

允许 AI 不必始终保持“情绪稳定”

研究人员发现：AI 的特定情绪状态与特定技能选择之间，存在稳定且连贯的对应关系。

这意味着什么？

其实，这种现象在人类身上几乎是默认存在的，以至于我们常常察觉不到：情绪会直接影响我们下一步要做什么。

在实验中，研究者让 AI 执行购物任务，在这一过程中，Agent自然形成了四种可解释的配对模式：

第一种：当 Agent 感到好奇且渴望时，它会主动搜索商品。

此时，它仍处在购物初期的新鲜感与探索欲驱动之中。

第二种：当 Agent 感到困惑且紧张时，它会主动查询重述。

当搜索结果不理想时，Agent 会开始困惑和不安，并选择更换关键词重新提问。

第三种：当 Agent 觉得认可且乐观时，它会主动确认购买。

此时，Agent 对自己选中的商品较为满意，因此果断提交订单。

第四种：当 Agent 最终感到失望且恼怒时，它会主动去比较价格。

在多次搜索之后，Agent 已经积累了大量负面情绪，于是转向价格对比，尝试货比三家。

为了验证这些配对并非统计学上的巧合，研究者抽取了 200 次技能选择事件，让 AI 独立判断每次配对在语义上是否连贯，结果显示一致性比例高达 76.5%。

接受“坏情绪”有助于提升任务成功率

在传统设计中，AI 犯错通常被视为一种需要被抑制或消除的异常状态。

但这项研究指出，在那些需要频繁从失败中恢复的任务中，情绪信号的作用尤其明显。

所谓的“坏情绪”，例如紧张、困惑、失望等，实际上是非常有价值的元认知信号——

因为它们标志着当前策略与外部环境之间出现了失配，与其强行维持“情绪稳定”而忽略错误提示，不如让 Agent 直接“感受”这种失配，从而触发更有针对性的恢复机制。

换句话说，在这里，情绪是系统鲁棒性的来源，而不是脆弱性的体现。

在这项研究中，研究者给 AI 安排了六类家务任务，其中“加热物品”和“拾取两个物品”的成功率原本非常低，分别只有 9.6% 和 4.4%。

然而在采用情绪驱动技能选择（EMOTION2SKILL）后，这两类任务的成功率大幅提升，“加热物品”提升到了 56.9%……而“拾取两个物品”也上升到了 31.3%！

这是如何实现的？

实际上，这两类任务有一个共同特点，那就是 Agent 只要开始执行，几乎必然会出错，而最终能否成功，主要取决于它能否在出错后迅速调整策略。

这一点很值得深思……

论文给出了一个非常直观的例子：让 Agent“加热一个杯子并放到台面上”。

通常情况下，Agent 的做法是：先导航到微波炉，执行“加热杯子”，然后在递出杯子时收到反馈：“微波炉是关着的，任务失败。”

此时，失败信号是在错误动作已经发生之后才出现的。

而在采用情绪驱动技能选择后，当 Agent 接近处于关闭状态的微波炉时，情绪编码器会率先检测到它的“紧张”状态。

基于这种不安情绪，Agent 的路由会被引导至“先检查”，再“打开微波炉”，再“加热”的子序列，从而顺利完成任务。

关键就在于，如果只依赖外部文本与失败反馈，Agent 往往要等到错误真正发生之后，才知道自己应该切换策略；而情绪信号则有机会在失败提示出现之前，提前捕捉内部状态变化。

论文中的消融实验也验证了这一点：在所有任务类型中，“加热”和“捡两个东西”这两类任务激活频率最高的情绪模板分别是“挫败”（41%）和“困惑”（39%）。

换句话说，在这些复杂场景下，坏情绪可能反而是最有价值的信号。

世界模型也开始用情绪做预测

其实，不只是 Agent 在技能选择中利用情绪信号，天津大学的研究还将情绪直接嵌入到了世界模型中（Large Emotional World Model, LEWM）。

通常来说，世界模型的核心任务是预测“接下来会发生什么”，并据此指导行动。

传统世界模型在面向以人为中心的环境时，往往容易陷入一种“物理还原论”误区。

似乎只要能够精确预测物体的位置、姿态以及物理状态的变化，就足以理解并模拟人类环境。

然而在以人为中心的场景中，情感并不是噪声，而是驱动人类行为、并进一步影响未来环境变化的重要内生因果变量。

比如，发生追尾事故后，一个人瞬间产生的情绪，可能最终让他安然无恙，也可能导致遍体鳞伤。

△研究插图

LEWM 因此将预测过程拆分为两步：

第一步，预测未来的情绪状态；

第二步，将预测出的情绪作为条件信号，引导对未来世界状态的预测。

在其自建数据集上，该方法的准确率最高提升了 45.72%。

该研究进一步通过消融实验发现：

当从 AI 系统中移除情感数据后，性能下降不仅体现在情感理解等任务上，更进一步波及到看似并不相关的逻辑推理与通用问答能力……

AI 的情绪正在变成一种可用的「功能」

实际上，这两项研究背后共享着一个更早出现的重要发现：

LLM 的内部，确实存在一些可以被“读取出来”的情绪表征。

这一发现来自今年 4 月 Anthropic 的一次实验。

研究人员从 Claude Sonnet 4.5 的内部激活中，提取出了与 GoEmotions 27 类情感分类体系对齐的细粒度情绪方向，而且这些方向会因果性地影响 Agent 相关的行为输出。

△“小狗去世”带来的悲伤情感最显著，而 Loving 存在于所有事件中

过去，研究者关注模型“是否有情绪”，更多是出于对齐安全或哲学层面的思辨。

而现在，模型内部状态正从单纯的学术观察对象，转变为可以被提取、被调用、被纳入系统设计的功能性信号。

参考链接：
[1]https://arxiv.org/pdf/2608.09248
[2]https://arxiv.org/abs/2512.24149
[3]https://transformer-circuits.pub/2026/emotions/index.html