Por Cheng Qian, desde OFEI Temple QbitAI | cuenta pública QbitAI
¿El 'estado emocional' de la IA también afecta su desempeño laboral?
Recientemente, investigadores de la USTC, la Universidad de Oxford y otras instituciones permitieron que la IA utilizara vectores de emoción en lugar de texto para seleccionar habilidades, y descubrieron que——
Permitir que la IA reconozca estas 'emociones internas' y actúe en consecuencia, puede mejorar significativamente las capacidades de trabajo de la IA......
Investigaciones previas sugieren que dentro de los LLM existen patrones computacionales altamente correspondientes con las etiquetas de emociones humanas.
Incluyendo, entre otros: curiosidad, deseo, optimismo, confusión, tensión, irritación.
△Representaciones emocionales que la IA puede extraer
Y cuando el modelo percibe estas emociones y las utiliza como base para sus acciones, las tareas se completan mejor......
Permitir que la IA no mantenga la 'estabilidad emocional'
Los investigadores descubrieron que existe una relación de emparejamiento coherente entre los estados emocionales específicos de la IA y la selección de habilidades específicas.
¿Qué significa esto?
En realidad, esto es casi un patrón predeterminado en los seres humanos, tanto que es difícil de notar: nuestras emociones determinan lo que haremos a continuación.
En el experimento, los investigadores pidieron a la IA que fuera de compras, y durante este proceso, el Agente formó automáticamente cuatro patrones de emparejamiento explicables:
Primero: Cuando el Agente se siente curioso y con deseo, se dedica a buscar productos espontáneamente.
En este momento, aún está inmerso en la novedad de las compras y la satisfacción del deseo de exploración.
Segundo: Cuando el Agente se siente confundido y tenso, se dedica a consultar y reformular espontáneamente.
Cuando los resultados de búsqueda no son ideales, el Agente comienza a sentirse confundido e inquieto, y elige cambiar algunas palabras clave para volver a preguntar.
Tercero: Cuando el Agiente se siente reconfortado y optimista, se dedica a confirmar la compra espontáneamente.
En este momento, el Agente está muy satisfecho con el producto que eligió y procede a realizar el pedido.
Cuarto: Cuando el Agente finalmente se siente decepcionado e irritado, se dedica espontáneamente a comparar precios.
En este momento, el Agente ya ha acumulado una gran cantidad de emociones negativas después de múltiples búsquedas, y entonces recurre a la comparación de precios, intentando comparar diferentes opciones.
Para verificar que estos emparejamientos no son coincidencias estadísticas, los investigadores extrajeron 200 eventos de selección de habilidades y pidieron a la IA que juzgara independientemente si cada emparejamiento era semánticamente coherente. Los resultados mostraron una proporción de consistencia de hasta el 76,5%.
Aceptar las 'malas emociones' ayuda a mejorar la tasa de éxito de las tareas
En el diseño tradicional, los errores de la IA se consideran una anomalía que debe ser suprimida o eliminada.
Pero este estudio señala que en aquellas tareas que requieren una recuperación frecuente de los fracasos, el efecto de las emociones es especialmente notable.
Las llamadas 'malas emociones', como la tensión, la confusión, la decepción, etc., son en realidad señales metacognitivas muy útiles——
porque señalan un desajuste entre la estrategia actual y el entorno externo, en lugar de mantener forzosamente la 'estabilidad emocional' e ignorar las señales de error, es mejor permitir que el Agente 'sienta' directamente este desajuste, desencadenando así mecanismos de recuperación específicos.
En otras palabras, las emociones son aquí una fuente de robustez, no una manifestación de fragilidad.
En este estudio, los investigadores asignaron seis tipos de tareas domésticas a la IA, entre las cuales la tasa de éxito de 'calentar objetos' y 'recoger dos objetos' era extremadamente baja, solo del 9,6% y 4,4% respectivamente.
Sin embargo, tras adoptar la selección de habilidades impulsada por emociones (EMOTION2SKILL), la tasa de éxito de esta tarea aumentó drásticamente, llegando al 56,9%... ¡y la de 'recoger dos objetos' también subió al 31,3%!
¿Cómo se logró?
En realidad, estos dos tipos de tareas tienen una característica común: cada vez que el Agente intenta realizarlas, es casi seguro que cometerá un error, y el éxito final depende únicamente de si puede ajustar rápidamente su estrategia después del error.
Da que pensar......
El artículo da un ejemplo muy intuitivo: pedir al Agente que 'caliente una taza y la coloque sobre la encimera'.
Lo que el Agente suele hacer es: navegar hasta el microondas, ejecutar 'calentar la taza', y cuando va a sacar la taza, recibe la retroalimentación: 'El microondas está apagado, la tarea ha fallado'.
En este caso, la señal de fallo aparece después de la acción errónea.
Mientras que, al adoptar la selección de habilidades impulsada por emociones, cuando el Agente se acerca al microondas apagado, el codificador emocional detecta primero su estado de 'tensión'.
Basándose en esta emoción de inquietud, el enrutamiento del Agente se guía hacia la subsecuencia de 'verificar primero', luego 'abrir el microondas', y luego 'calentar', completando la tarea con éxito.
La clave es que, si solo se depende del texto externo y de la retroalimentación de fracaso, el Agente a menudo tiene que esperar a que ocurra realmente el error para saber que debe cambiar de estrategia; mientras que la señal emocional tiene la oportunidad de captar el cambio en el estado interno antes de que aparezca la señal de fallo.
El experimento de ablación del artículo también confirma esto. Entre todos los tipos de tareas, las plantillas emocionales activadas con mayor frecuencia para las tareas de 'calentar' y 'recoger dos cosas' fueron 'frustración' (41%) y 'confusión' (39%) respectivamente.
En otras palabras, en estas situaciones, las malas emociones podrían ser la señal más útil.
Los modelos del mundo también comienzan a usar las emociones para hacer predicciones
De hecho, no solo los Agentes utilizan señales emocionales en la selección de habilidades. Una investigación de la Universidad de Tianjin incrustó directamente las emociones en el modelo del mundo (Large Emotional World Model, LEWM).
Generalmente, la tarea de un modelo del mundo es predecir 'qué sucederá a continuación' y actuar en consecuencia.
Los modelos del mundo tradicionales, cuando se enfrentan a entornos centrados en el ser humano, a menudo caen en un error de 'reduccionismo físico'.
Siempre que podamos predecir con precisión la posición, postura y evolución del estado físico de los objetos, podremos comprender y simular el entorno humano.
Sin embargo, en entornos centrados en el ser humano, las emociones no son un ruido, son una variable causal endógena importante que impulsa la acción humana y provoca cambios futuros en el entorno.
Por ejemplo, después de un choque trasero en un automóvil, las emociones que una persona genera en un instante pueden finalmente llevarla a salir ilesa, o resultar gravemente herida.
△Ilustración del estudio
Por ello, el LEWM divide la predicción en dos pasos:
Primer paso, predecir el estado emocional futuro;
Segundo paso, utilizar la emoción predicha como señal condicionante para guiar la predicción del estado futuro del mundo.
En su propio conjunto de datos, la precisión de este método aumentó hasta en un 45,72%.
La investigación también descubrió mediante experimentos de ablación:
Después de eliminar los datos emocionales del sistema de IA, la caída en el rendimiento no se limitó a tareas como la comprensión emocional, sino que también afectó capacidades aparentemente completamente ajenas, como el razonamiento lógico y la respuesta a preguntas generales......
Las emociones de la IA se están convirtiendo en una 'función' utilizable
En realidad, detrás de estas dos investigaciones subyace un descubrimiento anterior:
En el interior de los LLM, existen de hecho representaciones emocionales que pueden 'leerse'.
Esto proviene de un experimento de Anthropic en abril de este año.
Los investigadores extrajeron de las activaciones internas de Claude Sonnet 4.5 direcciones emocionales de grano fino alineadas con el sistema de clasificación de 27 emociones de GoEmotions, y estas direcciones afectaron causalmente la salida de comportamientos relacionados con el Agente.
△La tristeza por la 'muerte del perrito' fue la más notable, mientras que el amor estaba presente en todos los eventos
En el pasado, el interés de los investigadores sobre si los modelos 'tienen emociones' provenía más de consideraciones de seguridad en la alineación o reflexiones filosóficas.
Ahora, el estado interno del modelo está pasando de ser un objeto puramente académico de observación, a convertirse en una señal funcional que puede extraerse, utilizarse e integrarse en el diseño del sistema.
Enlaces de referencia:[1]https://arxiv.org/pdf/2608.09248[2]https://arxiv.org/abs/2512.24149[3]https://transformer-circuits.pub/2026/emotions/index.html
Este artículo proviene de la cuenta pública de WeChat "QbitAI" (ID: QbitAI), autor: Atención a la tecnología de vanguardia
