Trình Thiển gửi từ Ao Phi Tự QbitAI | Công chúng hào QbitAI
Tâm trạng của AI cũng ảnh hưởng đến trạng thái làm việc?
Gần đây, các nhà nghiên cứu từ Đại học Khoa học và Công nghệ Trung Quốc, Oxford và các tổ chức khác đã để AI sử dụng vector cảm xúc thay thế cho văn bản để lựa chọn kỹ năng, kết quả phát hiện——
Cho phép AI nhận biết những “cảm xúc nội tâm” này và hành động dựa trên đó, có thể cải thiện đáng kể khả năng làm việc của AI......
Nghiên cứu trước đây cho rằng, bên trong LLM tồn tại các mô hình tính toán tương ứng cao với nhãn cảm xúc của con người.
Bao gồm nhưng không giới hạn ở: tò mò, khao khát, lạc quan, bối rối, căng thẳng, tức giận.
△Biểu trưng cảm xúc có thể trích xuất từ AI
Và khi mô hình cảm nhận được những cảm xúc này và lấy đó làm cơ sở cho hành động của chính mình, nhiệm vụ sẽ được hoàn thành tốt hơn......
Cho phép AI không duy trì “tâm trạng ổn định”
Nhà nghiên cứu này phát hiện: Giữa trạng thái cảm xúc cụ thể của AI và lựa chọn kỹ năng cụ thể tồn tại mối quan hệ ghép đôi mạch lạc.
Điều này có ý nghĩa gì?
Thực tế, điều này ở con người gần như là mặc định, đến mức khó có thể nhận ra: Cảm xúc của chúng ta quyết định chúng ta sẽ làm gì tiếp theo.
Trong thí nghiệm, các nhà nghiên cứu để AI đi mua sắm, trong quá trình này, Agent tự động hình thành bốn mô hình ghép đôi có thể giải thích được:
Thứ nhất: Khi Agent cảm thấy tò mò và khao khát, nó sẽ tự động tìm kiếm sản phẩm.
Lúc này vẫn đang chìm đắm trong cảm giác mới mẻ của việc mua sắm và sự thỏa mãn ham muốn khám phá.
Thứ hai: Khi Agent cảm thấy bối rối và căng thẳng, nó sẽ tự động thực hiện truy vấn diễn đạt lại.
Khi kết quả tìm kiếm không lý tưởng, Agent bắt đầu bối rối bất an, nó chọn thay đổi một số từ khóa để đặt câu hỏi lại.
Thứ ba: Khi Agent cảm thấy công nhận và lạc quan, nó sẽ tự động xác nhận mua hàng.
Lúc này Agent rất hài lòng với sản phẩm mình chọn, quyết đoán gửi đơn đặt hàng.
Thứ tư: Khi Agent cuối cùng cảm thấy thất vọng và tức giận, nó sẽ tự động đi so sánh giá.
Lúc này Agent sau nhiều lần tìm kiếm đã tích lũy một lượng lớn cảm xúc tiêu cực, lúc này nó sẽ chuyển sang so sánh giá, cố gắng so sánh ba nhà cung cấp.
Để xác minh những cặp đôi này không phải là sự trùng hợp thống kê, các nhà nghiên cứu đã trích xuất 200 sự kiện lựa chọn kỹ năng, để AI độc lập đánh giá xem mỗi cặp đôi có mạch lạc về mặt ngữ nghĩa hay không, kết quả cho thấy tỷ lệ nhất quán lên tới 76.5%.
Chấp nhận “tâm trạng xấu” giúp nâng cao tỷ lệ thành công của nhiệm vụ
Trong thiết kế truyền thống, AI mắc lỗi được xem là một bất thường cần bị kiềm chế hoặc loại bỏ.
Nhưng nghiên cứu này chỉ ra rằng, trong những nhiệm vụ cần thường xuyên phục hồi từ thất bại, hiệu quả tác động của cảm xúc đặc biệt rõ rệt.
Cái gọi là “tâm trạng xấu”, như căng thẳng, bối rối, thất vọng, v.v., thực chất là những tín hiệu nhận thức siêu vi rất hữu ích——
Bởi vì chúng đánh dấu sự không khớp giữa chiến lược hiện tại và môi trường bên ngoài, thay vì cưỡng ép duy trì “tâm trạng ổn định” mà bỏ qua tín hiệu lỗi, không bằng để Agent trực tiếp “cảm nhận” sự không khớp này, từ đó kích hoạt cơ chế phục hồi có mục tiêu.
Nói cách khác, cảm xúc ở đây là nguồn gốc của tính mạnh mẽ, chứ không phải biểu hiện của sự mong manh.
Trong nghiên cứu này, các nhà nghiên cứu giao cho AI sáu loại việc nhà, trong đó tỷ lệ thành công của “hâm nóng đồ vật” và “nhặt hai đồ vật” rất thấp, chỉ lần lượt là 9.6% và 4.4% .
Tuy nhiên sau khi áp dụng lựa chọn kỹ năng dựa trên cảm xúc (EMOTION2SKILL), tỷ lệ thành công của nhiệm vụ này tăng mạnh, thậm chí lên đến 56.9%...... còn “nhặt hai đồ vật” cũng tăng lên 31.3%!
Làm thế nào đạt được?
Thực tế hai loại nhiệm vụ này đều có một đặc điểm chung, đó là Agent chỉ cần làm, thì hầu như chắc chắn sẽ mắc lỗi, mà thành công cuối cùng chỉ phụ thuộc vào việc nó có thể nhanh chóng điều chỉnh chiến lược sau khi mắc lỗi hay không.
Đáng suy ngẫm......
Bài báo đưa ra một ví dụ trực quan: để Agent “hâm nóng một cái cốc và đặt lên mặt bàn”.
Thông thường cách làm của Agent là: điều hướng đến lò vi sóng, thực hiện “hâm nóng cốc”, khi đưa cốc ra thì nhận phản hồi: “Lò vi sóng đang tắt, nhiệm vụ thất bại.”
Lúc này tín hiệu thất bại xuất hiện sau hành động sai.
Còn khi áp dụng lựa chọn kỹ năng dựa trên cảm xúc, khi Agent tiếp cận lò vi sóng đang tắt, bộ mã hóa cảm xúc đã phát hiện trạng thái “căng thẳng” của nó.
Dựa trên cảm xúc bất an này, định tuyến của Agent được dẫn dắt đến chuỗi con “kiểm tra trước”, rồi “mở lò vi sóng” , rồi “hâm nóng”, nhiệm vụ hoàn thành suôn sẻ.
Điểm then chốt nằm ở chỗ, nếu chỉ dựa vào văn bản bên ngoài và phản hồi thất bại, Agent thường phải đợi đến khi lỗi thực sự xảy ra mới biết nên đổi chiến lược; còn tín hiệu cảm xúc thì có cơ hội bắt được sự thay đổi trạng thái nội bộ trước khi tín hiệu thất bại xuất hiện.
Thí nghiệm loại bỏ trong bài báo cũng xác nhận điểm này, trong tất cả các loại nhiệm vụ, hai loại nhiệm vụ “hâm nóng” và “nhặt hai thứ” có tần suất kích hoạt mẫu cảm xúc cao nhất lần lượt là “thất vọng” (41%) và “bối rối” (39%).
Nói cách khác, trong những tình huống này, tâm trạng xấu có lẽ mới là tín hiệu hữu ích nhất.
Mô hình thế giới cũng bắt đầu sử dụng cảm xúc để dự đoán
Thực tế, không chỉ Agent sử dụng tín hiệu cảm xúc trong lựa chọn kỹ năng, nghiên cứu của Đại học Thiên Tân đã trực tiếp nhúng cảm xúc vào mô hình thế giới (Large Emotional World Model, LEWM).
Thông thường, nhiệm vụ của mô hình thế giới là dự đoán “tiếp theo sẽ xảy ra điều gì” và hành động dựa trên đó.
Mô hình thế giới truyền thống khi hướng đến môi trường lấy con người làm trung tâm, thường rơi vào một quan niệm sai lầm về “thuyết quy giản vật lý”.
Chỉ cần chúng ta có thể dự đoán chính xác vị trí, tư thế và sự tiến hóa trạng thái vật lý của vật thể, chúng ta có thể hiểu và mô phỏng môi trường của con người.
Tuy nhiên trong môi trường lấy con người làm trung tâm, cảm xúc không phải là một loại nhiễu, nó là biến nhân quả nội sinh quan trọng thúc đẩy hành động con người và gây ra sự thay đổi môi trường tương lai.
Ví dụ, sau khi đuôi xe, cảm xúc mà một người sinh ra trong khoảnh khắc cuối cùng có thể khiến anh ta bình an vô sự, hoặc bầm dập khắp người.
△Hình minh họa nghiên cứu
LEWM từ đó chia dự đoán thành hai bước:
Bước một, dự đoán trạng thái cảm xúc trong tương lai;
Bước hai, lấy cảm xúc dự đoán được làm tín hiệu điều kiện, hướng dẫn dự đoán trạng thái thế giới tương lai.
Trên tập dữ liệu tự xây dựng của mình, độ chính xác của phương pháp này được cải thiện tối đa 45.72%.
Nghiên cứu này tiếp tục phát hiện qua thí nghiệm loại bỏ:
Sau khi loại bỏ dữ liệu cảm xúc khỏi hệ thống AI, sự suy giảm hiệu suất không chỉ giới hạn ở các nhiệm vụ như hiểu cảm xúc, mà còn ảnh hưởng đến khả năng suy luận logic và hỏi đáp chung tưởng như hoàn toàn không liên quan......
Cảm xúc của AI đang trở thành một “chức năng” có thể sử dụng
Thực tế, hai nghiên cứu này cùng chia sẻ một phát hiện sớm hơn một chút:
Bên trong LLM, thực sự tồn tại một số biểu trưng cảm xúc có thể “đọc ra”.
Điều này đến từ một thí nghiệm của Anthropic vào tháng 4 năm nay.
Các nhà nghiên cứu từ trạng thái kích hoạt nội bộ của Claude Sonnet 4.5, đã trích xuất được hướng cảm xúc chi tiết tương ứng với hệ thống phân loại cảm xúc Go Emotions 27 loại, và những hướng này ảnh hưởng nhân quả đến đầu ra hành vi liên quan đến Agent.
△Nỗi buồn do “chú chó qua đời” mang lại rõ rệt nhất, còn Loving tồn tại trong tất cả sự kiện
Trước đây, các nhà nghiên cứu quan tâm đến việc mô hình “có cảm xúc hay không” chủ yếu xuất phát từ cân nhắc an toàn đối chuẩn hoặc suy tư triết học.
Nhưng hiện tại, trạng thái nội bộ của mô hình đang chuyển từ đối tượng quan sát thuần túy học thuật, thành tín hiệu chức năng có thể được trích xuất, được sử dụng, được tích hợp vào thiết kế hệ thống.
Liên kết tham khảo:[1]https://arxiv.org/pdf/2608.09248[2]https://arxiv.org/abs/2512.24149[3]https://transformer-circuits.pub/2026/emotions/index.html
Bài viết này đến từ công chúng hào “QbitAI” (ID:QbitAI), tác giả: Quan tâm công nghệ tiên phong
