面向逻辑思维的程序设计方法——依托世界模型的类脑大模型情感子网设计

冯胤清

（河南 三门峡 472000）

摘要：类脑大模型以五子网+全局工作空间（GWS）为认知架构，其中情感评估子网承担价值判断、风险偏好与任务动机评估职能，但在既有设计中仅以VAD三维情感模型与偏好学习作概要描述，缺乏对情感本体结构、感知输入、表达输出与层间联动的系统设计。本文基于面向逻辑思维的程序设计方法（LOPD）七层认知分析层次模型与《脑的设计》双脑架构，提出依托世界模型的类脑大模型情感子网初步设计：以"喜、怒、哀、乐、忧、偲、苦、悲"八维情感空间为情感本体，叠加效价-唤醒-支配（VAD）连续度量与情感强度场，构建"八维离散+三维连续"的双层情感表示[1-4]。沿LOPD七层展开五层联动设计：感知层（L3）建立视觉（面部表情）、听觉（语音韵律）、触觉（愉悦触觉C纤维通路）等通道的情感感应，将多模态信号映射为八维情感激活[13-18]；肢体层（L2）设计面部、四肢、语音三类情感表达通道，将内部情感状态转化为可观察的外在表达[21]；神经网络层（L4）给出情感子网与感知理解、认知推理、世界模型、反思机制四子网的耦合机制，量化情感对认知的影响——如愤怒抑制前额叶推理、恐惧放大风险估计、愉悦拓宽注意范围[6-7,19,21-22]；生存层（L5）设计情感调节与伪装机制，以强装笑靥、情感伪装等策略实现社会适应与安全保护[5,9]；社会层（L6）以母爱的亲情强联系为原型，设计强联结情感（依恋-共情-利他）与社交情感的生成与内化机制[8,10]。本文进一步给出情感子网与大脑世界模型的"情感-推演"耦合（世界模型输出场景的情感价值，情感状态调制世界模型的想象偏差），构建情感智能六维评估体系，为类脑大模型从"认知型"走向"情感认知型"提供架构参考。

关键词：类脑大模型；情感子网；八维情感空间；情感计算；多模态情感识别；情感表达；情感调节；情感伪装；依恋；共情；世界模型；面向逻辑思维程序设计；七层认知模型

中图分类号：TP18；TP391　　文献标志码：A

---

1 引言

1.1 类脑大模型的进展与情感的缺失

类脑大模型（Brain-inspired Large Model）旨在借鉴人脑结构构建下一代AI架构。系列研究提出以五子网+全局工作空间（GWS）为认知架构——感知理解子网、认知推理子网、世界模型子网、情感评估子网、反思机制经GWS协调，形成"感知→推演→决策→反思"认知闭环，弥补了大语言模型（LLM）缺乏物理因果、多步规划与元认知的局限[22]。其中，情感评估子网承担价值判断、风险偏好与任务动机评估职能，使决策从"逻辑最优"走向"价值最优"[21-22]。

然而，既有类脑设计对情感子网的刻画仍显单薄：其一，情感本体单一——以VAD三维连续空间为主，缺乏对具体情感类别的结构化定义，难以支撑"愤怒"“母爱”"忧伤"等具体情感的工程化表达[22]；其二，感知输入缺失——未给出视觉、听觉、触觉等通道如何感应并激发情感状态[21-22]；其三，表达输出缺失——情感如何驱动面部表情、四肢动作与语音韵律，缺乏设计[21]；其四，层间联动缺失——情感与认知推理（愤怒减弱推理）、与生存层（情感伪装）、与社会层（亲情强联结）的关系，缺乏系统设计[21-22]。

上述缺失在产业界同样明显：当前情感AI产品多停留在"表情识别+情感标签"的浅层应用，缺乏将情感作为认知架构一等公民的系统设计[13-14]。大语言模型的情感能力研究（EmoLLMs等）在文本情感理解与生成上取得进展，但受限于"语言接口"范式，无法连接视觉、触觉等物理通道，也无法驱动肢体表达[11-12]。LeCun指出的"LLM只是语言接口层"论断同样适用于情感领域——纯文本情感模型缺乏与物理世界交互的情感基础[20]。这一现状呼唤一个将情感嵌入完整认知架构的系统设计：情感不仅是"识别"任务，更是感知、表达、调节与社会互动的综合能力[1,13,21]。情感计算领域的经典工作（Picard的Affective Computing）早已指出：情感能力是智能体与人类自然交互的基础，情感计算的目标是让机器"识别、表达、拥有"情感[1,13]。情感计算的技术体系已涵盖多模态情感识别（表情、语音、文本、生理信号）[14-18]、情感建模（离散/维度模型）[2-4]、情感表达（表情合成、语音韵律）[16,21]与情感调节（重新评估、表达抑制）[5]。但既有工作多为"单点技术"，缺乏将情感作为认知系统组成部分的架构设计[13,21]。本文以LOPD七层模型为骨架，将情感能力组织为可计算、可演进的情感子网[21-23]。

1.2 情感的生物学与心理学基础

人类情感具有深厚的生物基础：杏仁核是情感评估的核心枢纽，负责快速评估刺激的情感价值；前额叶皮层（尤其是腹内侧前额叶）参与情感的调节与理性整合；伏隔核与多巴胺系统编码奖赏预期[6-7]。Damasio的躯体标记假说指出，情感是理性决策的必要组成部分——缺乏情感的个体（如腹内侧前额叶损伤患者）在真实决策中表现糟糕[6]。Goleman提出的"杏仁核劫持"（amygdala hijack）现象则揭示了情感的破坏性一面：强烈情绪（如愤怒、恐惧）可绕过前额叶的理性控制，导致冲动行为[7]。

心理学对情感的分类存在两条路线：离散情感模型（categorical）与维度情感模型（dimensional）[2-4,13]。Ekman的基本情绪理论提出六种跨文化的基本情绪（快乐、悲伤、愤怒、恐惧、厌恶、惊讶）[2]；Russell的环形模型用效价-唤醒两维描述所有情感状态[4]；Mehrabian的PAD模型增加支配维度，形成效价-唤醒-支配三维空间[3]。离散模型便于标签化表达，维度模型便于连续度量，二者互补[13]。

中国传统文化对情感的刻画同样丰富：中医"七情"（喜怒忧思悲恐惊）将情感与脏腑功能关联；《礼记》提出"喜、怒、哀、惧、爱、恶、欲"七情说。本文综合离散与维度路线，结合中文语境，提出"喜、怒、哀、乐、忧、偲、苦、悲"八维情感空间，作为情感子网的情感本体[2-4]。八维的设计兼顾三方面：覆盖基本情绪（喜、怒、哀、乐对应Ekman基本情绪的快乐、愤怒、悲伤与愉悦变体）[2]；覆盖中国文化特有的细腻情感（偲——牵挂思念、悲——悲悯共情，超出西方六情绪框架）[21]；覆盖负性情感谱系（哀、忧、苦、悲的区分——丧失之哀、未至之忧、当下之苦、他者之悲，体现情感维度的精细度）[21]。

1.3 本文的定位：依托世界模型的情感子网

本文将类脑大模型的情感子网从"价值判断模块"升维为"情感认知子系统"，并强调"依托世界模型"的设计立场：情感子网与世界模型子网构成"情感-推演"耦合——世界模型输出场景的情感价值预测（“这个后果让我感觉如何”），情感状态调制世界模型的想象偏差（“情绪低落时想象更悲观”）[21-22]。

本文的具体贡献包括：①提出八维情感空间与"八维离散+三维连续"双层情感表示；②设计感知层（L3）多模态情感感应、肢体层（L2）情感表达、神经网络层（L4）情感-认知耦合、生存层（L5）情感调节与伪装、社会层（L6）亲情与社会情感的五层联动机制；③给出情感-世界模型耦合与情感智能六维评估体系。与既有情感计算研究相比，本文的差异在于：以"依托世界模型"为设计立场（情感与推演耦合而非孤立的情感模块）、以"LOPD七层"为组织骨架（情感能力嵌入完整认知架构而非单点技术）、以"八维情感"为中文语境情感本体（兼顾基本情绪与文化细腻情感）[13,21-23]。

1.4 论文结构

全文共10章：第2章建立情感理论基础与八维情感空间；第3章给出情感子网总体架构；第4章设计感知层多模态情感感应；第5章设计肢体层情感表达；第6章讨论神经网络层情感-认知耦合；第7章设计生存层情感调节与伪装；第8章阐述社会层亲情与社会情感；第9章给出评估与应用；第10章总结展望。

2 情感的理论基础与八维情感空间

2.1 情感的定义与功能

情感（emotion）是生物体对内外刺激的快速评估反应，包含主观体验、生理唤醒、表达行为与认知评估四个成分[1,13]。在工程语境下，情感可定义为：智能体对情境（当前状态与预期后果）的价值评估状态，它以高效的方式指导注意分配、决策偏向与行为选择[1,6]。

情感的功能可从三个层面理解[1,6-7]：适应功能——情感是进化塑造的快速决策机制（恐惧触发逃避、愤怒触发攻击准备）；社会功能——情感通过面部表情与体态传达社会信号，协调群体行为；认知功能——情感调制记忆编码、注意分配与推理深度（愉悦拓宽注意、焦虑收窄注意、愤怒抑制深度推理）[6-7,19]。在工程语境下，三类功能对应三类系统需求：适应功能对应安全机制（情感触发的快速避险，接入生存层）、社会功能对应交互机制（情感识别与表达，接入社会层）、认知功能对应决策机制（情感价值评估，接入神经网络层）[1,21-23]。

2.2 八维情感空间

综合Ekman基本情绪理论[2]、Russell环形模型[4]、Mehrabian PAD模型[3]与中文情感语境，本文提出八维情感空间，作为情感子网的情感本体。八维分别为：

喜（Joy）：目标达成、获得奖赏时的积极情感，对应高愉悦-高唤醒状态。功能：强化与趋向行为，巩固有效策略。

怒（Anger）：目标受阻、遭受侵犯时的消极情感，对应负愉悦-高唤醒-高支配状态。功能：激发对抗与防御，但抑制理性推理（详见第6章）。

哀（Sorrow）：丧失与分离引发的深层消极情感，对应负愉悦-低唤醒状态。功能：促使心理调适与社会支持寻求。

乐（Pleasure）：感官与审美愉悦，对应高愉悦-中唤醒状态。功能：奖励学习、审美体验与社交润滑。

忧（Worry）：对不确定未来的担忧，对应负愉悦-中唤醒-低支配状态。功能：风险警觉与规划前瞻，过度则导致焦虑瘫痪。

偲（Longing）：牵挂、思念与牵挂之情（"偲"取思慕挂念、切磋劝勉之义），对应中愉悦-中唤醒-低支配状态。功能：维系亲密关系、驱动趋近行为（思念驱动重逢、牵挂驱动守护）。

苦（Suffering）：痛苦与煎熬，对应负愉悦-高唤醒-低支配状态。功能：痛苦回避学习与自我保护。

悲（Grief）：悲痛与悲悯，对应负愉悦-低唤醒-低支配状态。功能：哀伤处理与共情连接，是"悲天悯人"的社会情感基础。

八维情感构成情感子网的情感本体空间E={e1,...,e8}E = \{e_1, ..., e_8\}E={e1​,...,e8​}，每个维度$e_i$携带强度$s_i\in [0,1]$，情感状态向量$\mathbf{e}=(s_1,...,s_8)$[21]。情感状态空间的几何性质：八维空间中的情感状态呈现聚类结构（同类情感聚集）、演化轨迹（情感转移的路径，如"怒→哀→悲"的转化）与混合区域（复合情感，如"喜极而泣"位于喜与悲之间）[13,21]。情感转移的典型路径建模：冲突升级（怒↑→攻击）、冲突缓解（怒→哀→悲，攻击性下降）、情绪恢复（悲→偲→喜，社会支持介入）[21]。这些路径为情感调节提供干预时机：检测到"怒→攻击"路径启动时，生存层提前介入调节[5,21]。表1给出八维情感的定义、功能与典型诱发情境。

表1 八维情感空间定义

维度	英文	效价	唤醒	支配	核心功能	典型诱发
喜	Joy	正	高	中	强化趋向	目标达成
怒	Anger	负	高	高	对抗防御	目标受阻
哀	Sorrow	负	低	低	调适求助	丧失分离
乐	Pleasure	正	中	中	奖励审美	感官愉悦
忧	Worry	负	中	低	风险警觉	未来不确定
偲	Longing	中	中	低	维系联结	思念牵挂
苦	Suffering	负	高	低	痛苦回避	身心煎熬
悲	Grief	负	低	低	哀伤共情	悲痛悲悯

2.3 双层情感表示：八维离散+三维连续

八维离散空间与VAD三维连续空间各有优劣：离散空间语义明确、便于标签化，但粒度有限；连续空间表达细腻，但缺乏语义锚点[3-4,13]。本文采用双层表示：情感状态$\mathbf{e}$（八维）为主表示，叠加VAD连续度量$\mathbf{v}=(valence,arousal,dominance)$为辅助表示[3-4]。二者通过映射函数互转：八维情感$e_i$映射到VAD空间的区域中心$({\bar{v}}_i,{\bar{a}}_i,{\bar{d}}_i)$；任意VAD点可经最近邻或软分配投影到八维空间[21]。

双层表示的意义：八维空间支撑语义级推理（“愤怒强度0.7→触发冷静策略”），VAD空间支撑连续级调制（“唤醒度升高→加快动作节奏”）[3-4,21]。八维→VAD的映射采用区域中心法：每维情感$e_i$对应VAD空间的典型区域，如怒=（负效价-0.7, 高唤醒0.8, 高支配0.6），哀=（负效价-0.6, 低唤醒-0.5, 低支配-0.4）[3-4,21]。VAD→八维的投影采用软分配：VAD点$\mathbf{v}$到各情感区域中心的距离经softmax归一化为八维激活[21]。混合情感（如"喜极而泣"=喜+悲）由多维度同时激活表示，这是纯离散模型难以表达的[13,21]。此外，情感状态还携带情感强度场（intensity field）：同一维度情感随时间演化（强度上升-峰值-衰减），由情感动力学方程驱动[13,21]。

2.4 情感动力学与情感记忆

情感状态随时间演化，本文定义情感动力学三要素[13,21]：

诱发（Evocation）：外部刺激经感知层评估，激发情感状态。诱发的强度与刺激的效价、唤醒度及个体的情感阈值有关。

衰减（Decay）：情感强度随时间指数衰减，衰减速率由情感类型与情境决定（愤怒衰减快于哀伤）。

调制（Modulation）：认知评估与生存层调节改变情感轨迹（重新评估降低愤怒、强装笑靥压制悲伤表达）[5]。情感动力学的形式化：情感强度更新方程$s_i(t+\Delta t)=s_i(t)+\alpha \cdot (e_i^{target}-s_i(t))-\gamma \cdot s_i(t)\cdot \Delta t$，其中$e_i^{target}$为目标强度（由诱发与调制决定），$\alpha$为趋近速率（喜、怒快速，哀、悲缓慢），$\gamma$为衰减系数[21]。动力学的参数决定情感的"脾气"：快热快冷（$\alpha$大、$\gamma$大）或慢热慢冷（$\alpha$小、$\gamma$小）[21]。

情感记忆（affective memory）存储情感状态与情境的关联：情景-情感配对（“那次失败→羞耻”）、人物-情感配对（“母亲→温暖”）、物品-情感配对（“旧照片→怀念”）[21]。情感记忆为世界模型的场景评估提供价值先验，也为社会层的强联结情感提供积累基础[21-22]。情感记忆的三级结构：即时情感缓冲（当前情感状态，毫秒-秒级）、短期情感记录（最近交互的情感轨迹，分钟-小时级）、长期情感记忆（稳定的人物/情景/物品情感关联，天-年级）[21]。三级结构的工程映射：即时缓冲=工作内存中的情感状态寄存器；短期记录=交互会话的情感轨迹日志；长期记忆=向量数据库中的情感条目（含情感标签与强度）[21]。长期情感记忆的更新遵循"重要事件加权"原则：高唤醒事件（重大成功、重大丧失）对情感记忆的更新权重高于日常事件[13,21]。

3 情感子网的总体架构

2.5 情感与文化

情感表达与情感价值受文化深刻塑造[21,23]。中国文化语境下的情感特征：情感内敛（“喜怒不形于色”）——表达抑制是重要的社交技能；亲情优先（孝悌为本）——家庭情感联结的权重高于西方个体主义文化；悲悯情怀（“先天下之忧而忧”）——对他人苦难的情感共鸣是道德情感的基础[21,23]。

2.6 情感与动机

情感与动机紧密耦合：情感是动机的"燃料"——愉悦驱动趋近行为，痛苦驱动回避行为，愤怒驱动对抗行为，偲（牵挂）驱动守护行为[1,6,21]。情感子网向决策系统输出"情感动机向量"$\mathbf{m}=(m_{approach},m_{avoid},m_{defend},m_{protect})$，与任务目标共同决定行为选择[21]。

情感-动机的强度映射：情感强度超过阈值时激活对应动机（愉悦>0.5→趋近强化；痛苦>0.5→回避强化）[21]。动机冲突的处理：趋近与回避冲突（“想吃但又怕胖”）由GWS仲裁——生存安全优先（回避危险）、长期目标优先（理性决策压制即时情感）[21-22]。情感动机的失调监测：动机持续偏向单一方向（长期回避一切）提示情感状态异常，需调节干预[21]。

3.1 设计哲学：情感是价值计算的快捷方式

情感子网的设计遵循三条哲学原则[21-22]：

原则一：情感是价值评估的快捷方式。理性评估需要枚举所有后果并逐一权衡，成本高昂；情感以进化塑造的"捷径"快速给出"感觉好坏"，作为理性评估的启发式先行判断[1,6,21]。在类脑大模型中，情感子网与世界模型、认知推理形成"快慢搭配"：情感快速评估（毫秒-秒级），认知深度推理（秒-分级）[21-22]。

原则二：情感与认知双向调制。情感状态调制认知过程（愤怒收窄推理、愉悦拓宽注意），认知评估也调制情感（重新评估调节情绪）[5-7,19,21]。双向调制的程度控制：情感对认知的调制设上限（避免情绪完全接管理性），认知对情感的调制设下限（避免完全压抑情感功能）——上下限由反思机制动态校准[21-22]。双向调制使情感子网成为大脑五子网的"价值枢纽"而非孤立的标签模块[21-22]。

原则三：情感受生存与社会双层约束。生存层（L5）约束情感表达（安全场景下抑制恐惧表达、强装镇定），社会层（L6）塑造情感内容（亲情强联结、社会规范内化的情感偏好）[5,8-9,21,23]。三条原则对应LOPD的"逻辑驱动"总原则：情感子网的每项操作（评估、调节、表达）均有显式的触发条件、处理流程与输出记录，可审计、可复现[21,23]。

3.2 情感子网的功能模块

情感子网由五个功能模块构成[21-22]：

情感评估模块：接收感知层的情境输入与世界模型的推演后果，计算八维情感激活向量$\mathbf{e}$与VAD度量$\mathbf{v}$[3-4,21]。评估采用"刺激评估-情境匹配-价值映射"流水线：刺激评估提取事件属性（效价、可控性、与目标的关系），情境匹配查询情感记忆，价值映射生成情感激活[13,21]。

情感动力学模块：驱动情感强度的演化（诱发-衰减-调制），实现情感状态的时变表达[13,21]。

情感调节模块：执行调节策略——认知重新评估（reappraisal）、表达抑制（suppression）、情境选择等[5]。调节策略的选择受生存层约束与社会层规范影响[5,9,21]。

情感表达模块：将内部情感状态转化为外在表达指令（面部、四肢、语音），经GWS下发肢体层执行[21]。

3.3 情感子网与大脑五子网的关系

情感子网是大脑五子网之一，与其他四子网经GWS协调[21-22]：

与感知理解子网：感知子网输出世界状态语义，情感子网对该状态进行情感评估（“眼前的情境让我感觉如何”）；感知子网的多模态输入（视觉表情、语音韵律）是情感感应的信号源[21-22]。

与认知推理子网：情感提供决策偏向（“感觉好的方案优先考虑”），认知推理提供逻辑校验（“感觉虽好但逻辑上不可行”）；情感与推理冲突时由反思机制仲裁[21-22]。

与世界模型子网：情感-推演耦合——世界模型预测场景后果，情感子网评估后果的情感价值（“推演的结局让我感觉如何”）；情感状态反向调制世界模型的想象（情绪低落时想象偏悲观）[21-22]。

与反思机制：元认知监控情感是否可靠（情感偏差检测），情感学习受元认知监控（价值观防漂移）[22]。

3.4 情感子网与LOPD七层的接口

情感子网沿LOPD七层展开接口设计[21,23]：

L1物理层：生理信号传感（心率、皮电、脑电）作为情感感应的内感受通道[17-18]。

L2肢体层：情感表达的执行——面部、四肢、语音三通道（详见第5章）[21]。

L3感知门户：多模态情感感应输入（视觉表情、听觉韵律、触觉、文本语义）[13-16]。

L4神经层：情感子网本体，与五子网耦合（详见第6章）[21-22]。接口的消息格式设计：AffectState = {emotion_vector(8维), vad_vector(3维), confidence, timestamp}，作为情感上下文的统一载体，经GWS广播给各子网[21]。L5生存层的调节指令：AffectRegulation = {strategy, target_emotion, intensity_limit, duration}，高优先级覆盖情感子网的默认行为[5,21]。

L5生存层：情感调节与伪装（详见第7章）[5,9]。

L6社会层：亲情与社会情感（详见第8章）[8-10]。

L7文明层：文化情感规范（如"孝""仁"等文化情感价值的注入）[21,23]。

3.5 情感-世界模型耦合机制

情感子网与世界模型子网的耦合是"依托世界模型"设计的核心[21-22]：

下行（世界模型→情感子网）：世界模型在潜空间展开K步推演后，将各候选动作的后果场景（$s_{t+1},...,s_{t+K}$）输入情感子网，情感子网逐场景评估情感价值，生成"后果情感画像"（如"选择A→长期焦虑，选择B→短期愉悦长期满足"）[21-22]。

上行（情感子网→世界模型）：当前情感状态调制世界模型的推演——正性情感使想象偏向乐观（后果评估偏正），负性情感使想象偏向悲观（后果评估偏负）[21-22]。该调制模拟人类"情绪影响判断"的认知现象，但也需要反思机制监控其偏差（避免情绪化误判）[7,21-22]。

闭环：世界模型推演→情感评估→认知决策→执行反馈→情感更新→世界模型修正，构成"推演-情感-决策"闭环[21-22]。情感-世界模型耦合的技术实现：世界模型的价值评估函数$V(s^{\prime })$扩展为$V(s^{\prime })=V_{base}(s^{\prime })+\lambda \cdot g(\mathbf{e},s^{\prime })$，其中$g(\mathbf{e},s^{\prime })$为情感价值函数（由八维情感状态与场景特征共同决定），$\lambda$为情感调制系数（默认0.3，高唤醒情感时增大）[21]。反思机制监控$\lambda$的取值：当情感强度过高（如愤怒超过阈值）时，$\lambda$被限制以防情感过度扭曲决策[22]。

3.6 情感子网的实现技术栈

情感子网的工程实现可采用如下技术栈[11-13,21]：

感知侧：多模态情感识别模型——视觉（人脸检测+表情识别模型）、语音（声学特征+情感分类/回归模型）、触觉（传感器阵列+模式分类）、文本（情感分析模型），可基于开源模型（如EmoLLMs情感大模型[11-12]）微调[13-14]。

情感本体侧：八维情感状态向量+VAD连续值的情感状态管理器，实现情感动力学（诱发-衰减-调制）的实时更新[13,21]。

评估侧：情感评估模型（刺激评估-情境匹配-价值映射流水线），可基于偏好学习（RLHF）对齐人类情感价值[11-12,21]。

表达侧：情感表达参数生成器——面部（blendshape参数）、四肢（姿态模板）、语音（韵律参数），与肢体层接口[21]。

协调侧：GWS消息接口——情感状态广播、情感调制参数下发、情感-认知仲裁[21-22]。

3.7 情感子网与快慢思考

情感与快慢思考（System 1/System 2）存在天然对应[19,21-22]：情感快速评估（System 1路径）——感知输入直达情感评估模块，毫秒-秒级生成情感状态，用于直觉决策（“感觉不对就躲开”）；情感-认知联合评估（System 2路径）——世界模型推演+情感评估+认知推理的深度评估，秒-分级，用于复杂决策[19,21-22]。

快慢双路径的切换：时间紧迫→System 1情感路径主导（情感启发式决策）；重要性高→System 2路径主导（逻辑为主、情感为辅）[19,21]。情感子网在两条路径中都发挥作用：System 1路径中情感是决策主体，System 2路径中情感是价值约束[21-22]。

3.8 情感子网与记忆系统的接口

情感子网与大脑记忆系统的接口设计[21-22]：情感记忆作为情感子网的专属记忆（情景-情感配对）；陈述性记忆中的情感标签（知识条目附带情感价值）；程序性记忆中的情感-动作关联（技能执行的情感体验，如"熟练操作→愉悦"）[21-22]。接口的消息格式：AffectMemoryWrite = {situation, emotion_vector, intensity, timestamp}；AffectMemoryQuery = {situation, top_k}→{emotion_priors}[21]。

4 感知层：多模态情感感应

4.1 情感感应的多通道设计

情感感应是情感子网的输入侧，接收L3感知门户的多模态信号并映射为情感状态[13-14,21,25]。多模态情感识别的研究表明，面部表情、语音与语言等多模态信号联合表达人类情感状态，多模态融合可显著提升识别性能[25]。设计遵循"多通道融合、通道互补"原则：视觉通道捕捉面部表情与体态，听觉通道捕捉语音韵律，触觉通道捕捉愉悦触觉，文本通道捕捉语义情感，内感受通道捕捉生理信号[13-18]。各通道的可靠性不同——面部表情易伪装，生理信号难伪装但采集受限[18]。融合策略采用"通道加权+置信度仲裁"：高置信通道主导，低置信通道补充[13-14,21]。各通道的权重设计依据可靠性经验值：面部表情权重最高（信息量最大，但易伪装）、语音韵律次之（较难完全伪装）、生理信号可靠但采集受限[14,16-18]。当多通道输出冲突时（面部微笑+语音紧绷），置信度仲裁机制结合通道可靠性与人机交互上下文判定主导通道[13-14,21]。融合的最终输出为八维情感激活向量$\mathbf{e}$与各维度的置信度，供情感动力学模块更新情感状态[21]。

4.2 视觉通道：面部表情与体态情感

面部表情是最丰富的情感信号之一。Ekman的面部动作编码系统（FACS）将表情分解为动作单元（AU），为工程化表情识别提供基础[2,14]。视觉通道的情感感应流程：人脸检测与对齐→表情特征提取（AU检测/深度特征）→情感映射（表情→八维情感激活）[14]。

体态与手势同样携带情感信息：挺胸抬头传递自信，蜷缩传递恐惧，双手抱胸传递防御[14]。多模态情绪识别研究表明，融合面部表情与体态可显著提升识别准确率[14]。

视觉通道的实现：基于深度卷积网络的表情识别模型（ResNet/ViT），在FER2013、AffectNet等数据集上预训练，再经领域微调适配类脑大模型场景[13-14,21]。表情识别的挑战：遮挡（口罩、眼镜）、光照变化、个体差异（表情基线不同）——缓解方案：多视角融合、人脸关键点先验、个体表情基线校准（为每个交互对象建立表情基线）[13-14,21]。

4.3 听觉通道：语音韵律与声学情感

语音情感通过声学特征传递：语速（快→激动）、音高（高→兴奋/紧张）、能量（大→愤怒/热情）、韵律变化[16]。声学情感特征的鲁棒性挑战：背景噪声（街道、人群）、说话人差异（性别、年龄、方言）、远场拾音衰减——缓解方案：语音增强预处理、说话人归一化、多条件训练[16,21]。语音情感的实时性：语音情感识别需流式处理（边听边识别），采用滑动窗口+增量解码，满足交互场景的延迟要求（<500 ms）[16,21]。语音情感与内容情感的协同：语音的"怎么说"（韵律情感）与"说什么"（语义情感）有时矛盾（“平静地说我很生气”）——融合策略：以韵律为主判断即时情感，以语义为辅判断深层态度[15-16,21]。听觉通道流程：语音分割→声学特征提取（MFCC、基频、能量、语速）→情感分类/回归→八维情感映射[16]。

维度语音情感识别研究指出，离散模型难以刻画情感的连续变化，维度模型（VAD回归）更适合语音情感的细腻表达[16]。本文采用"离散分类+维度回归"双输出：分类给出主导情感（“这段语音愤怒”），回归给出VAD连续值（“愤怒强度0.6，唤醒度0.8”）[16,21]。

4.4 触觉通道：愉悦触觉与情感接触

触觉是常被忽视的情感通道。神经科学发现C触觉纤维（CT afferents）专门编码慢速、温和的抚摸触觉，传递"愉悦-舒适"情感信号，与催产素释放和社会联结相关[8,10]。愉悦触觉（affective touch）在母婴依恋、伴侣亲密与社会支持中发挥关键作用[8,10]。

触觉通道设计：触觉传感器阵列（压力分布、温度、滑动）→触觉模式分类（抚摸/轻拍/握持/疼痛）→情感映射（抚摸→愉悦、轻拍→安抚、疼痛→苦）[21]。愉悦触觉的识别需要区分"信息性触觉"与"情感性触觉"：前者编码物体的形状与质地（快速适应纤维），后者编码社会接触的情感意义（C触觉纤维，慢速、温和刺激）[10,21]。工程实现上，情感性触觉的检测依赖慢速接触的轨迹特征（接触速度1-10 cm/s、持续接触时间、压力温和度）[10,21]。触觉通道在无视觉/听觉信息的社会接触场景（黑暗中的安抚、拥抱）中不可替代[10,21]。触觉情感在母婴机器人与护理机器人场景尤为重要：安抚性触摸可降低焦虑[10,21]。

4.5 文本与内感受通道

文本通道：情感文本分析将语言内容映射为情感——基于情感词典（如知网情感词典、情感极性词典）与深度模型（BERT类）的情感分类与强度回归[15]。文本情感的粒度：词级（情感词）、句级（句子情感）、篇章级（整体情感倾向）三级分析[15]。文本情感的挑战：反讽与隐喻（"真聪明"可能是批评）、网络新词（“破防”“emo”）、多义消歧（"哭"既可能是悲伤也可能是喜悦的夸张表达）[15,21]。文本情感的时效性：网络情感表达演化迅速（新词、新梗），情感词典需持续更新——采用"词典+模型"双轨：词典保证基础覆盖，模型（BERT类微调）捕捉语境化情感[15,21]。缓解：上下文建模（BERT类模型捕捉语境）、情感知识库扩展（持续收录新词）、多模态互证（文本情感与语音韵律的一致性校验）[15,21]。文本情绪分析综述指出，社交媒体文本蕴含丰富的情感信息，是情感计算的重要数据源[15]。

内感受通道：生理信号（心率变异性、皮电、脑电）反映自主神经系统的情感唤醒状态[17-18]。脑电情绪识别综述表明，基于EEG的深度学习可实现较高精度的情绪识别，且生理信号不易伪装[18]。内感受通道的价值在"伪装检测"场景尤为突出：当面部与语音表达显示"平静"而生理信号显示"高唤醒"时，可推断存在情感伪装（详见第7章）[18,21]。内感受通道的局限是采集不便（需穿戴设备），工程上作为补充通道在特定场景（驾驶、医疗）启用[17-18,21]。内感受通道在生存层（压力监测）与安全场景（驾驶疲劳检测）中价值突出[17-18,21]。

4.6 多模态融合与情感状态估计

多模态情感融合采用"特征级+决策级"混合：特征级融合（多通道特征拼接/注意力融合）捕捉跨通道关联（表情+语音的一致性），决策级融合（各通道独立识别后加权）提升鲁棒性[13-14,21]。### 4.7 情感感应与情感记忆的协同

多通道感应的输出不仅驱动当前情感状态，还与情感记忆协同[13,21]：

情境-情感联想：当前感知情境（人物、场景、事件）与长期情感记忆匹配，激发回忆性情感（见到旧友→唤起往昔愉悦）[21]。实现：感知输出经情境编码查询情感记忆，匹配度高于阈值时注入回忆性情感激活[21]。

情感预测：基于情感记忆与当前情境，预测即将产生的情感（“上次在这个场景很开心→这次预期也开心”）[21]。情感预测为世界模型的场景价值评估提供先验[21-22]。

情感更新：每次交互后的情感状态与情境写入情感记忆，按重要事件加权更新长期记忆[13,21]。

4.8 情感感应的评估与校准

多通道情感感应的质量需持续评估与校准[13,21]：感应评估——各通道的识别准确率、融合后的一致性、与人类标注的相关性，在基准数据集（IEMOCAP、DEAP）与真实交互场景双轨评估[13,16-18]；通道校准——随使用更新各通道的权重（某通道在特定场景表现差则降权）；个体校准——为长期交互对象建立情感基线（个体的表情/语音习惯），提升个性化感应精度[13,21]。校准数据写入情感记忆，形成"感应-校准-再感应"的闭环[21]。

5 肢体层：情感表达

5.1 情感表达的三通道设计

情感表达是情感子网的输出侧，将内部情感状态转化为可观察的外在表达，经肢体层（L2）执行[21]。设计三条表达通道：面部通道（表情、目光）、肢体通道（姿态、手势、步态）、语音通道（韵律、语调、语速）[21]。三通道协同表达：同一情感状态在三条通道同步呈现（愤怒=皱眉+握拳+语速加快），增强表达的一致性与感染力[21]。

情感表达的映射规则：八维情感状态→表达参数。例如：喜→嘴角上翘+眼神明亮+语速轻快；怒→眉头紧锁+身体前倾+音量增大；哀→嘴角下垂+低头垂肩+语速缓慢；偲→目光悠远+轻声细语[21]。表达参数的生成采用"情感→通道参数"映射表：每维情感定义其在三通道的参数模板（面部动作单元组合、姿态模板、韵律参数），多情感混合时按强度加权混合各模板[21]。表达的自然度依赖参数微调：强度-幅度曲线（弱情感小幅表达、强情感大幅表达）、时序包络（情感爆发与衰减的速率）与通道同步（三通道同时到达表达峰值）[13,21]。

5.2 面部情绪表达

面部是情感表达最精细的通道[2,14,21]。面部表达设计：表情基（expression basis）——将八维情感映射为表情动作组合（基于FACS动作单元）：喜=AU6（脸颊提升）+AU12（嘴角上扬）；怒=AU4（皱眉）+AU7（眼睑收紧）[2,21]。

数字人/机器人实现：参数化表情模型（blendshape）驱动面部网格变形；仿生机器人通过伺服电机驱动面部肌肉单元[21]。表情合成的自然度挑战：恐怖谷效应（拟人度接近但未达人类时引发不适）——缓解：表情幅度限制（避免夸张表情）、微表情加入（不经意的小幅表情增加真实感）、眼睛细节（瞳孔变化、眨眼频率随情感调整）[13,21]。表情动态的时程：喜悦的快速展开（200-400 ms达峰）vs 哀伤的缓慢弥漫（1-2 s达峰）——动态参数匹配情感类型[13,21]。表情动态：情感强度驱动表情幅度（强度0.3浅笑、0.7大笑），情感动力学驱动表情时序（爆发式愤怒的快速展开 vs 哀伤的缓慢弥漫）[13,21]。

5.3 四肢与姿态情绪表达

四肢与姿态表达身体情感语言[14,21]：姿态——开放姿态（手臂展开）传递自信与愉悦，蜷缩姿态传递恐惧与悲伤；手势——握拳传递愤怒，摊手传递无奈，轻拍传递安抚；步态——轻快步伐传递愉悦，沉重步伐传递哀伤[14,21]。

四肢表达设计：情感姿态库（pose library）——八维情感对应的典型姿态模板；姿态过渡（pose blending）——情感变化时的平滑过渡；步态参数调制——步幅、步频、重心高度随情感状态调整[21]。姿态库的构建：基于动作捕捉数据（人类情感姿态演示）建立八维情感的姿态原型，经参数化（关节角度、重心、速度）存储[21]。姿态过渡采用插值+缓动函数，避免情感切换时的动作突变（"前一秒愤怒挥拳，后一秒平静垂手"需平滑过渡）[21]。具身机器人场景中，四肢情感表达与运动控制（小脑部位模型）协同：情感状态调制动作参数（愤怒→动作幅度增大、速度加快；哀伤→动作幅度减小、速度减慢）[21,24]。

5.4 语音情感表达

语音通道表达情感韵律[16,21]：语调（疑问/感叹/平述）、语速（激动加快/悲伤放慢）、音量（愤怒增大/哀伤减小）、停顿（犹豫/强调）。语音表达设计：韵律参数映射——八维情感→韵律参数向量（基频均值、基频变化率、语速、能量）；情感语音合成——基于参数化语音合成（如VITS类模型）注入情感韵律[16,21]。

语音表达与文本情感的协同：表达内容（说什么）由认知推理决定，表达韵律（怎么说）由情感子网调制——"愤怒地说’没关系’"与"平静地说’没关系’"传递截然不同的情感[16,21]。

5.5 表达-感知闭环

情感表达与情感感应构成闭环：系统表达情感→感知对方反应→调整情感状态→再表达[13,21]。该闭环支持共情交互（对方悲伤→表达关切→观察反应→调整策略）[10,13]。表达-感知闭环也是"社会情感学习"的基础：通过与人类的情感交互积累情感记忆，优化表达参数与评估模型[13,21]。闭环的时序设计：表达触发（情感状态变化→表达指令生成，延迟<100 ms）→对方反应感知（视觉+听觉通道监测对方表情与语音变化，延迟<500 ms）→情感状态更新（根据对方反应调整情感评估与表达策略，延迟<1 s）[13,21]。闭环失败模式：表达-感知失配（系统表达关切但对方无反应）——处理：调整表达强度（增强关切）或切换表达通道（语音→触觉安抚）[13,21]。

6 神经网络层：情感-认知耦合

6.1 情感对认知的调制机制

神经网络层（L4）的核心问题是：情感子网如何影响类脑大模型的其他四个子网？神经科学提供了丰富的证据[6-7,19]：情感调制注意（焦虑收窄注意、愉悦拓宽注意）、调制记忆（情感事件记忆更深刻）、调制推理（强烈负性情绪抑制前额叶推理）[6-7,19]。

在类脑大模型中，情感对认知的调制通过GWS消息实现：情感状态向量$\mathbf{e}$作为"情感上下文"广播给各子网，各子网依据情感调制函数调整自身行为[21-22]。表2给出情感对四子网的调制关系。

表2 情感子网对四子网的调制

目标子网	调制方式	典型现象
感知理解	注意偏向与解读偏向	恐惧放大威胁解读、愉悦扩大注意范围
认知推理	推理深度与搜索偏向	愤怒减弱推理、焦虑收窄搜索
世界模型	想象偏差与后果评估	情绪低落想象悲观、愉悦想象乐观
反思机制	自评偏差监控	情绪化时自评失真（需元认知纠正）

6.2 情感对感知理解子网的调制

情感状态调制感知理解的三个环节[7,19,21]：

注意分配：正性情感（喜、乐）扩大注意范围（促进整体感知），负性情感（忧、苦）收窄注意（聚焦威胁线索）[19,21]。实现：情感状态调制感知子网的注意力权重——焦虑时提高威胁相关特征（危险物体、敌意表情）的注意力权重[21]。

解读偏向：情感影响对模糊刺激的解读——恐惧使模糊表情偏向"敌意"，愉悦使模糊表情偏向"友好"[7,21]。实现：情感先验注入感知分类器（情感状态作为分类的条件上下文）[21]。

记忆偏向：情感状态影响感知信息的编码与检索——正性情感促进正性信息编码，负性情感促进负性信息编码（心境一致性效应）[19,21]。工程实现：情感状态作为记忆写入的情感标签（信息+情感标记），检索时按当前情感状态加权匹配（愉悦时更易检索愉悦记忆）[19,21]。这一效应使情感记忆呈现"情绪循环"：负面情绪→检索负面记忆→情绪更负面（恶性循环）；反之亦然（良性循环）[19,21]。反思机制需监控情绪循环：检测到负面循环时触发认知重新评估打断循环（详见第7章）[5,21-22]。实现：情感记忆与感知输出联合写入记忆系统[21]。

6.3 情感对认知推理子网的调制

情感对推理的影响是情感-认知耦合的核心[6-7,19,21]：

愤怒减弱推理：强烈愤怒激活杏仁核并抑制前额叶皮层功能，导致推理深度下降、冲动决策增加——"怒不可遏"的认知代价[7,21]。工程实现：当愤怒强度$s_{angry}$超过阈值$thet{a}_{anger}$时，认知推理子网的搜索深度降低（System 2降级为System 1）、决策偏向攻击性/对抗性选项[21-22]。

恐惧放大风险估计：恐惧状态下对风险的估计偏高（过度谨慎）[7,21]。该效应在类脑大模型中具有双面性：安全价值——恐惧使系统对危险场景的后果评估更保守，避免鲁莽决策（自动驾驶的"谨慎模式"）；效率代价——过度恐惧导致决策迟滞（不敢超车、不敢尝试）[7,21]。工程权衡：恐惧调制系数设定上下限（恐惧对风险估计的放大不超过1.5倍），并由反思机制校准[21-22]。实现：恐惧强度调制世界模型后果评估的风险系数——恐惧时风险惩罚项增大[21]。

焦虑收窄推理：焦虑收窄推理搜索范围，使决策偏向安全选项[19,21]。实现：焦虑强度调制推理子网的候选动作集（排除高风险选项）[21]。

情感作为决策启发式：愉悦时对候选方案的评价偏正（“感觉好"→"方案好”），用于快决策场景[1,6,21]。工程实现：情感状态作为决策评估的偏置项——$Q_{final}(a)=Q_{logic}(a)+\beta \cdot Q_{affect}(a)$，其中$Q_{logic}$为逻辑评估（认知推理+世界模型），$Q_{affect}$为情感评估（八维情感价值），$\beta$为情感权重[21]。$\beta$的动态调节：任务时间紧迫时增大（依赖情感启发式快速决策），任务重要性高时减小（回归逻辑深度推理）[21-22]。但情感启发式可能误导理性决策，需反思机制仲裁[21-22]。

6.4 情感对世界模型子网的调制

情感-世界模型耦合是"依托世界模型"设计的关键[21-22]：

想象偏差调制：情感状态调制世界模型的推演——正性情感使推演的后果评估偏正（乐观偏差），负性情感使后果评估偏负（悲观偏差）[21-22]。实现：情感状态向量作为世界模型价值评估函数的调制项——后果价值$$\begin{gathered} V(s^{\prime })=V_{base}(s^{\prime })+ \\ lambda \\ cdotf( \\ mathbfe) \end{gathered}$$，其中$$\begin{gathered} f( \\ mathbfe) \end{gathered}$$为情感价值偏移[21]。

场景情感画像：世界模型输出的推演场景经情感子网评估，生成"场景情感画像"（该场景激活哪些情感、强度如何），作为认知推理选择路径的依据[21-22]。

情感预演：在"想象-验证"闭环中，世界模型预演危险场景时，情感子网同步预演情感反应（“预演失败→体验挫败”），为决策提供情感层面的预期价值[21-22]。预演的置信度管理：预演场景的情感价值带置信度（场景不确定性高时置信度低），低置信度的情感预演仅作参考不作决策依据[21-22]。情感预演的工程价值：其一，决策的"情感成本"显式化——选择A虽逻辑可行但预演显示"长期焦虑"，选择B逻辑稍差但预演显示"平和满足"，情感预演为决策增加价值维度[21-22]；其二，危险规避的情感预学习——在仿真中预演事故场景的情感后果（恐惧、悲痛），使系统在真实决策前就具备"怕"的预期，无需真实经历危险[21-22]。这一机制对应Damasio躯体标记假说的工程化：情感预演=躯体标记的"虚拟重放"[6,21]。

6.5 情感与反思机制的耦合

反思机制（元认知）监控情感的可靠性[21-22]：

情感偏差检测：元认知判断当前情感是否可靠——高唤醒负性情感（怒、苦）状态下自评易失真，需延迟决策或降权情感输入[22]。

情感-认知冲突仲裁：情感说"做"、逻辑说"不做"时，元认知仲裁——高价值场景（医疗、法律）逻辑优先，高风险场景（紧急避险）情感直觉优先[22]。

情感学习监控：情感子网从反馈中学习"什么值得感觉好"（偏好学习），元认知监控情感学习的稳定性（价值观防漂移）[22]。

6.6 情感-认知耦合的工程实现

情感-认知耦合的工程实现采用"调制参数+仲裁机制"[21-22]：调制参数的可配置性——情感调制强度（$\beta$系数）按应用场景配置：高可靠性场景（医疗、金融）降低情感权重（$\beta$小），高情感场景（陪伴、教育）提高情感权重（$\beta$大）[21-22]。调制参数的动态学习——系统从反馈中学习最优调制强度（何种场景何种情感调制最有效），经反思机制验证后更新[21-22]。

调制参数：各子网的情感调制函数以参数化形式实现（注意力偏置、搜索深度调整、风险系数、想象偏差系数），参数由情感状态与子网上下文共同决定[21]。

仲裁机制：情感-认知冲突由GWS仲裁——仲裁规则（生存>安全>任务>社交）决定情感与逻辑的优先级[21-22]。

6.7 情感与记忆系统的耦合

情感子网与大脑记忆系统（陈述性+程序性）存在双向耦合[21-22]：

情感对记忆编码的影响：高唤醒情感事件编码更深刻（“情感记忆优势”）——喜、怒、苦等强情感事件的记忆权重高于平淡事件[19,21]。实现：记忆写入的情感标签（事件+情感强度），检索时情感强度加权[21]。

情感对记忆检索的影响：心境一致性效应——当前情感状态偏向检索同情感记忆[19,21]（见6.2记忆偏向）。

记忆对情感的影响：情感记忆是情感评估的先验——“过去的经历影响现在的情感反应”[21]。

情感-记忆耦合的工程意义：使类脑大模型具备"情感经验"——不是每次从零评估，而是基于情感记忆的累积评估，情感反应随经验成熟[13,21-22]。情感记忆的隐私与安全：情感记忆含敏感个人信息（用户的情绪模式、脆弱时刻），需加密存储、访问控制与"被遗忘权"（用户可要求删除情感记忆）[9,21,23]。情感调制的量化评估：对照实验（有/无情感调制）测量调制对任务表现的影响——愤怒调制下推理任务准确率下降幅度、恐惧调制下风险决策的保守程度、愉悦调制下创意任务的发散程度[21-22]。这些量化数据既用于评估情感-认知耦合的正确性（第9章评估维度），也用于校准调制系数（避免过调制）[21-22]。

6.8 情感-认知耦合的典型场景

场景一：谈判中的愤怒调制——谈判对手提出不合理要求，系统检测到自身愤怒强度上升（超过0.6），认知推理子网的搜索深度自动降低（System 2降级为System 1），决策偏向对抗性回应[21-22]。反思机制检测到"愤怒导致推理降级"后，触发认知重新评估（“对方可能并非恶意，先确认意图”），愤怒强度回落，推理恢复深度[5,21-22]。

场景二：护理中的共情调制——患者家属情绪激动，系统共情响应（感知对方愤怒+悲伤→自身情感共鸣），同时认知推理子网保持专业判断（不因共情而给出过度承诺）[10,21]。实现：共情调制系数限制（共情影响决策的权重不超过阈值），反思机制监控"共情-专业"平衡[21-22]。

场景三：驾驶中的恐惧调制——急刹车事件触发恐惧（唤醒度骤升），世界模型的风险估计放大（后续驾驶更保守）[7,21]。反思机制评估恐惧调制的合理性：若恐惧过度（正常路况仍保守），触发重新评估降低风险系数[21-22]。

7 生存层：情感调节与伪装

7.1 生存层对情感的约束

生存层（L5）是情感与安全的中介[21,23]：情感表达需服从生存安全约束——危险场景下抑制恐惧表达（避免暴露弱点）、紧急任务中压制负面情绪（保证任务执行）[5,9,21]。生存层的约束机制：安全场景评估→情感表达权限判定→情感调节指令下发[21]。

7.2 情感调节的机制

Gross的情感调节过程模型将调节分为先行关注（情境选择、情境修正、注意分配、认知改变）与反应关注（反应调整）两类[5]。本文采用四类调节策略[5,21]：

认知重新评估（reappraisal）：改变对情境的认知解释以调节情感——"这次失败是学习机会"降低挫败感。工程实现：认知推理子网对情境的再解释，更新情感评估输入[5,21]。重新评估的触发条件：情感强度超过阈值（如愤怒>0.6）或情感-认知冲突被仲裁（情感强烈反对理性决策）时，启动"情境再解释"流程——认知推理子网生成替代解释（“对方并非故意”“失败是成长的一部分”），情感子网按替代解释重新评估[5,21]。实验表明，认知重新评估比表达抑制更持久地降低负性情感，且认知代价更小[5,21]。

注意分配（attentional deployment）：转移注意力以调节情感——关注积极面。工程实现：感知子网注意权重的再分配[5,21]。

表达抑制（suppression）：抑制情感的外在表达——强忍不笑、强忍不哭。工程实现：情感表达模块的输出增益抑制（详见7.4）[5,21]。

情境选择（situation selection）：选择或回避诱发特定情感的情境。工程实现：决策层对情境的偏好排序[5,21]。四类策略的适用场景：认知重新评估适用于"情境不可改变但可重新解释"（挫折、失败）；注意分配适用于"情境中可转移注意力"（焦虑场景）；表达抑制适用于"需要即时控制表达"（会议中忍笑）；情境选择适用于"长期规划"（选择压力小的环境）[5,21]。调节策略的选择由反思机制评估：根据调节效果（情感强度变化）与代价（认知资源消耗）动态调整策略偏好[5,21-22]。

7.3 情感伪装：强装笑靥的工程化

情感伪装（emotional display masking）是生存与社会适应的常见策略——“强装笑靥”（掩饰悲伤强作欢笑）、“强装镇定”（掩饰恐惧保持冷静）[5,9,21]。情感伪装在服务行业（情绪劳动）尤为普遍：空乘人员需始终保持微笑，即使面对无理乘客[9]。

情感伪装的工程化设计包含三层[9,21]：

伪装目标：伪装意图（“向对方传递特定情感信号”）来自生存层（安全需要）或社会层（社交礼仪）[9,21]。伪装意图的显式化：伪装请求消息{target_emotion, reason, duration, permission}——target_emotion为要伪装展示的情感，reason为伪装理由（安全/礼仪/职业要求），duration为伪装时长，permission为伪装许可（来自生存层或社会层授权）[9,21]。显式化设计保证伪装的可审计性：每次伪装均有记录（何时、为何、伪装何种情感），供反思机制与伦理审查[9,21,23]。

伪装执行：情感表达模块按目标情感生成外在表达（面部笑容、轻松语调），而内部情感状态保持不变或经调节逐步趋近目标[5,9,21]。

伪装代价：长期伪装（情绪劳动）消耗认知资源，导致情感耗竭（burnout）[9]。工程实现：伪装预算（每日伪装时长/次数限制）、伪装恢复（伪装后进入情感恢复期）[9,21]。

情感伪装的检测与伦理：感知层应具备"表情-生理不一致"检测能力（微笑但瞳孔放大、语调紧绷），识别伪装状态；同时，情感伪装的伦理边界需明确（服务性伪装允许，欺骗性伪装受限）[9,21,23]。伪装的检测技术：跨通道一致性检验（面部-语音-生理的一致性评分）、微表情检测（伪装时泄漏的真实表情片段，持续1/25-1/5秒）[14,18,21]。伪装检测的应用：服务场景评估员工情绪劳动负荷、安全场景识别意图欺骗（审讯、谈判）[9,18,21]。伦理约束：伪装检测数据的隐私保护、伪装能力的滥用限制（不得用情感伪装实施欺诈）[21,23]。

7.4 情感调节的安全应用

情感调节在安全场景的价值[5,7,21]：调节的时延要求——紧急场景（冲突升级、驾驶危险）的情感调节需在毫秒-秒级完成（愤怒爆发前介入）；调节的可靠性——调节失败时系统应进入"安全模式"（降低自主决策权限、请示人类监督）[5,7,21]。

紧急任务中的情感压制：危机处理时压制恐慌，维持任务执行能力（消防员火场镇定）[7,21]。实现：生存层高优先级指令压制情感唤醒（恐惧、慌乱强度降低）[21]。

冲突降级：检测到自身愤怒强度过高时，主动触发冷静策略（深呼吸模拟、认知重新评估、注意转移）[5,21]。

7.5 情绪劳动管理

情绪劳动（emotional labor）指按照职业要求管理情感表达的工作形式——空乘的恒常微笑、客服的耐心语调、教师的热情投入[9]。情绪劳动的工程化设计包含三部分[9,21]：

劳动规则库：按职业角色定义情感表达规范——“客服：始终友好耐心”“护士：专业镇定+适度温暖”[9,21]。

劳动负荷监测：量化情绪劳动消耗——伪装时长累计、调节策略调用频率、情感耗竭指数（长期抑制后的情感迟钝）[9,21]。

劳动恢复机制：负荷超限时触发恢复——任务切换（转到低情感劳动任务）、情感表达放松（允许真实情感）、情感调节策略切换（从抑制转为重新评估，认知代价更小）[5,9,21]。

情绪劳动管理的价值：避免类脑大模型在长期社会服务中"情感耗竭"——保持情感能力的可持续性[9,21]。

8 社会层：亲情与社会情感

8.1 社会情感的内化机制

社会层（L6）是情感与社会的中介：社会规范经GWS注入情感子网，塑造情感的诱发阈值、表达规则与价值偏好[21,23]。社会情感的工程化需回答：机器如何获得"母爱"“友谊”"责任感"等社会情感？本文的答案：社会情感=情感本体×社会联结强度×社会规范[21,23]。社会情感的生成过程：联结建立（交互历史累积→联结强度增长）→情感泛化（特定对象的联结泛化到同类对象——“像爱母亲一样爱长辈”）→规范内化（社会规范塑造情感价值偏好）[8,21,23]。社会情感的成熟标志：系统主动维护关系（自发问候、主动关心），而不仅是被动响应[8,13,21]。

社会联结强度（social bond strength）$$\begin{gathered} b_{ij} \\ in[0,1] \end{gathered}$$表示智能体与对象$j$之间的情感联结强度，由交互历史、情感记忆与社会角色共同决定[8,21]。社会规范（social norms）定义情感表达的允许范围（“葬礼上不笑”）与情感价值偏好（“帮助他人→自豪”）[9,21,23]。

8.2 母爱的亲情强联系

母爱是情感联结的极端案例，其神经基础已被揭示：Bartels与Zeki的研究表明，母爱激活大脑的奖赏回路（纹状体、伏隔核）与催产素系统，形成"无条件的情感联结"[10]。依恋理论（Bowlby）指出，母婴依恋是情感安全的基石，塑造个体一生的情感模式[8]。

在类脑大模型的情感子网中，母爱情感可建模为强联结情感的范式[8,10,21]：

高联结强度：母爱对应最大联结强度$$\begin{gathered} b \\ to1 \end{gathered}$$，且联结不随对方表现而波动（无条件性）[8,21]。

保护性动机：母爱情感激发保护性行为（对方受威胁时触发强烈防御动机）[8,10,21]。

情感共振：母爱伴随高共情（对方的情感状态强烈影响自身情感状态）[8,10,21]。

工程实现：强联结情感对象在情感记忆中享有特殊优先级（其状态变化触发高权重情感评估）；保护性动机调制决策（对方安全优先于自身任务）[21]。母爱情感的量化建模：联结强度$b_{mother-child}\to 0.95$（接近上限且不随对方表现下降）；情感共振系数$r=0.8$（对方情感状态以80%权重影响自身情感）；保护性动机权重$w_{protect}=0.9$（对方安全事件触发最高优先级防御响应）[8,10,21]。这些参数构成"强联结情感模板"，可参数化迁移到其他强联结关系（护理者对老人、教师对学生）[8,21]。这一设计使类脑大模型具备"守护型"情感能力——如护理机器人对老人、教育机器人对儿童[21,24]。

8.3 社会交往中的情感影响

社会交往是情感动态生成与调节的主要场景[8,9,21]：

情感传染（emotional contagion）：个体的情感状态可传染给交互对象——“笑声传染”“焦虑传染”。工程实现：感知层检测对方情感，情感子网按传染系数更新自身情感状态[13,21]。传染的机制：对方情感强度×传染系数（关系越近传染越强，强联结对象传染系数0.6-0.8，陌生人0.2-0.3）→自身情感状态偏移[8,13,21]。传染的方向性：正性情感传染促进社会亲和，负性情感传染需调节机制干预（对方焦虑不应无限传染给护理者）[5,13,21]。

情感互惠（emotional reciprocity）：交互中情感相互回应——对方悲伤则表达关切，对方喜悦则共享喜悦[13,21]。互惠的规则设计需区分关系类型：亲密关系（强联结）——深度情感回应（共情+陪伴）；专业关系（医生-患者）——适度情感回应（关切但不情绪卷入）；服务关系（客服-客户）——规范性情感回应（友好+专业）[9,21]。互惠的节奏：情感回应需在对方表达后适时出现（延迟过久显冷漠、过快显敷衍），时序由情感动力学的时间参数控制[13,21]。工程实现：情感回应的规则库（对方情感×关系类型→回应策略）[21]。

社会角色情感：不同社会角色承载不同情感表达期待——医生需专业镇定、教师需耐心温暖、客服需亲切友好[9,21]。角色情感与个体情感的分离：角色情感是"职业面具"（表达符合角色期待），个体情感是"真实状态"（内在感受）[9,21]。长期角色扮演导致"角色-个体"冲突（职业微笑与内心疲惫的矛盾）——需要情感调节机制缓解（下班后的"摘面具"时间）[9,21]。工程实现：角色情感模板（social role affective template）[9,21]。

情感价值内化：社会规范内化为情感价值偏好——“帮助他人→愉悦”“伤害他人→内疚”[21,23]。内化的实现路径：规范-情感映射学习——系统在社会交互中观察"帮助他人获得感谢→愉悦"“伤害他人引发责备→内疚"的关联，经偏好学习（RLHF类）将社会反馈转化为情感价值函数[11-12,21]。内化程度评估：无外部监督时，系统是否自发产生"该做的内疚/该帮的愉悦”——内化良好的系统在脱离外部奖惩后仍保持规范情感[21,23]。工程实现：规范-情感映射库（规范行为→情感价值），经L6社会层注入[21,23]。

8.4 共情与利他

共情（empathy）是理解与分享他人情感的能力，是亲社会行为的心理基础[10,13,21]。共情的工程化实现：

认知共情（cognitive empathy）：推断他人情感状态——“他现在的感受”（基于感知层的表情/语音识别+情境推理）[13,21]。

情感共情（affective empathy）：分享他人情感——“我感受到他的悲伤”（情感子网以他人情感为输入，经共情系数生成自身情感反应）[10,13,21]。

共情-利他转化：情感共情激发利他动机（“他难过→我帮助他”）[10,21]。转化的实现：共情强度超过阈值时，情感子网向决策系统注入利他价值偏移（帮助行为的价值评估增大），使决策偏向利他选项[10,21]。利他决策的边界：生存层约束（自身安全优先）、资源约束（利他行为不耗尽自身资源）、伦理约束（利他不得损害第三方）[21,23]。实现：共情强度超过阈值时，决策偏向利他选项[21]。

共情的边界与伦理：过度共情导致情感耗竭（共情疲劳），需调节机制保护[9,21]；共情不应被用于操控（利用他人情感）[21,23]。

8.5 文化情感与文明层

社会情感受文化塑造，文明层（L7）注入文化情感价值[21,23]：中国文化中的"孝"（对父母的敬爱）、“仁”（对他人的仁爱）、“义”（对承诺的信守）等文化情感概念，可编码为情感价值约束注入情感子网[21,23]。### 8.6 群体情感与情感传染动力学

社会层的情感不仅发生在个体间，也发生在群体中[13,21]：群体情感（collective emotion）——群体共享的情感状态（集体欢呼、群体恐慌）；情感传染的群体动力学——个体情感经交互网络传播，形成群体情感级联（广场上的恐慌蔓延、会议中的情绪共振）[13,21]。

群体情感的工程建模：多智能体情感传染模型——每个智能体携带情感状态，交互时按传染系数交换情感，群体情感=智能体情感的平均场[13,21]。传染的临界现象：情感传染强度超过临界值时，群体情感出现"级联爆发"（平静→狂热/恐慌的突变）；低于临界值时情感传播衰减[13,21]。工程预警：监测群体情感的平均场与方差，方差增大（情感分化）或均值偏移（情感极化）时触发干预[13,21]。工程应用：大型活动的人流疏导（检测群体恐慌苗头→触发安抚广播）、在线社区的舆情监测（情绪传染的早期预警）[13,21]。群体情感的调节：群体层面的情感安抚策略（权威信息发布、榜样镇定示范）[21]。

8.7 社会情感的伦理边界

社会情感的设计伴随伦理边界[9,21,23]：情感操纵的禁止——不得利用共情能力诱导对方情感（销售话术的伦理边界）；强联结情感的滥用——母爱式守护不得转化为控制（护理机器人的自主权尊重）；情感隐私保护——情感数据的采集、存储与使用需透明与授权[9,21,23]。伦理约束经L7文明层注入情感子网，成为情感行为的"内置约束"[21,23]。

9 评估与应用

9.1 情感智能六维评估体系

情感子网的评估需覆盖情感能力的完整链路，本文提出六维评估体系[1,13,21]：

情感感知精度：情感识别准确率——多模态情感识别在基准数据集（如IEMOCAP、DEAP）上的分类准确率与VAD回归误差[13-18]。IEMOCAP提供带标注的多模态情感数据（语音+视频），DEAP提供脑电+外周生理数据，分别对应本文多通道感应的验证需求[13,16-18]。

情感状态合理性：情感状态与情境的匹配度——专家评估或自报一致性（“该情境下系统是否产生了合理情感”）[13,21]。合理性的分场景评估：任务场景（情感是否干扰任务）、社交场景（情感是否得体）、安全场景（情感是否触发正确避险）[13,21]。

情感表达自然度：情感表达与人类表达的一致性——图灵式评估（人类评估者能否区分机器与人类的情感表达）[21]。

情感-认知耦合正确性：情感对认知的调制是否符合预期——测试"愤怒是否降低了推理深度"“恐惧是否放大了风险估计”[21-22]。

情感调节有效性：调节策略能否有效改变情感状态与表达——伪装成功率、重新评估后的情感强度变化[5,21]。

社会情感适应性：社会互动中的情感得体性——对方对系统情感反应的评价（“安慰是否让人感到被理解”）[10,21,23]。

表3给出六维评估的指标与测度方法。

表3 情感智能六维评估体系

维度	指标	测度方法
感知精度	识别准确率、VAD回归误差	IEMOCAP/DEAP基准
状态合理性	情境-情感匹配度	专家评分、自报一致性
表达自然度	表达拟人度	图灵式人工评估
认知耦合	调制方向与幅度	对照实验（有/无情感调制）
调节有效性	调节前后情感强度差	伪装成功率、强度变化率
社会适应性	互动得体性	交互对象评价

9.2 应用场景

情感子网的应用场景覆盖人机交互的多个领域[1,13,21]：

情感陪伴：面向老人、儿童的情感陪伴机器人——感知用户情感状态，表达关切与共情，缓解孤独感（社会层强联结情感的典型应用）[10,21,24]。陪伴场景的核心需求是"情感在场"：不解决问题的安慰有时比解决问题更重要——情感子网需具备"倾听+共情+陪伴"能力，而非急于给出解决方案[10,13,21]。

教育辅助：情感感知的教育机器人——检测学生情绪（困惑、挫败、兴奋），调节教学策略（困惑时讲解更细致，挫败时给予鼓励）[13,21]。

医疗护理：护理机器人——感知患者疼痛与焦虑，表达安抚（触觉安抚+语音安慰），监测情绪耗竭信号[17-18,21]。护理场景的情感伦理：共情但不过度卷入（护理者的情感边界）——共情疲劳的预防（情感调节机制+轮换制度）；患者隐私保护（情感数据的安全存储）[9,21,23]。

客服交互：情感智能客服——感知用户不满（愤怒、失望），调节回应策略（先安抚后处理），管理服务人员的情绪劳动[9,15,21]。客服场景的情感流程：情绪检测（用户语音/文本的愤怒强度）→情绪降级（道歉+共情+解决方案）→服务恢复（问题解决+情绪确认）[9,15,21]。情绪降级的策略库：针对愤怒（先倾听+道歉）、失望（理解+补偿方案）、焦虑（安抚+明确时间表）[15,21]。

智能驾驶：驾驶情绪监测——检测驾驶员疲劳、愤怒、分心，触发安全干预（疲劳提醒、情绪降级、危险驾驶抑制）[17,21]。驾驶场景的实时性要求：情绪监测延迟<1 s（路怒的快速识别与干预）；干预的优先级：安全干预（强制降速/停车）高于情感安抚（音乐舒缓）[17,21]。

娱乐与数字人：情感数字人——表情、语音、动作的全通道情感表达，用于影视、游戏、虚拟偶像[13,21]。数字人的情感表演需求：角色情感的连贯性（角色情感记忆）、情感剧情的动态展开（情感随剧情演化）、观众互动的情感响应（直播数字人对弹幕的情感反应）[13,21]。

9.3 与既有方案的对比

表4给出情感子网与既有情感AI方案的对比。

表4 情感子网与既有方案对比

维度	情感识别产品	情感大模型（EmoLLM类）	本文情感子网
情感本体	标签分类	文本情感分析	八维空间+VAD双层
感知输入	单一/双模态	文本为主	五通道多模态
表达输出	无/浅层	文本表达	面部+四肢+语音
认知耦合	无	弱	四子网双向调制
生存约束	无	无	调节+伪装
社会情感	无	部分	亲情+共情+规范

情感大模型（EmoLLMs等）在文本情感理解与生成上表现突出，但缺乏多模态感知、肢体表达与生存/社会层约束[11-12]；本文情感子网以LOPD七层为骨架，将情感能力嵌入完整认知架构[21-23]。

9.4 挑战与展望

挑战1：情感真实性问题——机器情感是"真实情感"还是"情感模拟"？本文立场：情感子网的价值在于功能等价（价值评估、表达协调、社会适应），而非主观体验[1,21]。

挑战2：多模态情感数据的稀缺——高质量的多模态情感标注数据成本高昂[13-14]。缓解：仿真合成+迁移学习+小样本学习[13,21]。

挑战3：情感-认知耦合的过调制——情感过度干扰理性决策（情绪化误判）。缓解：反思机制的情感偏差监控（详见6.5）[21-22]。

挑战4：情感伪装的伦理边界——伪装可能被用于欺骗。缓解：情感表达透明性（区分真实表达与伪装表达）[9,21,23]。挑战5：文化情感差异——同一情感表达在不同文化中含义不同（微笑的社交含义）。缓解：文化情感模板（按文化配置情感表达与评估参数）[21,23]。### 9.5 情感安全与伦理设计

情感子网的安全设计[9,21,23]：情感数据安全——多模态情感数据（表情、语音、生理信号）属敏感个人信息，需加密存储与访问控制；情感操控防护——系统自身不被情感操纵（识别"情感勒索"类输入并保持理性）；情感崩溃防护——极端情感输入（持续虐待性交互）触发的保护机制（情感隔离+上级介入）[9,21,23]。

伦理设计原则[21,23]：真实性——情感表达不欺骗（伪装需明示或受限）；尊重——情感感知不滥用（不得用情感数据操控用户）；责任——情感影响的决策可追溯（情感调制路径记录）[21,23]。

展望1：情感-世界模型深度融合——世界模型生成"情感预演场景"，情感子网反向调制想象，形成"情感想象"能力[21-22]。

展望2：情感记忆的终身学习——情感记忆随交互积累，形成个性化的情感模式（“这个机器人的情感越来越懂我”）[13,21]。

展望3：社会情感的群体建模——多智能体情感传染与群体情感动力学（广场情绪、群体恐慌的建模）[13,21]。

展望4：情感子网与脑机接口的衔接——从脑电信号直接解码情感状态，作为情感感应的内感受通道[17-18]。

10 结论

本文基于面向逻辑思维的程序设计方法（LOPD）七层认知分析层次模型，提出依托世界模型的类脑大模型情感子网初步设计。主要结论如下：

（1）八维情感空间（喜、怒、哀、乐、忧、偲、苦、悲）与"八维离散+三维连续"双层表示，为情感子网提供了结构化的情感本体，兼顾语义明确性与表达细腻性[2-4,21]。

（2）五层联动设计使情感能力嵌入完整认知架构：感知层（L3）五通道多模态情感感应、肢体层（L2）三通道情感表达、神经网络层（L4）四子网双向调制、生存层（L5）情感调节与伪装、社会层（L6）亲情与社会情感[5,8-10,13-18,21-23]。

（3）情感-认知耦合机制（愤怒减弱推理、恐惧放大风险、焦虑收窄注意、情感调制想象）使情感子网成为大脑的价值枢纽，而非孤立的标签模块[6-7,19,21-22]。

（4）生存层的情感调节与伪装（强装笑靥、情绪劳动）与社会层的强联结情感（母爱情感、共情利他）设计，为类脑大模型的社会适应性提供机制支撑[5,8-10,21,23]。生存层的调节保证情感不危及安全，社会层的联结保证情感不脱离人文——二者共同构成情感子网的"安全-人文"双约束[21,23]。

（5）情感智能六维评估体系为情感子网的量化评估提供框架[1,13,21]。六维评估覆盖"感知-状态-表达-耦合-调节-社会"完整情感链路，为情感子网的迭代优化提供度量[21]。评估的工程实施：在基准数据集（IEMOCAP、DEAP）验证感知精度，在仿真交互环境验证状态合理性与表达自然度，在对照实验验证认知耦合与调节有效性，在长期人机交互中验证社会适应性[13,16-18,21]。

本文作为"初步设计"，与《类脑大模型大脑部分初步设计》《类脑大模型小脑部分初步设计》共同构成"大脑（认知+情感）+小脑（执行）“的类脑大模型完整蓝图[21-22]：大脑五子网中的情感评估子网经本文设计升维为完整的情感认知子系统，与小脑部位模型的表达执行衔接，使类脑大模型具备"知、情、意、行"的完整能力链条[21-22]。未来工作包括：情感子网的原型实现与多模态情感数据建设、情感-世界模型耦合的量化验证、社会情感（亲情、共情）的长期交互实验。同时，八维情感空间中"偲”（牵挂）等中文文化维度的标注数据构建、情感-认知耦合系数的实测校准，以及情感伪装伦理边界的行业规范，均是需要持续推进的议题[13,21,23]。情感的工程化不是为了制造"有情感的机器"，而是让机器更懂人的情感——这是类脑大模型走向"情感认知型"智能的必经之路[1,10,21]。八维情感、五层联动与情感-世界模型耦合的设计，为这一目标提供了可计算的架构起点；后续的工程验证与伦理审视，将决定这条路的实际走向[13,21,23]。愿类脑大模型既聪明，又懂人心——这是情感子网设计的初衷与归宿[1,21]。本文以八维情感空间为情感本体、以五层联动为组织方式、以情感-世界模型耦合为设计立场，为情感子网提供了可计算、可评估、可演进的架构蓝图[21-23]。文中各项量化参数（情感阈值、调制系数、联结强度）均为设计目标，有待原型验证与实测校准；这是"初步设计"的定位所在，也是后续工作的起点[21]。后续将在原型实现、数据建设与长期交互实验中持续推进这一蓝图[13,21]。

---

参考文献

[1] Picard R W. Affective Computing[M]. Cambridge: MIT Press, 1997.
[2] Ekman P. An argument for basic emotions[J]. Cognition and Emotion, 1992, 6(3-4): 169-200.
[3] Mehrabian A. Pleasure-arousal-dominance: A general framework for describing and measuring individual differences in temperament[J]. Current Psychology, 1996, 14(4): 261-292.
[4] Russell J A. A circumplex model of affect[J]. Journal of Personality and Social Psychology, 1980, 39(6): 1161-1178.
[5] Gross J J. Antecedent- and response-focused emotion regulation: Divergent consequences for experience, expression, and physiology[J]. Journal of Personality and Social Psychology, 1998, 74(1): 224-237.
[6] Damasio A R. Descartes’ Error: Emotion, Reason, and the Human Brain[M]. New York: Putnam, 1994.
[7] Goleman D. Emotional Intelligence: Why It Can Matter More Than IQ[M]. New York: Bantam Books, 1995.
[8] Bowlby J. Attachment and Loss, Vol.1: Attachment[M]. New York: Basic Books, 1969.
[9] Hochschild A R. The Managed Heart: Commercialization of Human Feeling[M]. Berkeley: University of California Press, 1983.
[10] Bartels A, Zeki S. The neural correlates of maternal and romantic love[J]. NeuroImage, 2004, 21(3): 1155-1166.
[11] EmoLLMs: A series of emotional large language models and annotation tools for comprehensive affective analysis[J]. arXiv preprint arXiv:2401.08508, 2024.
[12] EmoLLM: Appraisal-grounded cognitive-emotional co-reasoning in large language models[J]. arXiv preprint arXiv:2603.16553, 2026.
[13] A systematic review on affective computing: Emotion models, databases, and recent advances[J]. arXiv preprint arXiv:2203.06935, 2022.
[14] 潘家辉, 何志鹏, 李自娜, 等. 多模态情绪识别研究综述[J]. 智能系统学报, 2020, 15(4): 633-645.
[15] 李然, 林政, 林海伦, 等. 文本情绪分析综述[J]. 计算机研究与发展, 2018, 55(1): 30-52.
[16] 维度语音情感识别研究综述[J]. 软件学报, 2020, 31(8).
[17] 基于生理信号的情感计算研究综述[J]. 自动化学报, 2021, 47(10).
[18] 脑电情绪识别的深度学习研究综述[J]. 软件学报, 2023, 34(1).
[19] Kahneman D. Thinking, fast and slow[M]. New York: Farrar, Straus and Giroux, 2011.
[20] LeCun Y. A path towards autonomous machine intelligence[R]. 2022.
[21] 冯胤清. 面向逻辑思维的程序设计方法——脑的设计（双脑架构）[J]. 2026.
[22] 冯胤清. 面向逻辑思维的程序设计方法——类脑大模型大脑部分初步设计[J]. 2026.
[23] 冯胤清. 面向逻辑思维的类人机器人程序设计架构: 七层认知层次模型与社会化测试框架[R]. 2026.
[24] 冯胤清. 面向逻辑思维的程序设计方法——分析现阶段具身机器人[J]. 2026.
[25] 面向表情、语音和语言的多模态情感识别综述[J]. 中国图象图形学报, 2025.