当AI学会“察言观色”：情感智能评测时代的到来

2025年的大模型竞争格局正在发生微妙而深刻的变化。当Gemini、Claude等主流模型在传统评测集上的表现日趋饱和、纷纷宣称达到SOTA水平时，一个问题开始浮现：技术指标的军备竞赛之后，下一个战场在哪里？OpenAI姚顺雨提出了一个关键洞察：AI的重心正在从「训练驱动」转向「定义驱动」。在模型基础能力趋同的背景下，下半场的竞争不再单纯是算力和参数规模的竞赛，而是转向如何重新思考「好」的定义与边界。

为什么情感智能是AI的下一个高地

这种认知跃迁在情感智能领域表现得尤为明显。当前大语言模型在知识问答、逻辑推理、代码生成等认知层面取得了惊人进展，然而模型的社交和情感智能——包括对情感、伦理和文化的细致理解——仍然发展不足。这一缺陷对于非英语语言环境尤为严重，限制了模型在文化和情感丰富场景中的实用性。前OpenAI首席科学家Ilya近期指出：我们正在结束一个以「算力规模化」为核心的时代，重新回到一个以「基础研究」为驱动的时代。他提出了一个富有哲学意味的观点：「人类的情感并不是理性的对立面，而是生物进化出的最高效算法，也是AI缺失的‘终极算法’」。

HeartBench：业内首个AI拟人化中文评测体系

Ilya认为，人类拥有一个极其强大的、内嵌的价值函数，而情绪就是这个价值函数的重要组成部分。他引用了一个神经科学的案例：一名患者因大脑损伤失去了情绪处理能力。他依然聪明、善于言辞，能解决逻辑谜题，但在生活中却完全无法做决策——他会花几个小时来决定穿哪双袜子，甚至做出灾难性的财务决策。这个案例表明，由进化编码的情绪为我们提供了一个简单但极其鲁棒的决策指引系统，让我们能够在一个复杂的世界中有效行动。目前AI模型的价值函数非常脆弱，甚至可以说几乎没有。如果能为AI构建起类似人类这样鲁棒的价值函数，将是解决泛化问题的关键一步。

评测体系的建设路径

基于上述背景，研究团队发布了HeartBench——一个面向心理社科领域的评估基准，旨在超越传统的知识和推理评估，聚焦于衡量大型语言模型在人机交互中的拟人化能力。该体系涵盖人格、情感、社交和道德等维度，包含296道精选评测题目、2818条评分标准，覆盖33个真实场景（如个人成长、家庭关系、职场心理等）。评测维度根据心理学AI拟人化理论设定，由北师大心理学专业团队依据5000+小时临床经验及100+小时用户访谈数据归纳形成，涵盖「人格」「情绪」「社交」「道德」「动机」5个一级能力和15个二级能力。

在评测方式设计上，研究团队选择了「多轮静态」评估方式，确保评测的可解释、可验证和可复现性。为验证自动化评估的科学性，团队进行了人工盲测实验——邀请20多位具有心理学专业背景的专家，对14个主流大模型的回应进行双盲评分。最终结果显示人机一致性达到86%，证明了「模型作为裁判」的评估方法能够高度复现人类专家的判断。整个构建过程历经四个版本迭代，从V0.1版本的探索碰壁，到V0.2的小样本共识，再到V0.5的规模化生产，最终在V1.0版本完成精筛优化，形成了完整的评测体系构建方法论。

如有侵权，请联系删除。