机器人有了“世界模型”，却还缺一张“人的状态地图”

事件概述

英伟达推出Cosmos世界基础模型，Google DeepMind发布Gemini Robotics，旨在帮助机器人和自动驾驶系统理解物理环境。但机器人进入家庭、养老等场景后，最复杂的变量是人。现有系统能判断物体位置，却无法理解人的状态（如是否愿意交流、是否需要打扰）。文章因此提出“人类状态模型”的概念，认为这才是情感大模型下一阶段真正的产业位置。

核心信息

• 世界模型 vs. 人类状态模型：世界模型预测物理环境变化；人类状态模型需要判断人的当前状态（如休息、思考、不适等），并决定系统是否介入以及如何介入。输出不是情绪标签，而是交互策略（保持服务、降低强度、暂不打扰等）。
• 情感AI的现状局限：MME-Emotion测试显示，20个多模态模型情绪识别得分仅39.3%，推理得分56.0%。模型能生成共情话术，但无法稳定理解复杂情绪。
• 情感大模型的核心价值：不是让AI更会安慰，而是成为智能终端的“交互调度系统”——决定“该不该在此刻说话”。商业指标应从情绪准确率转向用户交互接受率、无效打扰减少率、长期留存等。
• 五层架构：①感知层（摄像头、麦克风等）；②多模态状态层（时间对齐文本、语音、表情、行为）；③记忆层（区分当下、事件、偏好）；④策略层（根据置信度与场景决定交互方式）；⑤通用大模型（组织语言与推理）。情感模型充当控制面。
• 数据壁垒：人类状态模型需要“具有时间连续性和反馈结果的状态数据”，即完整链路：观察→理解→行动→反馈→修正。此类数据无法仅靠互联网抓取，需在真实场景中长期积累。
• 领本EmoGPT：定位为面向机器人和智能终端的多模态情感智能能力，结合文本、语音、表情和行为的观察与记忆，调整交互策略。其意义在于验证“人类状态层”能否成立。
• 风险边界：模型可能被用于操纵消费、制造依赖或形成不准确的长期画像。需建立原则：观察不等于诊断；模型不替代专业人员；长期记忆需授权并可纠正；系统应呈现不确定性。

值得关注

文章认为，当智能终端长期存在于家庭、汽车和公共服务中，最稀缺的能力不是生成更多答案，而是理解何时不该回答、何时不该打扰，以及何时必须让真人介入。情感大模型的终点不是让AI拥有情绪，而是更准确、克制地行动。