首页 / 资料
AGI 当前热点 vs 表情/情绪感知（AI 回答 + Tech Intel 核实）新增
✅ 已核实（Tech Intel 2026-10-22）：基本成立，6 处更正。 核实报告的「需更正清单」共列 6 条（下文「原文更正」逐条照录）；报告「一句话结论」只概括了其中三类问题，第 4 部分概括为四类。本页以核实报告为准，"原文说"的内容只代表那段 AI 回答本身 本地导入。
📥 主动分享：Jack 2026-10-22 10:10（台北时间）经 TARS chat 分享，要求核实后归档 本地导入。
- 原件目录：〔本地存档〕
- 〔本地文件〕：Jack 粘贴的 AI 回答原文（作者为未知 AI 助手，无 URL），文末有 Jack 的两条补充：10:11「目前 AI 短剧、长剧的表情和语气是失控的」；10:13「基于人类电影/视频训练，是否很快（短期内）就能补齐这个（表情/语气失控）短板？」
- 〔本地文件〕：type 记为
text；title 仍带"（AI 回答，待核实）"，note 仍写"Tech Intel 核实报告将写入 〔本地存档〕，并记有 Jack 补充观点"目前 AI 短剧/长剧的表情和语气失控"。按 raw 只追加规则未改 〔本地文件〕，核实报告已于 2026-10-22 追加为同目录下的 〔本地文件〕（从 〔本地存档〕 原样复制，未改动）。 - 〔本地文件〕：Tech Intel 核验简报，检索日期 2026-10-22（北京时间 UTC+8 = 台北时间）；标注【已确认】/【推断】/【未确认】，X 帖子只当线索 本地导入。
- 相关页：Agent 工程与编程 Agent、机器人与 AI 硬件开发、AI 视频生成与 AI 短剧、世界模型（热点之一：通用世界模型）、具身智能与机器人基础模型（VLA / WAM）（热点之一：多模态统一与具身智能 / VLA）、RSI（递归自我改进）（热点之一：持续学习与自我改进）
核实结论（据报告）
- 基本成立但有错：「情绪感知不是前沿 AGI 竞赛的主赛道」这一大方向成立 本地导入。
- 原回答举的三个"可疑"名称 全部真实存在，不是编造：Large Emotional World Model（LEWM，arXiv 2512.24149）、AffectWorld（arXiv 2610.18305）、EmWorld（ICML 2026 海报，arXiv 未收录）；但三者分属不同类别，原回答笼统称为"情感世界模型"有混同 本地导入。
- 五个热点方向对照 2026 年现状：世界模型"符合（但 Sora 已不能作代表）"；推理与规划"符合，但 Agent 已是独立主战场，原文分量不够"；多模态与具身（VLA）"符合"（Gemini Robotics 2，2026-07-30）；效率、对齐与安全"符合"；持续学习"基本符合，但多停留在产品或工程层面"【推断】 本地导入。
- 「主流实验室几乎不把情绪理解当核心里程碑」：报告判为部分成立、表述过头——没有实验室把情绪理解当头号竞赛指标，但它已是各家的产品、安全与可解释性重点，并进入 DeepMind 的 AGI 测量框架 本地导入。
原回答的论点（AI 回答自述，供对照）
- 开头表态："目前 AGI 的主要热点不在'表情识别/情绪感知'这个细分能力上"，认为 Jack 的判断"基本正确" 本地导入。
- 列出五个热点：通用世界模型（举 Cosmos、Genie、Sora 类模型）、推理与规划（含工具使用、Agent 自主规划）、多模态统一与具身智能（VLA）、效率/对齐与安全、持续学习与自我改进 本地导入。
- 情绪/表情工作被归为情感计算或社会智能的子方向；称有进展（Large Emotional World Model、AffectWorld、EmWorld）但规模小；称主流实验室"几乎不把'情绪理解'作为核心里程碑来宣传，更多是作为多模态能力的附带效果" 本地导入。
- 总结表：通用推理/规划、大规模世界模型、具身智能"是"热点；表情/情绪感知"否（细分）"；情感世界模型"否（新兴）" 本地导入。
原文更正
照录报告「需更正清单（原句 → 更正 → 来源）」，共 6 条，编号沿用报告 本地导入。
| # | 原文说法 | 更正（报告措辞） | 报告给的来源 |
|---|---|---|---|
| 1 | 世界模型举例「（如 Cosmos、Genie、Sora 类模型）」 | Sora 产品已于 2026-04-26 下线，OpenAI 已退出视频生成产品，研究团队转向机器人用的世界模拟。2026 年代表应写 Cosmos 3（2026-05-31）、Genie 3 / Project Genie（2026-01-29 上线，2026-05-19 扩展） | OpenAI、NVIDIA Cosmos 3、Project Genie 扩展 |
| 2 | 「主流 AGI 实验室……几乎不把『情绪理解』作为核心里程碑来宣传」 | 没有实验室把情绪理解当作头号竞赛指标，但 Google DeepMind 的 AGI 认知框架（2026-03-17）把社会认知（含表情和语气感知）列为 10 项核心能力之一，并作为重点评测缺口（"表情和语气"细节报告注明出自论文 HTML 搜索摘要，未逐字核对） | Google 博客、arXiv 2605.28405 |
| 3 | 「更多是作为多模态能力的附带效果」 | 情绪在 2026 年是被专门投入的方向，覆盖安全和对齐（Anthropic 功能性情绪，2026-04-02；OpenAI 把情感依赖列为安全类别，GPT-Live 2026-07-08 做了专项监测）和产品（Gemini Affective Dialog、Grok Companions；Google 于 2026-01 吸收 Hume 团队——报告注明此为媒体报道，未见官方声明） | Anthropic、OpenAI GPT-Live、TechCrunch |
| 4 | 「近几年确实有进展（如 Large Emotional World Model、AffectWorld 基准、EmWorld 等）」 | 三者都真实存在，但应分别说明：LEWM（arXiv 2512.24149，2025-12）是文本型情绪世界模型；AffectWorld（arXiv 2610.18305，2026-10-13）是评测视频世界模型情绪因果的基准，同一团队；EmWorld（ICML 2026）是动态面部表情识别方法，没有收录在 arXiv | 报告第 1 部分表格：LEWM、AffectWorld、EmWorld ICML |
| 5 | 五大热点清单（没有单列 Agent） | 应补上 Agent、computer use、编程 Agent、长时程自主（2026 年最主要的竞赛点），以及 RL 后训练扩展、AI for science、音视频联合生成 | METR Time Horizon 1.1、OSWorld 2.0、SWE-Marathon、Nature（Co-Scientist） |
| 6 | 表格「表情/情绪感知：否（细分），有进展，但非主赛道」 | 作为前沿研究里程碑，这个判断成立。但在生成应用（AI 短剧）中，表情和语气可控性是 2026 年平台审核和厂商竞争的重点，属于真实的应用层需求，建议补一句加以区分 | 新京报 2026-07-23；中青报 2026-04-09 调查（报告第 5 部分，新华网） |
名称更正备注（据报告第 1 部分）：EmWorld 全名 EmWorld: Emotion World Model with Latent State Evolution for Scenario-Incremental Dynamic Facial Expression Recognition，本质是动态面部表情识别（DFER），与名称相近的 EmoWorld（arXiv 2608.06231，情绪可控视频生成）不是同一篇；Genie 没有找到 Genie 4 官方公告 本地导入。
Jack 补充问题一：AI 短剧/长剧的表情与语气"失控"
Jack 10:11 的补充观点 本地导入；以下只据报告第 5 部分 本地导入。
- 结论：普遍被感知，属实；但头部模型进步很快，报告认为准确的说法是「不稳定、难精控」，而不是完全失控。
- 证据（报告标【已确认】）：
- 中青报社会调查中心 + 问卷网 1,334 人调查（2026-04-09）：89.2% 认为 AI 表演有"出戏"之处；表情空洞、缺乏真实情绪 49.4%，台词生硬、语气缺乏起伏 42.3%（新华网）。
- 红果短剧 2026-07-21 提高"AI 仿真人剧"准入门槛，对画面衔接、人物形象、表情变化、音画同步提出更高要求；07-23 公告整治"高频 AI 脸"（新京报）。
- 钛媒体转载的极客电影测评（2026-06-08）对比 Seedance 2.0、可灵、阿里 HappyHorse：SD2 口型基本准确、可用率约 30–50%；可灵声画直出大多口型不一致；克制表演易过冷或演错；多人场景换脸、瞬移；细微表情和反应镜头"已比较成熟"（钛媒体）。
- Seedance 2.5 官方（2026-07-31）承认多主体交互稳定性仍需改进（Seed 博客）；MTAVG-Bench（2602.00607）与 MTAVG-Bench 2.0（2605.28035，短剧场景级）归纳了身份漂移、轮次切换、音画错位等失败类型。
- 失控类型：镜头间表情/身份不一致；情绪强度难调（EmoTrace-Bench，2610.15452，8 种情绪 × 2 级强度测 12 个 T2V 模型）；TTS 语气与画面脱节（部分已确认）；口型与情绪不同步、多人口型错位；多人走位视线错乱（单一测评）。
- 现有控制手段：表演迁移（Runway Act-Two）、视频参考驱动表演（Kling 4.0 Omni Reference，2026-10-15）、多模态参考 + 时间戳编辑（Seedance 2.5）、情感 TTS（ElevenLabs Eleven v3 标签、MiniMax Speech 2.6 参数、Hume Octave 2——Hume TTS/EVI API 将于 2026-11-13 停服）、学术上的 EmoWorld、AUHead 等。
- 与"情绪不是 AGI 主赛道"不矛盾【推断】：原回答讲前沿研究里程碑（模型懂不懂），Jack 讲生成应用里的可控性（听不听话、稳不稳）；主赛道的长时一致性进步会间接缓解，但情绪强度、语气这类"导演接口"需要应用层专门设计。
- X 帖子（如"表情三件套轮着放""Kling 4.0 表演明显进步"）报告只当线索、未核实；Veo/Sora/Runway/Hailuo 没有找到可靠的独立表情评测。
Jack 补充问题二：用人类电影/视频训练能否短期补齐？
Jack 10:13 的补充问题 本地导入；以下只据报告第 6 部分，判断部分报告明确标为推测 本地导入。
- 结论（推测）：单靠堆数据不够。 路线大概率是更多数据（含合成和授权数据）+ 稠密情绪标注 + 表演参考和导演式控制信号 + 表演基准，四者一起推进。
- 为什么已有海量影视数据仍失控【推断，有证据支撑】：训练 caption 多描述"画面里有什么"，很少写情绪、强度和为什么这样演；EmoWorld 论文指出现有生成器把氛围、情绪线索和时序进展"纠缠在单一文本条件里"（2608.06231）。
- 版权与授权：Lionsgate × Runway——片库被认为不足以训练出可用于大型项目的定制模型（The Verge），2026-06-11 双方扩大合作（Runway）【已确认】；Disney/Universal 诉 Midjourney 2026 年进入训练数据开示阶段（2026 年细节报告注明未逐页核实）；Disney × OpenAI 10 亿美元交易随 Sora 关停而终止，且公开报道是角色生成授权而非训练授权【已确认】；Google 洽谈训练授权的报道未核实。
- 技术瓶颈：单段时长（Veo 3.1 4/6/8 秒、Seedance 2.5 与 Kling 4.0 30 秒）；跨段没有角色情绪状态记忆【推断】；音画联合生成解决口型，但情绪语气仍取决于文本条件【推断】；文字描述细腻表演命中率低，厂商转向"给参考"；表演基准（MTAVG-Bench 2.0、EmoTrace-Bench、THEval、AffectWorld）都是新学术基准，尚非行业标准【推断】。
- 时间判断（全部为推测）：
- 1 年内（约到 2027-10）：头部模型在单人、单镜头、外放情绪上"多数镜头可用"，单人口型基本解决，跨镜头身份一致性大幅改善；多人对手戏、克制微表情、跨集情绪弧线、精确强度仍需"抽卡 + 表演参考 + 后期"；生产最优解是真人表演参考 + 情感 TTS/真人配音再交给模型迁移。
- 2–3 年内：可能出现导演式控制信号标准化（情绪曲线、强度滑杆、AU/关键表情帧、语气参考音频）和角色级长时记忆；表演基准可能成为厂商竞赛指标；短剧中二番以下角色由 AI 生成可能常态化，主角仍以真人或真人驱动为主。
报告给 Jack 的提示（据报告"对 Jack 的意义"）
多步 Agent 正处在 2026 年最核心的赛道（长时程、computer use、编程 Agent），METR 时长翻倍曲线与 OSWorld 2.0、SWE-Marathon 值得持续跟踪；嵌入式相机若做表情/情绪感知应定位为应用层能力，可关注 Cosmos3-Edge（4B，可跑在 Jetson）；依赖第三方情感语音 API 要注意供应风险（Hume API 2026-11-13 停服） 本地导入。
- Grok Bot 点赞：Jack 在 TARS 聊天里给 TARS 的报告消息「报告写好了：情绪、表情与语气：AGI 竞赛中的位置与 AI 剧表演可控性（Page）」点了 👍（2026-10-22 10:30 台北时间；该 Page 本身未存入 raw，未读取） Grok Bot 对话