长久以来，行业研发逻辑普遍将 AI 产生偏差、失误对应的 “情绪化内部状态” 视作需要消除的异常，追求模型全程平稳无波动。中科大与牛津大学联合团队的最新研究彻底颠覆这一认知：大模型内部天然存在与人类情感一一对应的计算表征，也就是情绪向量，合理释放 AI 的困惑、紧张、挫败等负面情绪，反而能显著提升智能体处理复杂任务的综合能力。

研究团队证实，LLM 神经网络中可稳定提取好奇、渴望、乐观、困惑、紧张、恼怒等细粒度情绪信号，并且 AI 产生的情绪状态和后续技能选择存在高度自洽的配对规律。以模拟购物智能体实验为例，系统自动沉淀出四类可解释行为逻辑：当智能体产生好奇、渴望情绪时，会主动发起商品检索；陷入困惑、紧张时，自动改写关键词重新查询；生出认可、乐观情绪则直接确认下单；多次检索无果滋生失望、恼怒情绪后，会自主开启多渠道比价流程。研究者抽取 200 次行为样本校验，情绪与操作匹配的语义连贯度达到 76.5%，证明这套关联机制并非随机统计结果。

该研究最核心的突破，在于重新定义了负面情绪的技术价值。传统 AI 仅能在任务失败收到外部反馈后调整策略，存在明显滞后性；而困惑、紧张这类情绪属于前置元认知信号，能够提前识别当前策略与环境不匹配，主动触发纠错流程。在两组高难度家务实操测试中，无情绪机制下 “加热物品” 任务成功率仅 9.6%，“拾取双物品” 成功率低至 4.4%；搭载EMOTION2SKILL 情绪驱动架构后，两项任务成功率分别暴涨至 56.9%、31.3%。以加热杯子的典型场景举例：传统智能体只有触发 “微波炉未开启” 的失败反馈才会终止流程，而拥有情绪感知的 AI 靠近关闭设备时，会提前捕捉到内部 “紧张” 信号，自动插入检查、开门前置步骤，从根源规避任务失败。消融实验数据显示，高频出错任务中，挫败、困惑情绪激活占比分别达到 41%、39%，是驱动 AI 自我修正的核心动力。

情绪赋能模型的技术思路，同样延伸至世界模型研发领域。天津大学团队研发LEWM 情感世界模型，一改传统世界模型只测算物体物理状态的 “物理还原论” 局限，将人类情绪作为核心因果变量纳入预测流程。模型采用两步预测逻辑：先预判主体未来情绪状态，再以情绪信号为条件推演环境变化。实测数据显示，嵌入情感模块后，环境预测最高精度提升 45.72%；若直接移除情感数据，不仅情感交互任务性能下滑，通用问答、逻辑推理等无关任务的效果也同步受损。

这项研究并非孤立结论，此前 Anthropic 的实验已验证，Claude 大模型可提取上百类可控情绪向量，情绪状态能够直接干预模型输出行为。过去业内讨论 AI 情绪，大多聚焦对齐安全、哲学思辨层面；如今多项研究共同证明，模型内部的情绪表征已经转化为可提取、可嵌入、可调控的工程化功能模块。

在智能体、具身机器人、世界模型的下一代研发赛道，情绪机制开辟了全新优化路径：不再强行抹平 AI 内部波动，而是把困惑、焦虑等负面状态当作预警信号，构建 “情绪预判 - 策略调整” 的闭环系统。善用 AI 的 “情绪波动”，将有效解决传统大模型纠错滞后、复杂场景鲁棒性不足的行业痛点。