“我也说不上来为什么，但就是不太对。”

如果你有过这种感觉，

那不是你不够理性，

而是——

情绪本来就不是一句话能说清的东西。

*本文基于洞见研究院PAD模型能力综述科普｜洞见研究院&连心云联合发布

一、为什么 AI 总是“读不懂”真实情绪？

这几年，“情绪识别”几乎成了智能系统的标配能力。

摄像头能捕捉你的表情，算法能判断你“此刻偏积极”，系统会在你微笑的一瞬间，给出一个确定的结论。但真实体验往往是：

●你在笑，却心里发紧

●你被认可，却隐隐不安

●你看起来没事，却越来越疲惫

于是，一个越来越普遍的感受出现了：

“AI 好像说得没错，但它并没有真的理解我。”

问题真的出在“技术不够先进”吗？

未必。

更可能的原因是：

我们一开始，就把情绪理解错了。

▎7种基本情绪没有错，但它太“扁平”了

心理学家 Paul Ekman 提出的“7 种基本情绪”，在科学史上意义重大。

它证明了：

●情绪具有生物学基础

●面部表情具有跨文化一致性

这也是为什么，一个从未谋面的陌生人，你仍然能一眼看出他是愤怒还是恐惧。但这套体系解决的，其实是一个问题：

“人类如何表达情绪？”

而不是另一个更重要的问题：

“人类如何真实地体验情绪？”

现实中的情绪，从来不是“单一态”，真正困扰人的，往往不是「我很难过」——

而是：

●我不快乐，但也不算痛苦

●我很兴奋，却坐立不安

●我没有明显情绪，却感觉一切失控

这不是情绪混乱，而是情绪本来的样子。情绪从来不是“开/关”，而是一种持续变化的状态。

当情绪被压缩成标签，误读就开始了：

当AI被要求输出一个“最可能的情绪类别”时，它必须做一件事：牺牲复杂性，换取确定性。

于是：

● 混合情绪被忽略

● 微妙变化被抹平

● 内在体验被外显表情取代

这也是为什么，越来越多的人会说一句话：

“AI说得没错，但就是不对。”

二、PAD：情绪不是分类，而是一个三维状态空间

如果情绪不是标签，那它到底是什么？

1974年，心理学家 Mehrabian 和 Russell 提出了一个影响至今的模型——

PAD 三维情绪模型。

它用三个几乎相互独立的维度，构建了一个连续的“情绪空间”。

■P｜愉悦度（Pleasure）：我喜不喜欢

这是我们最熟悉的一个维度。

它回答的是：“我对当下的体验，是趋近还是回避？”

●高P：满足、认可、愉快

●低P：不适、厌倦、痛苦

■A｜唤醒度（Arousal）：我有多紧绷

这一维，描述的是神经系统的激活水平。

●高A：兴奋、紧张、警觉

●低A：放松、迟缓、麻木

同样是不开心，低A是无聊，高A却是焦虑。

■D｜优势度（Dominance）：我是否还掌控局面

这是最容易被忽略，却最关键的一维。

它回答的是：“我是否感觉自己仍然掌控着局面？”

●高D：自信、主导、确定

●低D：无助、被动、失控

很多真正危险的心理状态，并不表现为强烈情绪，而是——

优势感在不知不觉中持续下降。

“又开心又慌”，在PAD里完全合理——

当你说：

“我很开心，但也很慌。”

PAD会这样描述你：

●P：偏高（积极体验）

●A：偏高（神经唤醒）

●D：偏低（掌控不足）

你不是矛盾，你只是处在一个复杂、真实的情绪坐标中。PAD的意义在于：它允许情绪是混合的、流动的、不稳定的。

三、让PAD不再浮于理论：连心云接入其情绪状态建模能力

理论如何落地于应用，心理如何与技术结合，是连心云一直在深耕的事，我们也真正做到了将PAD这项复杂的心理模型融合到了科技中——

连心云在PAD路径上的核心立场只有一句话：我们不做“情绪判断”，而是构建“情绪状态模型”。

1）从“你是什么情绪”，到“你正在经历什么”

传统情绪识别的终点，往往是一个标签：

开心/难过/紧张

而连心云基于PAD的能力，关注的是：

●当前的P/A/D坐标

●以及它们在时间轴上的变化趋势

系统不急于下结论，而是持续观察状态。情绪不是一个结果，而是一个过程。

2）多模态 ≠ 多标签，而是多信号 → 一个状态

连心云整合多种非侵入式信号：

●面部肌肉变化、眼动、姿态

●语音节律、音高、能量分布

●行为反应的稳定性变化

这些信号并不直接对应某一种情绪，而是被统一映射到PAD的三个连续维度中。系统输出的不是一句“他很紧张”，而是：

▎当前唤醒度显著高于个体基线，且优势感正在下降。

这是一种更接近心理现实的描述方式。

3）应用场景

01 心理健康与咨询支持

在心理场景中，最危险的往往不是情绪剧烈，而是——状态持续偏移，却没人察觉。

PAD在心理领域真正能做的，是：

●建立个体基线

●追踪长期变化

●发现“说不出口”的趋势

例如：

●P｜长期回不来 → 快感缺失、抑郁风险

●A｜长期过载 → 焦虑、内耗、睡眠受损

●D｜持续下降 → 无助感、习得性无力

很多高风险来访者，并不情绪激烈，而是慢慢失去掌控感。

PAD的价值，不在替代咨询，而在为专业判断提供更客观的参考视角。

02 高风险沟通与掩饰识别

在审讯、谈判、欺诈识别等高压力场景中，人可以管理表情，却很难同时稳定。

真正有价值的信号，往往来自维度之间的不一致：

●表面平静（A低），但生理唤醒上升

●强势表达（D高），但节律明显紊乱

●被触及关键问题时，D突然坍塌

PAD在这里不是定罪工具，而是：提示“哪些节点值得进一步关注”。

03 情感型人机交互｜AI的下一站

传统情感AI的逻辑是：

●你难过 → 我安慰

●你开心 → 我热情

PAD改变的是整个交互逻辑：系统不再问“你是什么情绪”，而是判断：

▎你现在需要什么样的互动状态。

例如：

●高 A + 低 D→ 降低刺激、增强安全感

●低 A + 低 P→ 轻度唤醒，而非强行鼓励

04 长期状态监测｜被严重低估

真正重要的心理变化，几乎从来不是“一瞬间发生”的。PAD 特别擅长捕捉：

●D的缓慢下滑

●A的长期过载

●P的恢复能力下降

这些趋势，往往比一次情绪爆发更值得警惕。

4）连心云对PAD的使用边界

必须明确：

●不做心理诊断

●不输出绝对结论

●不替代人的判断

PAD 在连心云体系中的角色始终是：

让那些只能被“感觉到”的变化，被更清楚地看见。

四、技术的边界：PAD 不是“读心术”

当 AI 开始理解情绪，一个问题无法回避：我们希望它“看见”，还是“看穿”？

连心云选择前者。

「连心云」科研团队@洞见研究院 致力于将权威的心理学理论与AI技术融会贯通，将更好的技术成果部署于「连心云开放平台」（https://open.lianxinyun.com/，复制链接直达）

PAD的价值不在于控制，而在于支持、不在裁决，而在提醒。

也许真正重要的不是：“AI 能不能读懂你。”

而是当人们说“我也不知道我怎么了”，

是否有一种技术，能在不替你下结论的前提下，帮你把正在发生的变化，看清楚一点？

情绪不是标签，而是一种持续变化的状态。

而PAD，只是让这种变化，有了一个更接近真实的坐标系。

参考文献
[1] Du, S., Tao, Y., & Martinez, A. M. (2014). Compound facial expressions of emotion. PNAS.
[2] Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology.
[3] Bradley, M. M., & Lang, P. J. (1994). Measuring emotion: the Self-Assessment Manikin.
[4] Zhao, S., et al. (2021). Emotion recognition from multiple modalities: IEEE SPM.
[5] Garcia-Garcia, J. M., et al. (2023). Three-level multimodal emotion recognition framework. MTA.

声明：本文涉及到的所有训练信息与图片资料，版权均归「洞见研究院」所属，侵权必究

连心云开放平台：www.lianxinyun.com（复制链接直达）