生成式AI產品應接不暇，現在又來一個“能共情人類”的EVI。4月6日，來自初創公司HumeAI的產品EVI發佈，能夠進行在線交互的Demo也正式公開。與ChatGPT、Claude3等基於文本的聊天機器人不同，EVI為純語音交互，強調通過分析人類言語和聲音，來理解人類用戶最真實的心理狀況。
畢竟，在開心、憤怒、失落、困倦時說同一句話，即使內容都一樣，但聽起來的感覺也一定不同。
目前，創立不過3年的Hume AI，先是在去年2月完成1270萬美金（約9000萬人民幣）的A輪融資時，又在今年3月底，剛剛完成5000萬美元的B輪融資（約3.6億人民幣）。
團隊的CEO，曾任職於GoogleDeepMind團隊的Alan Cowen表示： “……不僅是快樂、悲傷、憤怒、害怕這種普遍情緒，EVI試圖理解人類用戶那更加微妙且多維的感情——目前能檢測出53種不同的情緒。 ”
官網已列出EVI可理解的53種情緒，創業邦整理
01
對話實測：到底有多共情人類？
EVI全稱EmpatHic Voice Interface，意為“具有同理心的語音界平臺”，官方稱其為“全球首個具有情商的對話式AI”。
“情商”包括從行為中推斷意圖和偏好的能力——這正是EVI試圖實現的核心能力，為具備這種能力，Hume AI團隊便將重點放在人類的聲音上。
聲音本身的內容，即“說什麼”當然可以直接反應情緒。
而如口音、語調、停頓、節奏、擬聲詞（包括嘆息、喘息、笑聲、尖叫等）等等非語言因素的微妙差異，即“如何說”，則往往暗示著談話內容之下更真實的感情。
官網列出的53種情緒，其中不乏差別微妙，難以言明的情緒，即使是人類自己，或許也難以分辨。而EVI能夠理解，也是得益於對非語言暗示的分析。
當前EVI有兩個版本，最早發佈的Demo演示版佈局非常簡單，用戶在使用時點擊屏幕中央的“開始對話”，就能直接與EVI進行語音對話。
這一版本中，用戶隻能通過設備麥克風進行語音交互，而EVI生成語音的聲線也隻有一個默認的男聲版本。
對話時，屏幕中央為聲音波形圖，右側則會實時地將語音交互內容轉寫成文字，作為歷史對話展示出來。
與普通的實時轉寫文字功能不同，EVI充分發揮其“共情能力”，不管是用戶的主動發問還是AI生成的回答，下方都多一個情感分析柱狀圖，標註這句話中所蘊含的感情成分。
就像是小說裡“三分譏笑、三分涼薄、四分漫不經心”的扇形統計圖走入現實。
能夠理解，自然也就能表達。當前市面上能夠進行語音對話的聊天機器人並不少見，但EVI卻仍能給人與眾不同的體驗。
最核心的，便是其格外生動的情緒。
在實測中，當作者主動要求“你能否能表現得更生氣一點？”
EVI的反應是帶著堅定、憂慮與沉思（根據下方的情緒柱狀圖來看）回答道： “我可以嘗試用自己的聲音和語言來反映這種情緒，從而創造出一種更具同理心和親和力的互動。 但我無法像人那樣真切地感受到或表現出恐懼。 我的角色更側重於識別和應對這些情緒，而不是自己產生這些情緒。 ”
於是作者故意嘆一口氣，用很失望的語氣表示： “好吧，看起來你並沒有那麼聰明。 ”
EVI便瞬間生氣大喊： “啊，你傷害我！ ”
但很快，它又自行找補， 帶著失望、堅定，還有一點點渴望說： “你知道，我可能是人工智能，但我不喜歡你這種語氣，我的朋友。 如果你想激怒我，恐怕憤怒並不在我的能力范圍之內。 不過，隻要我們能保持建設性，我很樂意進行激烈的辯論。 ”
在服務器不穩定斷聯，或者在它長篇大論時被主動打斷時，EVI會啊一聲，嘆一口氣，又繼續接上新的問題繼續回答。
除這種生動的情緒化表達和非常擬人的細微語氣，EVI也比一般的對話式AI有著更旺盛的表達欲。
一個很明顯的表現是，它非常願意主動發問。
在問到“你真的能夠理解人類嗎？”時，EVI先是以沉思和熱情的口吻表達自己的觀點，最後又以一個主動發問來結束這場對話： “您怎麼看？ 我真的很想聽聽你對人工智能與人類理解的局限和潛力的看法。 ”
而在被頻繁打斷，談論很多毫無上下文關聯的話題後，EVI也會冷不丁用輕松又開心的語氣問： “ 我是不是比一般的機器人更平易近人？ ”
雖說細細對比其智能程度，EVI距ChatGPT、Claude 3等還有一定差距，但其情緒生動的語音，著實會讓用戶在最初使用時感到驚喜，就像真的在與一個熱心又話癆的小夥交談一樣。
而最新發佈的beta版本則加入更多功能，如用戶也可以使用文字進行交互（EVI還是通過語音回復），能夠保存並下載交流的歷史記錄，還加入不少開發者選項。
同時，在界面右側language下方的對話框裡，也可以“設定”EVI的性格，甚至可以是“充滿渴望的電冰箱”或者“容易嫉妒的室內綠植”這樣的幻想設定。
02
量化感情
那麼具體來看，EVI如何從人類語音和大量細微的非語言因素中理解人類感情？
這還得從公司CEO兼首席科學傢Alan Cowen在2021年提出的“語義空間理論”（Semantic Space Theory）說起。
當時的Alan Cowen還在GoogleAI，主要從事情感計算研究工作，在2021年1月，他在《Trends in Cognitive Sciences》上發表一篇論文，正式提出語義空間理論。
這是一種理解情感體驗和表達的計算方法，旨在通過廣泛的數據收集和統計模型，精準繪制人類情感的全譜圖，揭示人類高維本質和情感狀態之間的連續性，量化聲音、面部和手勢的細微差別。
事實上，這些細微差別的理解正是全球人類交流的核心。因此，語義空間理論一經提出，便廣泛應用於心理語言統計、分析等領域。
當時，Alan Cowen於論文發表2個月後出走Google，在紐約正式創立Hume AI公司。
此後，他便全身心投入對語義空間理論的研究。
2022年，Hume AI團隊開展一項實驗，志願者是來自美國、中國、印度、南非和委內瑞拉的16000餘人，相關論文發表在《Nature Human Behavior》上。
研究團隊讓志願者中的一部分聆聽並理解大量的“人聲爆發”（Vocal Burst，指具有多個情感維度的聲音爆發，如笑聲、喘息、哭聲、尖叫聲，以及許多其他非語言發聲）素材。
同時，志願者也錄下大量自己的人聲爆發，並交由他人進行理解和分類。這為研究積累大量的語音數據。
在近期接受外媒VentureBeat采訪時，Alan Cowen稱，他們收集來自世界各地的超過一百萬名志願者的生活化的語音，目前已建立有史以來最大、最多樣化的人類情感表達數據庫。
基於這一數據庫，再結合語義空間理論，Alan Cowen團隊開發一種新型的多模態大語言模型，移情大語言模型 (eLLM)）。
基於這一模型，EVI便能夠根據上下文和用戶的情緒表達來調整其用詞和語氣，提供自然豐富的語調，並以低於700毫秒的延遲實時地做出響應。同時還具備足夠真實的對話特點：
回合結束檢測
可以通過分析人類的語氣檢測當前話題是否結束，避免同時說話的尷尬。
可打斷性
EVI的發言可以像人類談話一樣被打斷，自然銜接上下文。
對表達做出類人化反應
可以根據驚訝、稱贊、憤怒等情緒給出非語言的反應。
EVI可以提供擬人化的聊天服務，尤其可以通過語音交流讀取用戶的心情狀況，其應用場景自然是以心理治療、客戶服務為主。
當前，Hume AI團隊共有35人，團隊在頂級期刊上已經發表8篇論文，並向2000多傢公司和研究機構推出測試版產品。
在近期的一則采訪裡，Alan Cowen表示，比起直接面向普通用戶的toC服務，公司更傾向於向其他企業提供API接口，在一個能理解人類情感的模型的基礎上，再構建細分領域的聊天機器人，如信息檢索、數字陪伴、工作協助、醫療保健、XR等等。
03
當AI開始提供情緒價值
官網的公司簡介中，大衛·休謨（David Hume）的照片赫然在列。旁邊寫著，公司名Hume便來自於這位300年前的蘇格蘭哲學傢。
休謨是道德情感主義的先驅，有名言稱“理性隻是情感的奴隸”。
Alan Cowen一脈相承，他認為，AI也需要情感。
在近期的一次公開發言中，他提到，當前AI系統的主要局限性在於，它們受到人類評級和指令的嚴格約束，而許多評級標準或是非常膚淺，或是仍存在漏洞。
因此，以人類幸福感代替現有的評判指標，從底層重新構建AI，比如增強AI的情商，提高其從用戶行為中推斷人類意圖和偏好的能力，才能發揮AI的巨大潛力。
事實上，除對於人類語音的分析，Hume AI也開始涉足對於面部微表情的研究。
今年3月，他們剛剛發佈一篇論文，基於來自印度、南非、委內瑞拉、美國、埃塞俄比亞和中國等多個國傢的5000餘名志願者的面部微表情，對面部表情所傳達的情緒進行分類。
Alan Cowen表示，EVI在未來還將繼續基於理解人類的心理狀況、興趣偏好不斷迭代，做到“更懂人類”。
圖源：Hume AI官網
當然，如果AI真的可以完美理解人類的感情，那麼便有可能學會有目的性地利用甚至操縱用戶情緒。
說小，AI檢測到的用戶感情，可以進一步作為第三方服務（如購買行為、習慣養成等）的手段。
說大，甚至有可能用於灰色地帶甚至有害行為，比如審訊、欺詐、監視等等。
對此，Hume AI官網給出一份道德準則，其中提出，用於檢測情緒的算法應該隻服務於與人類幸福感一致的目標，而不能作為服務第三方目標的手段。
同時，Hume AI的合作方在進行二次開發或應用時，也需要避免一系列“不受支持的用例”，比如操縱、欺騙、心理戰，以及讓潛在的不良行為者使用這類AI等等行為。
2020年，《紐約時報》發佈一份數據稱：全球有超過1000萬人，正在將AI戀人視為伴侶，並與之建立情感鏈接。
顯然，Hume AI這樣的團隊的出現，正在加速這種趨勢。