马萨诸塞州波士顿J.F.康顿小学，2031年9月6日

一个11岁的小女孩，手里拿着一张纸，正在讲台上对全班发言。讲到最后，她从纸上抬起头来：“……所以我简直等不及明年夏天再去我爷爷奶奶的小木屋了。这就是我的暑假经历。”

发言结束，小女孩松了一口气，紧张地笑了笑，飞快地回到自己座位上。人到中年的桑多瓦尔太太站在教室一边，头发是挺老式的粉红和灰色挑染。她微笑着点了点头：“讲得非常好，詹尼，谢谢你与我们分享你的暑假经历。好，下面谁想发言？”

坐在教室侧面的一个男孩子迫不及待地举起了手。老师看着他，眼里有些不确定。全班一下子安静下来。桑多瓦尔太太示意男孩子：“好的，杰森。要是你准备好了的话。”

杰森站起来，走到讲台前面向全班，手里什么稿子也没拿。

“我的暑假经历，”杰森开始了，姿态自然放松，“这个暑假我装上了神经假……假体。这个词我总是别不过来，”他紧张地笑了一下，“华纳医生还有其他医生，把这个东西放进了我的大脑里。我小的时候，医生说我有ASD——就是自闭症，意思就是有些事别人的大脑会做，但我的脑子不会。每个自闭症的孩子都不一样，不过反正就是有些事其他人觉得很容易，但是我们就觉得很难，特别是像理解别人感受这种事。”

杰森环顾了教室一周，在继续讲之前和不少同学进行了目光交流：“但是好在现在有这种新东西，他们给我装进脑子里，帮我解决了一部分这方面的问题。现在我只看看你的脸，就能知道你是高兴，还是难过，还是无聊了。就和其他人一样。以前我就不行，大家都说我现在看他们的眼神不一样了。而且以前周围的人和事不像现在感觉这么……这么丰富，这个词也不是特别确切，不过也差不多。”

一个叫贝拉的那孩子，抬起头来大声问了一句：“那，杰森，是不是等于你就彻底好了？”

杰森摇了摇头。“不是，”他面色平静地答道，“我的大脑这辈子都会跟大家有点儿不同，这个我并不在意。不过有了我脑袋里的那个东西，那些别人已经做得毫不费劲的东西，现在我做起来也容易多了。而且还有更酷的，这东西越用得多，它学得越多，就会越好用。还有我时不时还会去看华纳医生，他会帮我调调。这个也有帮助。”

“那你就像个机器人了呗？”坐在教室后面的布兰登大笑。

“布兰登!够了。”桑多瓦尔太太严厉地说。

“没关系，”杰森不在意地说，“我妈妈说人们会嘲笑自己不明白的东西。”他扭过身又面向全班继续道：“我不像机器人，倒是更像为了看到教室那头不得不戴上眼镜，或者需要戴助听器才能听见的人。有些孩子看到这些也会嘲笑，其实……还挺让人难过的。华纳医生说现在还处于初级阶段，等我长大了，到时候这些会比现在先进很多，到那时候用的人会有很多。嗯，反正我想说的就是这些。这就是我的暑假经历。”

对不得不应对自闭症诸多挑战的人来说，上面的场景可能听起来未免太过天真，或者过于乐观。但是，随着我们对大脑多种机理更深入了解，我们也许早晚有一天能解决部分机理运行不畅的问题。情感计算领域目前正努力攻克的一些难关，而这也许能帮助我们找到一些解决办法，同时让主流教育模式得到改进。

正如我们前面提到的，不少情感计算的早期研发，已经为我们带来了多种能为自闭症患者提供帮助的设备。诸如iCalm、Q感应器和Embrace之类的皮肤电感应产品，以及类似读心者的情绪社交智能假体，让我们隐约窥见未来这方面发展的潜在可能。

我们在界面开发上已经取得不少成就，而且研究人员还在不断寻找新的设计方法，帮助那些有感官障碍和残疾的人。雷·库兹维尔发明了供盲人使用的便携式阅读机。为了能利用计算机弥补丧失的视力、听力乃至活动能力，科研人员运用多种手段，开发出多个界面帮助截瘫和闭锁症患者，期望能帮助他们用意念进行交流，操纵轮椅等设备。正是由于这些现实存在的需求，因此对这些研究成果的验证和资金支持，才会远远超过纯理论研究。

如今，在用于改善情感障碍人士生活的设备和界面研发领域，我们也逐渐开始看到类似趋势。与其他所有界面一样，最终这些科技手段会更多地进入商业领域，找到我们以前从未想过的市场应用方式。这是一个极好的发展机会。如果情感处理是激励、记忆和学习极为重要的组成部分，那么人工情感智能对未来的教育意味着什么？这些技术手段能不能让我们真的实现因需施教，让学习过程变得前所未有地个性化？从自闭症的早期发现到提高教育效果，让学习者不论天赋高低都能匹配合适的授课进度，情感计算也许能改变整个教学过程中沿用的方法。

自闭症是一种终身疾病，目前研究认为其病因与遗传学、表观遗传学及环境因素多方面相关。与一些普遍存在的误解恰恰相反，自闭症患者是有情绪体验的。不过研究表明，在识别和处理他人复杂与精细情绪以及处理相伴而来的社会互动上，他们往往存在较之常人更大的障碍。

近年来，有明确证据表明，自闭症的早期发现和早期干预，对患者的神经发育和行为发展影响巨大，能显著改善其今后的生活质量。虽然自闭症在三岁之前往往并不明显，但某些征兆可能很早就出现了，而情感技术可以帮助我们予以识别。比如，设定机器人在与孩子玩耍时，检测孩子的眼神交流。机器人来检测不论是在正确度上，还是时间长度上，都比人类看护者有优势。由于眼动追踪问题可作为发现自闭症的先兆之一，这种应用可以让我们将早期发现的时间大大提前——特别是对那些高风险儿童，比如有近亲患有自闭症者[11]，这样相应的治疗和干预可以更早开始，从而提高治疗效果。

机器人一直被广泛用于为自闭症或有自闭症风险的人群提供帮助。有一个领域叫做社交辅助机器人技术，专门设计和研究如何将机器人应用于包括多种治疗性应用在内的人机互动。很多自闭症儿童不仅有语言和非语言交流问题，还存在社交能力的严重障碍，特别是在情绪处理上。机器人可以越来越多地成为人类治疗师和患儿之间的得力中介。这样做的好处很明显。机器人的行为和动作可以高度简单化，具有完美的可重复性，这样就远比人类去做相同的行为和动作可预测性更强。这一点在与自闭症儿童的互动中非常重要。根据神经科学家、剑桥大学自闭症研究中心主任西蒙·贝伦-科恩的观点，正是因为与人的互动缺乏可预见性，才让自闭症患者觉得头痛不已。贝伦-科恩解释道：“他们对没有规则的事物避之唯恐不及。他们应付不了。于是他们就背对人群，转向物体的世界。”

自闭症的治疗显然也具有极强的时间敏感性。为了解决其行为、社交以及交流上的诸多问题，患者也许每周要花几十个小时去见不同的治疗师，因此受过专业培训的治疗师严重短缺也就不足为奇了。而社交辅助机器的使用可以大大缓解这种短缺。班迪(Bandit)是一种社交辅助机器人。它的设计者玛雅·玛塔里克(Maja Mataric)，是计算机科学、神经科学兼儿科教授，同时也是美国南加州大学机器人技术及自主系统中心(the Robotics and Autonomous Systems Center)负责人。班迪装有多个传感器和马达，能在感觉到对方感兴趣时接近对方，在感觉到对方害怕或者表示抗拒时退后。它能重复对方的动作，吸引注意。还可以一起玩游戏“西蒙说”，只要对方愿意玩，它就可以一直陪着玩下去，即便一连玩几个小时也没问题。

美国丹佛大学正在进行一项纵向试点性研究，希望能确定高功能自闭症儿童与机器人互动的益处。该校工程与计算机科学学院的一个小组，利用法国机器人公司Aldebaran生产的自主式可编程机器人NAO与患儿进行互动。通过编程，可以让这个机器人走路、跳舞，甚至唱歌。机器人身上装有四个麦克风和两个摄像头，可用来测试高功能自闭症和亚斯伯格症患儿的面部表情识别、眼动追踪和反应以及模仿行为。受试儿童要按照要求完成简单的社交练习。每成功地完成一项任务，就会得到一个奖励，比如击掌表示祝贺。还是那个原因，因为机器人的面部特征非常简单，动作也比真人的更有可预测性，孩子们面对它们，显然不像面对一个成人时那样感觉到压力。

有趣的是，研究人员发现，在机器人和其他人之间，孩子们更愿意与机器人亲近，与机器人的关系也更紧密。研究小组组长、电气及计算机工程副教授穆罕穆德·马胡尔(Mohammad Mahoor)观察到：“我们的机器人和人很像，但是并不具备人所有的特质。这一点对自闭症患者很有帮助，因为机器人要简单得多。这样他们就可以每次只关注交流的一个社交方面。”研究结果显示，患有自闭症谱系障碍的儿童，在NAO跟他们说话时，目光交流更多，注视转移更少。不过在他们自己说话时，情况没有变化。虽然这项研究只是在小范围中进行，但从中还是可以看出，社交辅助疗法对其中很多受试者有帮助。

还有一个仿真度高得多的机器人Zeno，是美国汉森计算机技术公司的产品，也正被应用于多个旨在提高自闭症谱系障碍儿童社交技能的项目和研究。Zeno高约2英尺，看上去像个小男孩。机器人的面部包裹有汉森的专利仿生皮肤材料，一种多层弹性泡沫，借助皮肤材料下的马达和制动器，能让机器人面部呈现酷似真人的表情。达拉斯自闭症治疗中心负责人卡罗琳·加维(Carolyn Garver)，与得克萨斯阿灵顿大学联手，利用Zeno进行了一系列实用性测试。测试的目的是帮助自闭症患者正确识别面部表情。加维清楚这些孩子识别表情的能力不好，但她发现：“机器人就像一座桥。孩子们对Zeno有回应。它不会对他们指手画脚，不会乱发脾气，可以一遍遍重复同一件事，还不会厌烦疲倦。”最终，这项测试成功地达到了目标，帮助这些孩子建立起更好的情感联系，不过未来还有很多可改进之处。

目前Zeno还被应用于自闭症的早期发现，帮助家长远在传统检测方法能检测出来之前，尽早发现婴幼儿身上的症状。自闭症目前还无法通过生理指标进行检测，所以诊断一直是依靠行为特征的传统方法。很多行为因素，要依靠社交互动和语言发展上的问题来判定，可是这些标记方法往往对语言的依赖性很强，所以在孩子两岁前很难被观察到。这可能也是为什么自闭症的检出通常都是在孩子两到三岁时的一个原因。但是，正如前面所讲的，通过仔细监测孩子的眼动和肢体运动，这些计算机可以做出不同的生物标记发现时长问题，将自闭症谱系障碍的确诊时间大大提前，也能让一系列药物治疗和心理辅导提早开始。

情感计算和社交辅助机器人能做的，远不止帮助我们解决这些严重的学习问题。比如，2013年北卡罗来纳大学开展了一项研究，研究人员通过摄像头观察正在接受计算机编程入门辅导的学生，以评估他们对学习内容感受到个体挫败感程度。研究小组采用了加州大学圣地亚哥分校机器感觉实验室开发了计算机表情识别工具箱(CERT)。计算机表情识别工具箱，是一套全自动实时面部表情识别软件工具，可免费供学术研究使用。它能自动编码，比照艾克曼的面部动作单元编码系统(FACS)中19种不同动作，以及6种不同的原型面部表情强度。在对录像脚本进行了60个小时的分析后，小组将他们的分析结果与对同一录像脚本的人工分析结果进行了对照，发现两者具有非常高的相关性。换言之，他们所用的软件能够通过学生的面部表情，判断出谁学起来比较困难，谁又觉得课程内容过于简单。

这是用情感技术解决当今问题的一个比较简单直接的例子。现在有很多地方存在教师短缺、师生比失衡的问题。有了这样一个工具，就能时时提醒老师哪些学生需要额外给予关注，另外，也能让教学过程真正做到因材施教。这样的教学方式，能让学得快的同学保持学习兴趣，学得慢的同学不必经历不必要的挫败。还有一点，与很多其他的人工智能应用不同，这一应用不会削减工作机会，它只是帮助教师更好地完成教学工作。

因为学习和记忆的形成受情绪的影响很大，因此教学的很多层面最终都可以从情感技术获益。如2012年耶鲁大学做了一项研究，要求一百名受试者在机器人间或的指导下完成一幅拼图。指导分为五种：不提供建议，机器人提供随机建议，通过机器人的语音、录像或实体分别提供个性化建议。通过受试者完成拼图所用的时间来决定机器人辅导员的效度。整体来看，拼得最快的，都是有实体机器人在场指导的受试者。根据这一结果，以及后来的其他一些研究，似乎有辅导老师的在场对学生有认知上的益处——即使在场辅导的是机器人。很有可能是这种“社交互动”调动了情感心智的某些层面，从而引发这种行为反应效果。

如果起作用并不只是辅导质量，那么是不是只要有认知行为者在场，就算这个行为者并非人类，也足以触发我们的某种社会行为反应呢？我们来看看教育研究界所说的“布鲁姆的两个标准差问题”。1984年，教育心理学家本杰明·布鲁姆通过观察提出了两个标准差问题。多项研究显示，对照无人辅导的学生，有人辅导的学生成绩均处于标准正态分布的98%区域[12]。而且很多研究得出的结果都完全相同。如果是这样，对于仅仅是机器人辅导老师在场，就能带来成绩提高一个标准差，也就是高出基线68%左右的事实，我们又该如何解释？是不是意味着这一现象不仅与辅导质量相关，还与我们自身的心理紧密相关？这种效果会一直持续很长时间吗？还是会随着被辅导者对辅导老师的熟悉程度提高而减弱？虽然只有时间和进一步的研究能告诉我们答案，但显然这个课题很值得我们研究，这一点毋庸置疑。另外，从布鲁姆的两个标准差问题，我们还可能领悟一些有意思的策略，借以提高教学效果。

不少研究者将社交辅助机器人辅导员和人工情感智能机器视为通往个性化学习的手段。这不仅仅是一条提供信息和指导的新渠道，更可能让我们转用全新方式开启学习。

教育工作者早就认识到，情感在学习过程中扮演着重要角色。课堂上反复遇到难点，或者内容难度过高，会导致学生产生深度焦虑。这种情况特别常见。身体的逃跑或是战斗反应会带来压力，让学生无力应对，导致学生注意力难以集中，此时就算还能学下去，也会学得艰难。而另一方面，那些觉得学习内容难度不足的学生又会对学习失去兴趣，总是觉得无聊。到了真有新内容对他们足以构成挑战，需要他们提起注意力的时候，他们的注意力却已经被销蚀无几了。维持学生的学习热情和好奇心，是课堂教学的一个主要目标，这样才能让学生的头脑(和身体)保持积极参与的状态。为了同时照顾到两端的学生类别，很多教育工作者便折中“按中间水平教”，结果反而对两端的学生都起不到良好的教学效果。正因为此，想要找到平衡点，让所有同学感受到学习的愉快，对教学内容产生新奇感并为之所吸引，几乎不可能实现。

适合的心理状态，能强化大脑功能，让大脑做好准备，去更好地获得和保留新信息、新知识。而不适合的心理状态，则可能对学习过程起到阻碍作用。虽然促成我们情绪生成的多种机制已经进化到能对周边环境自动做出反应的地步，但我们还是要将这些机制努力调动起来，让其在现代教育中为我们所用，提高学生的参与度，取得更好的学习成绩。当然，要做到这一点，一对一的辅导尚且不易，面对大班教学课堂上一个个独特的头脑和个性，更是全无可能。如果我们把能否帮助每个学生发挥最大潜能作为衡量教育成败的标准，那么至少这个标准是绝对达不到的。

如今我们有了一组新型技术，借助它们，我们也许可以促进那些有利学习的生理状态生成，同时避开那些可能妨碍学习的心理状态。我们已经看到，仅仅是机器人辅导老师在场，就可能提高学习成绩。那么如果那位不知疲倦的老师还能同时观察我们的兴趣度和注意力水平呢？机器人可以根据当时的具体情况，调整自己的程序以使其更适合学习者，或者与授课的程序沟通信息。对教学内容进行个性化优化处理，以配合最适合每位学习者的学习方法，不管最适合他们的是视觉学习、听觉学习、理论学习还是体验式学习。最终，通过将学习者的大脑和身体调整到最佳接受状态，每个人都将得到个性化的教育，让自己学习知识的能力最大限度地发挥出来。

借助科技来解决问题，可能是一种办法，但是在技术设备能意识到人类情绪之前，恐怕不会做得非常成功。比如，美国公司Knewton目前正在运用自适应学习技术，打造个性化教育产品。自适应学习技术，首先要收集学生学习表现数据，然后系统会通过这些数据，识别出任意给定学生在任意给定时刻学得最好的课程和所用方法，并据此为学生的学习能力建模。整个过程收集了大量教师上传资料和学生考评试卷等，将教育个性化问题的解决方法，从以教学理论为基础转向了受大数据驱动。

Knewton不是唯一一家做自适应学习技术的公司，但却是最有名的。看起来做得非常好。他们的技术号称已累计拥有20万份授课内容，使用学生人数超过1000万，覆盖20多个国家。该公司称，他们的技术并不能替代教师，只是为教师留出更多时间而已。

如果说对Knewton产品有一种批评不绝于耳，那就是它缺乏情感投入。批评人士列举了这项技术所缺乏的关键因素：教师的同理心和激励学生产生学习热情的能力。批评人士认为，理解孩子挫败感背后的原因，有利于找出纾解这种挫败感的最佳方法。既然存在这种弱点，那么有一天像Knewton这类自适应学习系统，就有可能采用情绪感知技术，以更好地满足这方面的市场需求。

社交辅助机器人，则将个性化教育领上了一个完全不同的方向。机器人Tega的设计目的，是作为一对一的学伴。Tega是麻省理工学院个人机器人研究小组的开发成果。它能识别学生的情绪反应，并根据这些线索提供个性化学习动机激发策略。小组成员格伦·戈登(Gorin Gordon)最初来自特拉维夫的好奇实验室，在Tega的研制工作结束后，便开始研究Tega在教学环境中的应用。

Tega系统的操作是通过两部智能手机。第一部手机负责处理动作、感知和思考，这样机器人就能对学生的行为做出反应。第二部手机则装有Affectiva开发的面部识别软件，用来检测和解读面部表情。为了保持学生的兴趣度，学习过程中运用了包括镜像模仿学生情绪行为的多种不同方法，比如在孩子表现出兴奋或者无聊时，机器人也做出同样表情。有证据表明，这种方法对保持部分孩子的兴趣度非常有效。项目中通过不断增加每个学生使用Tega的个性化反应，证明对不同孩子使用不同的情绪策略有利于维持他们的学习兴趣。研究人员还发现了很有趣的一件事：随着时间增长，孩子们开始真的将Tega作为同龄伙伴一样对待。

“一个充满好奇心的孩子，能克服挫败感继续向前，会从别人身上学习，将来也会是更成功的终身学习者。”麻省理工学院个人机器人研究小组负责人辛西娅·布雷泽尔如是说。

在其中一个测试里，计算机扮演朋友的角色来鼓励孩子们学习西班牙语。机器人负责给出提示并分享孩子们在学习过程中的烦恼与成功。

“孩子们与Tega的互动，就像它是自己的同龄小伙伴，这一点特别有意思。这为我们开发下一代学习技术带来了新机遇。”布雷泽尔这样评论道。这得力于目前正着手研究机器人在社交辅助领域的各种应用可能的那些研究项目。

耶鲁大学计算机科学系也已经就机器人学习辅导完成了多项研究。这些机器人辅导员也是以同龄人的角色出现。其中一项研究和上面提到的麻省理工的那项研究类似。受试者年龄均为四至五岁，母语为西班牙语。机器人也是小小的，扮演同龄孩子的角色，帮助受试孩子以句子为单位学习英语动词的时态变化。在孩子大声朗读的时候，机器人会偶尔打断他们，问他们其中某个词在英语里是什么意思。通过这种寻求帮助的方式，机器人让孩子扮演了领导者的角色，让他们以游戏方式参与进来。

耶鲁大学计算机科学系与心理学系联手，利用多种机器人人物形象让孩子参与到互动性的故事情境中，并对此展开研究。从小组互动结果来看，这种做法确实有助于培养孩子的情感理解力及与社交相关的多种能力。在其中一个研究项目中，一个有着毛茸茸的小龙形象的聊天机器人，在孩子们给它设计餐点时，会和孩子们一起分享有关食物营养的信息。这就让孩子与机器人能进行教师和学生的角色互换，提高孩子的参与度。这种教学方法，不仅能增长孩子的知识，也能帮助他们树立自信，培养自主能力。

那么为什么上面谈到的机器人辅助学习能产生如此积极的效果？这个恐怕要归结于一个事实，就是我们说到底是一种社会性极强的物种，而这种学习方法符合我们由进化而来的重要本性。即便这些不是人类，而是机器人，但是只要其中有恰当的情感因素，我们对它们的反应有可能和对其他人的反应基本一样。

比如，荷兰代尔夫特理工大学的研究表明，人形机器人的表情和肢体语言，能影响到其人类观察者的心情。在其中一次测试中，机器人讲师给两组不同的研究生，做了两次一模一样的讲座。在一次讲座上，机器人通过肢体语言投射出一种积极的心理状态，而在另一次讲座上，则投射出一种消极的心理状态。结果，尽管两次讲座在内容上其实一模一样，状态更积极的那次讲座，不仅改善了学生的心理状态，得到的学生评价也高于状态不积极的讲座，讲座结束时，甚至得到了学生的鼓掌感谢。这样就能轻松改变学生心理状态和学生对教学内容的感知，意味着这种教学方法还有很多可借鉴之处。

当然，将人工情感智能用于教学还有其他很多方法。2016年5月，《华尔街日报》报道了佐治亚理工学院人工智能课一名助教的事。上课的学生有300多名，安排了9名助教。吉尔·沃森就是其中的一名助教。它很善谈，懂得多，效率也很高。同时，它也是计算机科学教授艾休克·戈尔(Ashok Goel)开发的机器人。基于IBM沃森技术的吉尔，置信水平[13]达到了97%。根据戈尔的估算，用不了一年，吉尔就应该能应对学生线上问题总量的40%。尽管吉尔目前的版本还短缺情绪通道，但还是成功地瞒过了戈尔的学生，因为吉尔扮演的这个助教角色基本上不需要机器人去理解情感。但随着这项技术的发展，再多加一个维度应该会让这种数字助手更能为人接受，进一步提高对方的参与度。

很多此类想法都可以应用到在线培训课程和慕课[14]中。一些人指出，与传统的课堂教育相比，机器人教学存在社会互动和情绪推动上的缺陷，而这些尝试也许能通过多方面改进这些不足，让网上课程和其他在线教育形式得以改善。

有了视觉表达检测等远程观察方法，就可能对更大幅度的学生情绪状态变化进行实时监测。这样，在学生情绪达到一定阈值时，就可以对课程进度、教学方法、课上课后练习等进行相应调整，帮助学生重新回到优质学习状态。由此让个性化学习成为可能，帮助学生始终保持热情与专注，既对他们构成挑战，又不会难得让他们在情绪上不堪重荷，想学也学不进去。

再往前看，在更遥远的未来，也许会有对情感和认知影响更直接的方法出现。比如，可能通过脑电图或其他脑扫描方法更直接地观察学生的反应。然后对其大脑的某一区域进行刺激，达到提高大脑接受程度或强化记忆的目的。这种方法很多，比如利用磁场改变大脑小区内活动的经颅磁刺激技术就是其中之一。目前，美国国防部高级研究计划局(DARPA)的研究显示，这种方法有助于提高人的警觉度，加快学习新知识的速度。随着我们的认识不断加深，对其中涉及的认知和情绪过程了解得更多，具体神经元的粒度控制做得越来越好，我们应该能找到更好的解决方法。

以上所有这些研究都表明，这些新技术在增进教学效果上还有值得发掘的潜质。也许由于各种原因，不是每种可能性最终都能得到认可，但是很多将随着时间推移逐步进入我们的日常生活。每次我们谈到更准确地读取大脑信息，或者影响大脑运作时，大家都会有个人隐私和自主性方面的忧虑。这个无可避免，我们也应该有这种顾虑。当然，能学多少、能学多快也非常重要。在下一章我们就会看到，对于这些事情有些人已经开始慎重考虑了。