本研究探讨了人工智能系统能否形成与人类相似的抽象情绪概念表征，以及这种表征与人类主观情绪体验和大脑神经活动之间的关系。尽管已有研究发现，人工智能模型对具体视觉物体的概念表征能够与人类形成较高的一致性，但这种一致性是否能够延伸至具有主观性和情境依赖性的情绪领域仍不清楚。本研究采用大规模、无需预设情绪标签的行为学分析方法，考察了大语言模型（large language models，LLMs）和多模态大语言模型（multimodal large language models，MLLMs）的情绪概念表征结构。研究基于2180段情绪诱发视频，采集了超过1200万次三选一异类判断（odd-one-out judgments），并从模型行为中提取出30维情绪表征空间。结果发现，人工智能模型形成的情绪表征同时具有离散的情绪类别组织结构和连续的情感维度特征，且与人类在34种情绪类别和14个情感维度上的主观评分表现出较强的选择性相关。这一发现表明，情绪的类别表征与维度表征并非相互排斥，而是能够在统一的表征空间中共存，为理解情绪科学中长期存在的类别与维度之争提供了新的计算证据。进一步研究发现，通过操纵情绪表征空间中的特定成分，可以以可预测且符合人类理解的方式调控人工智能生成视频的情绪内容。在神经层面，MLLM提取的情绪表征能够有效预测人类大脑中颞顶联合区（temporoparietal junction，TPJ）等高级社会情绪加工区域的功能磁共振成像（functional magnetic resonance imaging，fMRI）活动，其预测表现达到甚至超过传统人类主观情绪评分。同时，与仅依赖视觉感知的模型相比，MLLM的情绪表征表现出更强的人脑神经活动对应性。这些发现表明，多模态大语言模型能够自发形成兼具人类行为一致性与神经生物学合理性的抽象情绪表征结构，为理解人工智能情绪概念的涌现机制及构建具有社会情绪理解能力的人工智能系统提供了新的研究框架。

中文标题：多模态大语言模型呈现趋向人类的抽象情感表征结构

英文标题：Multimodal large language models converge toward the human-like geometry of abstract emotion

论文作者：杜长德，卢一卓，黄中昱，孙逸，周子森，秦绍正，何晖光