一、一台會讀表情的電腦
1995 年，MIT 媒體實驗室的 Rosalind Picard 做了一件在當時看起來很奇怪的事：她試圖讓電腦理解人類的情緒。
當時的主流 AI 在做什麼？下棋、解數學題、辨識語音。情緒？那是詩人和心理學家的事。Picard 的同事覺得她走錯實驗室了。
她在 1997 年出版的《Affective Computing》中寫了一句後來被無數次引用的話：「如果電腦要真正有智慧，它們必須能感知和表達情緒。」
二十九年後的今天，這個想法不再奇怪。你的手機能從自拍中偵測笑容、客服機器人能從語氣判斷你的不耐煩、自駕車能監測駕駛的疲勞狀態。情感運算已經從一個學術異端，變成了數十億美元的產業。
但大部分產品只做到了一半——它們能辨識情緒，卻不知道如何回應情緒。H.O.L.O. 試圖解決的，就是後半段。
二、情感運算到底在做什麼
情感運算的核心命題可以濃縮為三個問題：
- 感知——機器如何知道你在開心還是沮喪？
- 推理——知道你的情緒之後，它該做什麼？
- 表達——它如何用你能理解的方式回應？
2.1 感知層：訊號無所不在
人類表達情緒的管道遠比我們意識到的多：
- 臉部表情：嘴角、眉毛、眼瞼的微動——FACS（ Facial Action Coding System）將 46 個面部動作單元編碼為情緒信號
- 語音特徵：音高、語速、停頓頻率——焦慮時語速加快、抑鬱時音高下降
- 生理信號：心率變異（HRV）、皮膚電導（GSR）、瞳孔擴張——這些是情緒最難偽裝的指標
- 行為模式：打字速度、滑鼠移動軌跡、頁面停留時間——這些「數位足跡」往往比自評問卷更誠實
2.2 推理層：情緒不是標籤
早期的情感運算有一個天真的假設：情緒可以像物體分類一樣被標記——「這張臉 = 快樂」、「那張臉 = 悲傷」。但真實的情緒不是離散的類別。你在捷運上收到前男友的訊息時，臉上可能同時有驚訝、厭惡、和一絲懷念。心理學家 Lisa Feldman Barrett 的「情緒建構理論」更進一步指出：情緒不是被觸發的，是被建構的——大腦根據過去經驗、當前情境、和身體狀態，即時建構出一個情緒實例。
這意味著，真正有用的情感運算系統不能只輸出一個情緒標籤。它需要理解脈絡——這個人現在在做什麼？他過去幾分鐘的情緒軌跡是什麼？他接下來要做什麼？
2.3 表達層：回應不是說教
這是情感運算最被忽略的一環。辨識出使用者沮喪之後，系統該做什麼？
大多數產品的答案是：什麼也不做，或者彈出一個「需要幫助嗎？」的對話框。但一個已經沮喪到無法專心閱讀的人，不會因為看到一個對話框就恢復冷靜。真正有效的回應必須繞過認知負荷——不透過文字告訴你「放輕鬆」，而是直接改變你的感官輸入：降低畫面對比度、切換到聽覺模式、放慢內容推進的節奏。
這就是 H.O.L.O. 的設計邏輯。
三、這條路的關鍵節點
四、情感運算在閱讀場景中的特殊性
大多數情感運算的應用場景有一個共同特徵：情緒是干擾。自駕車需要偵測駕駛疲勞，因為疲勞會導致車禍。客服系統需要偵測用戶憤怒，因為憤怒客戶可能流失。在這些場景中，情緒是需要被管理、被消除的變數。
但閱讀不一樣。
在閱讀中，情緒不是干擾——情緒是目的。你讀小說，不是為了從第一頁加速衝到最後一頁，而是為了體驗那些讓你停下來、呼吸改變、眼眶發熱的段落。一個好的閱讀體驗是情緒曲線與敘事曲線的共振。
這讓閱讀成為情感運算最困難的應用場景之一。你不但需要知道讀者當下的情緒狀態，還需要知道文本此刻正在說什麼、它的情感基調是什麼、以及這兩者之間的落差有多大。這是三維的匹配問題——不是「讀者沮喪 → 給鼓勵」，而是「讀者認知頻寬下降 → 文本敘事正處於情感低谷 → 用聽覺模態替代視覺模態，讓讀者在不增加認知負荷的前提下繼續體驗故事」。
五、從辨識到適應：H.O.L.O. 的貢獻
H.O.L.O. 的 CRA 模型在這個領域中的獨特之處，在於它把情感運算的三個層面——感知、推理、表達——整合成一個閉環系統，並且把它放在一個真實的使用場景（閱讀）中驗證。
具體來說，CRA 做了三件前人沒做好的事：
- 不要求穿戴裝置。認知追蹤完全基於行為數據（閱讀速度、停留時間、滾動模式），不需要 EEG 頭帶或心率胸帶。這意味著它可以部署在任何裝置上，不需要額外硬體。
- 回應不是對話框，是感官調適。當注意力下降時，系統不會彈出提醒，而是切換到聽覺模式或調整視覺氛圍。這是「不經認知層的適應」——使用者不會意識到系統在幫助他，他只會覺得「讀起來比較順」。
- 把文本內容納入匹配公式。大多數情感運算系統只關心使用者狀態，CRA 同時分析文本的敘事結構（情感曲線、場景轉換、對話密度），然後將兩者對齊。這是「內容感知的情感適應」——不是通用的，而是為這段文字、這個讀者、這個時刻量身定製的。
六、這個領域的未解問題
情感運算遠未成熟。以下是幾個 H.O.L.O. 正在面對、但整個領域都還無法解決的問題：
- 個體差異：同一個心率數字，對 A 是焦慮、對 B 是興奮。情緒的基準線高度個人化，需要長期學習。
- 文化差異：Ekman 的基礎情緒理論受到大量跨文化研究的挑戰。在一個文化中被視為「憤怒」的表情，在另一個文化中可能是「專注」。
- 倫理邊界：如果一個系統能即時知道你的情緒狀態，誰有權存取這些數據？廣告商？保險公司？雇主？
- 過度適應：如果系統總是遷就使用者的認知狀態，會不會讓使用者永遠無法鍛鍊專注力？「適應」和「溺愛」之間的界線在哪裡？
這些問題沒有標準答案。但一個好的研究者不應該迴避它們——承認邊界，本身就是研究誠意的一部分。
七、結語
情感運算走了三十年，從「讓電腦辨識表情」走到了「讓系統適應認知狀態」。這中間的轉折點不是任何一個演算法的突破，而是一個更根本的觀念轉變：情緒不是需要被分類的物件，而是需要被理解的信號。
H.O.L.O. 做的是這個觀念在閱讀場景中的工程實現。它不聲稱解決了情感運算的所有問題，但它指向了一個方向：科技的最終目的不是更快的處理速度或更高的準確率，而是讓那些因為認知差異而被排除在閱讀之外的人，重新回到故事裡。
柯德瑋，2026 年 6 月
延伸閱讀：CRA 模型技術詳解 · 當情緒成為研究對象