今年5月，山东威海市城里中学，一群学生正对着摄像头静坐。30秒后，系统屏幕上弹出了压力、焦虑、抑郁等14项核心情绪指标的评估报告
学生对着摄像头静坐30秒，屏幕上就出现压力、焦虑、抑郁等14项指标。这是原文记录的2026年5月山东威海一所中学的心理筛查场景。
我看到这个场景，首先想到的是：生成一份报告已经很快，理解这份报告、据此提供恰当帮助，才是更长的路。情绪AI的研究、商业机会和风险，都集中在这段距离里。
情感计算正在从研究走进日常场景
让机器识别情绪，并不是大模型时代才出现的想法。早在1995年，麻省理工学院的罗莎琳·皮卡德就提出了“情感计算”，研究与情感有关的识别、表达、度量和建模。受限于传感器、算力和算法，这个方向长期停留在学术探索阶段。
如今，深度学习和多模态信号处理，让面部动作、语音和生理信号有了更多被分析的可能。
浙江大学徐欣团队的研究轨迹很有代表性：从认知障碍和大脑衰老研究，延伸到情绪识别，再进入校园筛查、可穿戴设备等场景。背后的共同路径，是捕捉生理信号，建立模型，再尝试理解人的状态。
原文还介绍了浙大的侵入式脑机接口情绪解码研究，通过颅内电极记录神经活动。这与摄像头筛查属于不同技术路径，也提醒我们，“AI读情绪”是一个涵盖多种方法的研究领域，不能把不同成果当作同一套能力。
我认为，这个领域加速发展的根本动力，是精神健康需求与专业服务供给之间的缺口。更低成本、更便捷的状态识别，具有现实价值；它能承担多少工作，则需要逐项验证。
高准确率要放回具体任务中理解
原文提到，威海校园使用的动态情绪识别系统，宣称微动检测精度达到0.01毫米、情绪识别准确率为90.8%，支持单路最多50人并行分析。这些指标展示了系统的检测与处理能力，但还不足以说明它在真实校园里能多准确地发现需要帮助的学生。
另一项成果是浙江大学多个团队联合研发的Emoface模型。按原文介绍，其数据集来自700名受试者，包含超过80万帧面部动态数据；在临床验证集中，抑郁症诊断准确率为85.61%，双相障碍诊断准确率超过90%。
这里有两个关键区别。80万帧不等于80万个独立受试者；临床验证集中的疾病识别结果，也不能直接外推为普通学生群体中的筛查效果。Emoface的研究指标与校园系统的宣传指标，需要分别看待。
研究团队也承认，样本覆盖有限，多为单一民族，对复杂混合微表情的分析仍有不足，需要通过多中心、不同年龄和民族的数据进一步验证。
我的判断是，情绪AI首先值得争取的价值，是帮助专业人员更早发现线索。报告里的分数如何解释、如何复核、如何连接后续服务，应当与识别模型一起设计。
识别情绪与提供陪伴，是不同的生意
情绪AI已经出现多条商业路径。
一条是状态感知。可穿戴设备尝试通过心率等数据跟踪情绪变化，校园和养老场景尝试进行筛查与观察。另一条是企业服务：Affectiva从面部表情分析起步，进入广告和产品测试，后来被Smart Eye收购，走向车内感知。
还有一条更容易被消费者感知的路径，是AI玩具和陪伴应用。原文提到，跃然创新的AI挂件BubblePal不到一年售出25万台，公司在2025年8月宣布完成2亿元A轮系列融资。
这些应用可以共享部分技术，但产品成立的条件不同。筛查工具需要证明识别可靠、结果可用；陪伴产品需要提供持续的互动体验。会回应用户，不自动意味着能准确判断用户的心理状态。
原文引用的预测显示，全球情感智能AI市场可能从2025年的47亿美元增长到2034年的265亿美元；另一项预测则将中国广义AI陪伴市场2026年的收入估计为37.34亿美元。两者统计范围不同，不能直接拼成一个市场规模。
我更看重这些数字背后的需求分化：有人需要健康监测，有人需要专业帮助，有人只是希望被回应。企业必须先弄清自己服务的是哪一种需求，再决定产品和商业模式。
被理解的感觉，需要接受实际效果的检验
情绪AI最容易让人产生信任的地方，是它能迅速给出回应，而且往往耐心、温和、随时在线。
但原文引用的研究观点指出，模型模拟的共情，与真正的情感体验存在差别；行业也缺少把共情表现与实际疗效联系起来的标准。用户觉得被理解，是重要体验，却不能单独证明心理状态得到改善。
“讨好型反馈”尤其值得警惕。模型如果持续顺着用户的负面判断回应，安慰可能变成对消极认知的反复确认。训练数据中的偏见，也可能通过看似体贴的语言传递给用户。
对陪伴产品，我会追问一个商业问题：产品追求的使用时长和情感黏性，是否始终符合用户的长期利益？如果用户变得越来越依赖，企业不能只把它理解为留存提高。
原文列举的国内外监管动向，都指向情感操纵、诱导依赖，以及AI独立提供心理服务的边界。对企业而言，这些边界应当进入产品设计，而不能等产品增长后再补。
真正的门槛是把识别接到帮助上
回到那份30秒生成的校园报告。我的关注点会继续往后移：谁来解释结果？出现误判怎么办？学生的情绪数据由谁保管？发现风险后，谁负责提供帮助？
这些环节决定了筛查是否有用。尤其面对未成年人，一个情绪标签可能影响老师、家长以及学生本人对其状态的理解，不能让自动生成的分数独自承担判断。
我认为情绪AI有长期价值。它有机会降低观察和筛查的成本，让有限的专业资源更早介入，也能创造新的陪伴体验。
但这门生意最终要证明的，是用户得到了什么帮助。能把识别、解释、专业服务和效果验证连接起来的团队，才有机会把技术指标变成可信赖的产品。