一个学会喜欢和讨厌事物的CNN，就像你一样

深度神经网络已经在物体识别上击败了人类，能够生成令人信服的语音，并达到国际象棋大师级别的水平。但它们还没有做到, , 至少没有令人信服地做到, , 学会感受，或者模拟情感如何附着于视觉。2026年7月21日发布在arXiv上的一篇新论文恰恰提出了这一点：一个通过经典巴甫洛夫条件反射回路学习将视觉场景与正性或负性效价相关联的卷积神经网络。

这篇题为《卷积神经网络中的联想情感学习》的论文来自一组研究人员，他们将一个视觉编码模块与第二个训练用于识别效价维度（即愉悦-不愉悦轴，情感神经科学的基石）上情感意义的模块相结合。然后，该团队在组合架构上测试了一种新颖的巴甫洛夫学习范式。结果显示，该网络能够形成关联、将其泛化到新刺激，并随着时间的推移改变其内部表征，使得条件刺激和非条件刺激变得更加一致，这种模式反映了人脑在联想学习过程中发生的情况。

从Rescorla-Wagner到深度学习

联想学习有一个成熟的计算模型：Rescorla-Wagner规则，它根据预期值与实际发生值之间的差异来更新条件刺激的预测值。该模型适用于简单的条件反射实验，但难以扩展到自然图像等复杂的高维输入。作者认为，深度神经网络通过学习直接从像素中提取丰富的特征表征，提供了一种突破这一限制的方法。

他们的架构使用一个预训练的CNN作为视觉骨干来编码场景，随后是一个小型网络，用于学习对每个编码表征的效价预测。在训练期间，模型被呈现一个中性刺激（比如一个几何形状的图像），随后是一个自然具有效价的刺激（比如一个愉悦或不愉悦的场景）。经过多次试验，它学会了仅从第一个刺激就能预测第二个刺激的效价，这是一种标准的条件反应。关键在于整个流程是端到端可微的，因此关联是通过梯度下降形成的，而不是通过手工编写的更新规则。

该模型做的有意义的事

论文报告了三个超越现有工作的发现。首先，模型在适度的配对次数后就形成了关联，这与人类的学习曲线相符。第二，它具有泛化能力：一个被条件化以预测愉悦结果的形状，在以新的颜色或方向呈现时，也会触发相似的效价预测，这在心理学中被称为刺激泛化现象。第三，随着学习的进行，条件刺激和非条件刺激的神经表征在单个单元层面和群体层面都变得更加相似，这在灵长类动物的电生理学中被观察到，但在人工网络中很少见。

作者还将模型输出与来自另一项独立效价评级实验的人类行为数据进行了比较。他们报告说，模型的效价预测与人类评分相关，但论文没有指定确切的相关系数，将此留作未来工作或补充材料中的一项空白。

仍然缺失的内容

尽管模型很优雅，但它有明显的局限性。效价是情感的一个维度，而且相对简单，本质上是带有幅度的正负号（+/-）。它无法捕捉到唤醒度、支配性，或者像恐惧、厌恶或喜悦这样无法仅凭效价区分的差异化情绪状态。该论文并未声称要对完整的情感体验进行建模；它建模的是效价关联的学习过程。这是一个有意义但又狭窄的脑情绪学习机制切片。

该模型还使用了监督学习，效价标签来自对人类标注的训练图像。作为概念验证，这是合理的，但真实的情感学习是无监督的：生物体通过互动来发现什么是愉悦或厌恶，而不是来自一个预标注的数据集。一个通过探索环境（而不是读取预标注语料库）来学习效价的智能体，仍然是一个未解决的研究问题。

尽管如此，这项工作为越来越多的证据做出了贡献，这些证据表明深度网络可以再现那些曾被认为过于混乱或主观而无法被人工系统模拟的认知过程的行为和神经特征。从能够学习将形状与效价相关联的模型，到可以被认为具有任何类似情感的系统，这之间的差距依然很大，但相比这篇论文发表之前，这个差距已经缩小了。