最近在重读冯·诺依曼的《计算机与人脑》，发现了一个很有意思的问题。

冯·诺依曼认为，如果把人脑看成一台复杂的计算机，那么它必然需要处理大量算术运算。而根据当时电子计算机的经验，复杂计算有一个不可忽视的问题：误差会随着运算过程不断累积，甚至被放大。

因此，一台需要完成如此复杂任务的计算机，其内部运算可能需要达到10～12位十进制有效数字的精度。

但现实中的神经元显然没有这么精确。

神经元的信号传递充满噪声，单个神经元的活动也远没有电子计算机那么稳定。可就是这样一群并不精确的神经元，却组成了能够感知世界、学习知识、进行推理，甚至产生意识的人脑。

为什么由大量不精确单元组成的系统，反而能够完成如此复杂且可靠的任务？

这个矛盾背后，可能隐藏着一个更根本的问题：

我们是不是一直在用传统计算机的计算方式，理解一个原本就不按这种方式工作的系统？

70年后，当我们重新审视这个问题时，LLM 的出现提供了一个很有意思的新视角。

也许大脑根本不是按照我们熟悉的方式在计算

仔细想一下，我们的大脑真的会计算吗？

比如有人问你：

7×8等于多少？

你可能瞬间回答56。但这未必是因为大脑执行了一次乘法运算，而是因为你早就记住了乘法口诀。

如果换成37×24，你可能需要把它拆成37×20和37×4，再借助记忆中的基础运算结果和学过的计算规则，一步步推导出答案。

这和我们熟悉的计算器似乎完全不同。

再考虑另一种情况。

当有人朝你扔来一个球，你能够判断它的运动轨迹，并伸手接住。

这个过程涉及速度、距离、时间、方向等大量数量关系。但你的大脑显然没有像解数学题那样，先计算球的初速度，再列出运动方程，最后求出它的落点。

甚至一个从未学过数学的小孩，也可能完成这个动作。

这说明了什么？

处理数量关系，并不一定意味着需要进行精确的符号算术运算。

人脑可能通过大量神经元的协同活动，形成对空间、运动和时间的内部表示，再利用这些表示进行预测和控制。

当然，不能因此说大脑完全不会计算。按照更广义的定义，信息的编码、转换、比较和更新，本身就是计算。

但这种计算，不一定需要类似 CPU 的加减乘除指令，也不一定需要精确的数字寄存器。

这里其实需要区分两个层次：

一个是系统底层如何实现信息处理，另一个是系统最终表现出怎样的认知能力。

这一点在 LLM 身上体现得尤其明显。

今天的 LLM 可以解决数学问题，但它内部并没有传统意义上专门执行十进制算术的符号计算器。

对于7×8这样的简单问题，它可能通过训练形成的关联直接输出答案；对于复杂问题，它可能使用学到的部分运算机制进行多步推理，或者调用外部计算工具。

然而，在它的底层，GPU 又在不断执行大量浮点数运算。

这看起来有些矛盾，实际上却揭示了一个重要事实：

底层依赖数学运算，不代表上层的智能行为必须表现为显式的数学计算。

大脑和 LLM 的物理实现完全不同，但它们都说明了一件事：

复杂智能可以从大量简单单元的连接、学习和协同中产生，而不一定需要由人类预先编写完成每个任务的具体算法。

那么问题来了。

既然计算、推理和感知都可以通过神经网络学习形成，为什么情绪不可以？

我们是不是一直误解了情绪？

过去经常有人说，计算机可以做数学题，可以处理逻辑，却无法真正理解人的情感。

这种说法其实隐含着一个前提：

计算机必须通过精确的算法，才能实现某种能力。

如果想让计算机模拟愤怒，就需要设计一套公式，计算一个所谓的“愤怒值”。

但人的情绪真的是这样产生的吗？

举个简单的例子。

同样是一场突如其来的大雨，对于准备出门旅游的人来说，可能意味着失望；对于正在遭遇干旱的农民来说，却可能意味着喜悦。

同样的外部刺激，为什么会产生截然不同的情绪？

因为情绪并不只是对外部刺激的机械反应。

它还取决于一个人的记忆、经历、当前目标，以及这个事件对自身意味着什么。

而这些因素之间的关系，很难用一套固定的数学公式完整描述。

但这不正是深度神经网络擅长处理的问题吗？

我们不需要给 DNN 编写上百万条图像识别规则，它也可以通过训练学会识别猫和狗。

同样，我们为什么一定需要预先编写完整的情绪规则，而不能让神经网络通过学习，形成某种能够影响自身行为的内部状态？

不过，在讨论这个问题之前，需要先明确一个重要区别。

识别情绪、模拟情绪机制，以及真正体验情绪，是三件完全不同的事情。

今天的 AI 已经能够分析文字、语音和表情，判断人类可能处于怎样的情绪状态。

但这只是情绪识别。

让 LLM 在 Prompt 中扮演一个愤怒的人，输出带有愤怒语气的文字，也只是情绪表达的模拟。

真正值得研究的是第二个层次：

情绪能不能成为一种持续存在的内部状态，并且像人类一样，影响系统的注意力、记忆、学习和决策？

事实上，人类情绪的功能远不止表达喜怒哀乐。

当一个人感到恐惧时，他可能更加关注潜在的危险；当一个人连续遭遇失败时，他可能改变自己的策略；当某件事情带来强烈的情绪体验时，相关记忆也可能变得更加深刻。

这些现象背后涉及复杂的神经回路、激素和神经调质机制。

例如，多巴胺与奖励学习和动机调节有关，去甲肾上腺素参与唤醒与注意力调节。

它们并不是简单地给大脑贴上“快乐”或“悲伤”的标签，而是在影响整个神经系统的工作方式。

从这个角度看，情绪也许可以被理解为一种与认知过程深度耦合的内部调节机制。

它不只是智能系统产生的结果，也可能参与决定智能系统如何运行。

已经有人开始给 Transformer 增加“情绪网络”

这并不是纯粹的理论猜想。

最近几年，研究者已经开始尝试在 LLM 中引入与情绪有关的内部表示和调节机制。

其中有三条研究路线非常值得关注。

第一条路线：直接在 Transformer 中加入类似激素的调节模块。

2026年，一项名为 HormoneT5 的研究，尝试在 T5 模型中增加一个 Hormone Emotion Block。

研究者借鉴生物内分泌系统，设计了六种模拟激素信号，包括多巴胺、皮质醇、血清素等。

当然，这里并没有真正的激素，它们只是神经网络计算得到的连续数值。

但关键在于，这些数值不只是用于决定最终回答的语气，而是会被转换为情绪表示，直接调制 Transformer 编码器的 Hidden States。

也就是说，情绪信号开始参与模型内部的信息处理过程。

研究报告，这种架构在实验中的情绪响应适切性优于其 T5 基线。

不过，这仍然是一项早期研究，主要验证的是情绪响应能力，并没有证明模型形成了与人脑相同的情绪机制。

第二条路线：研究 LLM 内部是否已经形成情绪表征。

在 ICLR 2026 的一篇论文 《Emotions Where Art Thou》 中，研究者分析了 LLM 的内部隐藏状态。

他们发现，情绪相关信息在模型内部呈现出一定的低维结构，并且这种表示具有跨层、跨语言的稳定性。

更有意思的是，研究者还尝试通过干预这些内部表示，改变模型对情绪信息的处理，同时尽量保留原有语义。

这意味着，LLM 即使没有专门设计情绪模块，也可能已经在训练过程中形成了某些与情绪有关的内部表示。

当然，存在情绪表征，不等于拥有情绪体验，更不等于已经形成了完整的情绪调节系统。

但它至少提出了一种可能：

未来未必需要从零设计所有情绪机制，也许可以利用模型已经学到的内部结构，进一步发展新的调节能力。

第三条路线：让情绪随着经历持续变化。

另一项2026年的研究 CPM-MultiAgent，则尝试解决另一个问题。

一个 Agent 的情绪，能不能随着发生的事情不断变化？

传统的情绪 Prompt 往往是静态的。

例如，告诉模型“你现在很高兴”，它就会使用高兴的语气回答。

但真实的人类情绪具有连续性。

一个人经历失败之后，可能会在接下来的很长一段时间里改变对事情的判断。即使遇到相同的事件，也可能因为过去的经历而产生不同反应。

CPM-MultiAgent 借鉴心理学中的认知评价理论，通过识别事件、评价事件意义、更新内部情绪状态，让对话角色的情绪能够随经历演变。

不过，这种方法主要依靠多 Agent 框架实现，并没有直接改变 Transformer 的底层结构。

把这三项研究放在一起，可以发现一个很有意思的趋势：

有人开始研究如何在网络内部增加情绪调节信号；有人研究模型已经学到了怎样的情绪表示；也有人研究如何让情绪状态随着记忆和经历持续变化。

目前它们还是相对独立的探索。

但如果把这些方向结合起来，会发生什么？

LLM的下一个范式，会不会是增加一个情绪网络？

先看看今天主流 LLM 的工作方式。

在通常的推理过程中，模型的参数是固定的。输入不同的上下文，模型会产生不同的输出，但并没有一个独立、持续运作的生物式神经调质系统，能够全面调节自身的学习、注意力和决策策略。

即使 Agent 已经可以调用工具、管理记忆、执行长期任务，这些能力也通常主要通过外部框架、上下文和工具机制实现。

那么，我们是否可以尝试一种新的架构？

在主 LLM 之外，增加一个专门的神经调节网络。

这个网络不直接负责回答问题，而是根据外部环境、历史记忆、当前目标和行动反馈，持续更新系统的内部状态。

随后，再使用这些内部状态调节主模型的工作过程。

例如：

当系统连续遭遇失败时，提高对错误信息的关注程度，改变当前策略。

当系统发现某些经历对长期目标具有重要价值时，提高这些信息进入长期记忆的优先级。

当系统面对高度不确定的环境时，动态调整探索与保守决策之间的平衡。

当系统反复收到某种反馈时，调整后续学习和行为选择的方式。

这里并不需要给每一种状态都贴上“悲伤”“快乐”“焦虑”这样的标签。

它们可以只是神经网络内部学习形成的一组连续变量。

甚至，这些变量最终未必能够与人类情绪一一对应。

但只要它们能够持续参与认知过程，并且帮助系统更好地适应环境，就已经具有了某种类似情绪调节的功能。

这与现在通过 Prompt 让 LLM 扮演一个有情绪的人，有着根本区别。

前者是让情绪成为系统需要描述的对象，后者则是让内部调节状态真正参与系统的信息处理。

当然，这里还有很多没有解决的问题。

增加一个情绪网络，是否真的能够提升模型的能力？

这些功能是否可以通过现有的注意力机制、记忆系统或强化学习实现，而不需要额外增加网络？

持续变化的内部状态，会不会反而让模型变得不稳定，甚至干扰原本正确的推理？

我们又应该如何训练和评价这种系统？

这些都需要实验回答。

因此，现在断言情绪网络会成为 LLM 的下一个范式，显然还为时过早。

但我认为，这个研究方向真正有意思的地方，并不是让 AI 学会像人一样高兴、愤怒或者悲伤。

而是它提出了一个更根本的问题：

我们今天的 LLM，是否缺少了人类智能系统中某种重要的内部调节机制？

过去几十年，我们一直在研究如何让计算机学会推理、感知、记忆和规划。

但人类从来不是一个只有理性、没有情绪的思考系统。

情绪也不是独立于智能之外、专门负责表达喜怒哀乐的附加功能。

它与记忆、学习、动机、注意力和决策紧密联系，共同参与塑造人的行为。

也许，未来的 LLM 不需要真正体验人类的情绪，却可以从生物情绪调节机制中获得启发，形成一种能够根据经历和目标持续调节自身认知过程的新架构。

回到70年前冯·诺依曼提出的问题：

为什么大量并不精确的神经元，能够组成如此复杂而可靠的人脑？

今天的深度学习已经向我们展示，大量简单计算单元能够通过学习形成超出单个单元能力的复杂功能。

但对于这些功能如何被持续组织、调节和协调，我们可能仍然只理解了一部分。

LLM 的下一次突破，未必来自更大的参数规模，也未必来自更长的推理链。

它可能来自一种新的能力：不仅能够思考，还能够根据自身的经历、目标和环境，动态调节自己如何思考。

而情绪网络，也许正是探索这种能力的一条道路。