机器人每天都在继续接受更多的人类特征。例如，请记住Sophia，它由香港的 Hanson Robotics 制作，她的回答给我们留下了深刻的印象。

现在，京都大学的一组科学家正在开发一种人工智能系统，该系统通过在正确的地点和正确的时间大笑来产生幽默感。

据说，创造了爱笑机器人 Erica 的科学家声称，这种方法可能会增强人类与人工智能系统之间的定期对话。

“我们认为对话式人工智能的重要功能之一是同理心，”京都大学的 Koji Inoue 博士说。“所以我们决定，机器人可以与用户产生共鸣的一种方式是分享他们的笑声。”

男大学生和机器人之间进行了 80 多次快速约会对话，其中四名业余女女演员最初是遥控操作的。这为训练 Erica 提供了数据。

每次对话时长为 10 至 15 分钟，共进行了 82 次对话。科学家们使用多模式传感器记录了这些对话，包括 16 通道麦克风阵列和高清摄像头。

在共享笑声模型中，人工智能系统会在听到人类的笑声后以同理心的反应来笑。为了实施这一策略，必须设计三个子系统：一个识别笑声，另一个选择是否笑，第三个选择正确的笑声。

“我们在这项工作中最大的挑战是确定共享笑声的实际案例，这并不容易，因为如您所知，大多数笑声实际上根本不是共享的，”Inoue 说。

“我们必须仔细分类我们可以用于分析的笑声，而不仅仅是假设可以回应任何笑声。”

团队评估了 Erica 的“幽默感”。检查所有对话后，发现艾丽卡并不觉得每一个笑话都很有趣，也没有笑。

此外，该团队正计划加强研究框架。“我们认为他们可以通过他们的谈话行为来展示这一点，例如大笑、注视、手势和说话风格，”井上说。

口语对话系统必须能够表达同理心，以实现与人类用户的自然交互。然而，笑声的产生需要高水平的对话理解。因此，在现有系统（例如会话机器人）中实现笑声一直具有挑战性。作为解决这个问题的第一步，我们不是从用户对话中产生笑声，而是专注于“共享笑声”，其中用户使用单独或语音笑声（初始笑声）进行笑声，然后系统依次笑声（响应笑声） 。

所提出的系统由三个模型组成：1）初始笑声检测，2）共享笑声预测，3）笑声类型选择。我们使用人机快速约会对话语料库训练每个模型。

对于第一个模型，应用了循环神经网络，检测性能达到了 82 的 F1 分数6%。第二个模型使用了初始笑声的声学和韵律特征，并获得了高于随机预测的预测精度。第三个模型基于与初始笑声相同的特征，选择系统对笑声的反应类型为社交笑声或欢乐笑声。

然后我们在一个专注的听力对话系统中实现了完整的共享笑声生成系统，并进行了对话听力实验。与没有笑声的幼稚基线和总是只以社交笑声回应的反应系统相比，所提出的系统改善了对话系统的印象，例如移情感知。我们建议我们的系统可用于定位机器人交互，并强调需要将适当的移情笑声整合到对话机器人和代理中。

第二个模型使用了初始笑声的声学和韵律特征，并获得了高于随机预测的预测精度。第三个模型基于与初始笑声相同的特征，选择系统对笑声的反应类型为社交笑声或欢乐笑声。然后我们在一个专注的听力对话系统中实现了完整的共享笑声生成系统，并进行了对话听力实验。与没有笑声的幼稚基线和总是只以社交笑声回应的反应系统相比，所提出的系统改善了对话系统的印象，例如移情感知。

我们建议我们的系统可用于定位机器人交互，并强调需要将适当的移情笑声整合到对话机器人和代理中。