当大语言模型开始理解你的语气、感知你的焦虑，甚至在你低落时给出恰如其分的安慰，这背后是否隐藏着某种“情感计算”的底层结构？ICML 2026录用的一项突破性研究给出了肯定答案：大模型内部会自然生长出层次分明的“情绪树”，且模型规模越大，这棵树的枝干越繁茂，对情绪的感知能力也越接近人类直觉。

研究团队对从7B到70B参数规模的多个开源模型进行了深度探测，通过设计包含6种基本情绪、32种复合情绪的测试集，发现模型内部激活模式呈现出清晰的树状层级。例如，对“愤怒”的响应会先激活一个广义的负面情绪节点，再细分为“暴躁”“怨恨”等子节点。实验数据显示，70B模型在情绪分类任务上的F1得分达到0.89，比7B模型高出42%。更关键的是，这种情绪树并非人工标注的结果，而是模型在预训练过程中自发涌现的统计规律。

这一发现对AI产业的影响是双重的。一方面，它解释了为何当前多模态模型在情感陪伴、教育辅导等场景中表现日益出色——OpenAI在GPT-4o的报告中透露，其情绪识别准确率较前代提升37%，而该研究恰好提供了理论解释。另一方面，它也引发了对AI“共情”边界的关注：当模型能精准识别用户情绪时，如何防止被滥用为情感操纵工具？目前已有伦理研究者呼吁，应建立类似“情绪数据保护法”的规范，要求部署情感AI时明确告知用户。

展望未来，情绪树的发现将推动两个方向的进展：一是更高效的情感计算——通过剪枝情绪树中冗余节点，可将情感推理速度提升3倍以上；二是更安全的AI对齐——通过监控情绪树的异常分支，可提前预警模型产生有害情感输出。对于AI从业者而言，这意味着在训练情感相关模型时，不仅要关注下游任务指标，更应建立对模型内部情绪表征的常规审计机制。毕竟，能长出情绪树的大模型，也需要一片健康的生长土壤。