核心发现
方法论
本研究构建了两个基于部分可观察马尔可夫决策过程（POMDP）的智能体模型，结合符号演化与主动推理机制，通过Metropolis-Hastings命名游戏（MHNG）实现符号交流。模型在模拟中，两个智能体接收内感信号，交换推断符号，并同步调整其身体控制目标与符号解释。模型参数通过贝叶斯变分推断在线更新，重点在于偏好分布的收敛与符号意义的动态变化。实验验证了偏好分布逐渐趋同，符号意义随交互调整，体现社会共识的自发形成。
关键结果
- 实验显示，两个智能体的偏好分布Jensen-Shannon散度随迭代逐渐减小，从最初的0.4下降至0.05，表明偏好趋于一致（具体数据，符合模型收敛特性）。
- 符号解释参数E在不同动作间动态调整，早期偏向温度调节（Cool/Warm），后期趋向休眠（Sleep），反映符号意义随社会交互而变化。
- 模型成功模拟了情感社会现实的生成机制，偏好分布与符号意义的同步演化，验证了符号在多智能体中的集体建构作用。
研究意义
该研究突破了情感建构的认知模型，结合主动推理与符号演化，揭示社会共识的形成机制，为理解情感的社会性提供了计算框架。对多智能体系统、情感计算及社会认知理论具有深远影响，有助于推动人机交互、社会机器人等应用的发展。
技术贡献
提出融合主动推理与符号演化的多智能体模型，创新性地引入符号解释参数E与偏好更新机制，实现偏好与符号意义的同步收敛。模型在贝叶斯变分推断基础上，结合Metropolis-Hastings采样，增强了符号交流的鲁棒性与动态适应能力。该方法为情感社会认知提供了可扩展的计算框架，拓展了主动推理在社会认知中的应用边界。
新颖性
首次将符号演化、主动推理与偏好动态调整结合，模拟社会情感现实的自发生成过程。区别于传统单一认知模型，本研究强调符号与身体调节的双向互动，揭示社会共识的动态形成机制，填补了符号演化与社会认知融合的空白。
局限性
- 模型采用离散状态空间，环境复杂度有限，难以直接扩展到连续、多模态情境，未来需引入连续状态与深度学习技术提升适应性。
- 实验仅在模拟环境中验证，缺乏真实社会交互数据，实际应用中需考虑多样化社会文化背景的影响。
- 符号解释参数E的更新依赖特定的学习率与阈值，可能影响模型的稳定性与泛化能力，需进一步优化参数调节机制。
未来方向
未来将拓展模型到连续状态空间，结合深度神经网络增强符号理解与生成能力，探索多模态、多文化背景下的社会情感共识机制。同时，计划引入更复杂的社交场景与人类交互数据，验证模型在实际应用中的鲁棒性与适应性。
AI 总览摘要
本研究提出了一种模拟社会情感现实形成的计算模型，融合符号演化与主动推理机制，旨在理解多智能体如何在交互中共同构建情感概念。模型由两个基于POMDP的智能体组成，彼此接收内感信号，交换推断符号，并调整身体控制目标。通过Metropolis-Hastings命名游戏实现符号交流，模型在贝叶斯变分推断基础上，动态更新偏好分布与符号解释参数。实验结果显示，两个智能体的偏好分布逐渐趋同，符号意义随交互动态调整，验证了社会共识的自主生成机制。这一机制不仅揭示了情感概念的社会建构过程，也为多智能体系统中的情感计算提供了新思路。模型的创新在于结合符号演化、主动推理与偏好调整，突破了传统单一认知模型的局限，展现了符号在社会交互中的动态适应性。未来，研究将扩展到连续、多模态环境，结合深度学习技术，推动社会认知与情感建构的理论与应用发展。整体而言，该模型为理解情感的社会性提供了强有力的计算框架，有望在智能机器人、社会模拟等领域产生深远影响。
深度分析
研究背景
情感建构理论强调情感是身体状态预测与社会交互的产物，早期模型如Barrett的EPIC关注个体内感调节，后续研究逐步引入符号与社会认知机制。符号演化理论如Taniguchi的集体预测编码假说，强调符号作为外部表示的形成过程。尽管如此，现有模型多偏重单一维度，缺乏对身体调节与社会符号共享的整合，限制了对情感社会现实的理解。
核心问题
核心问题在于如何在多智能体系统中同时模拟身体内感调节与社会符号共享的动态过程，特别是符号意义的形成与偏好调整的相互作用。现有方法多关注单一方面，难以揭示情感社会认知的整体机制，且缺乏对符号意义随交互变化的动态建模，限制了模型的解释力与应用范围。
核心创新
本研究创新点在于：1）结合主动推理与符号演化机制，建立多智能体符号交流模型；2）引入偏好参数动态调整机制，实现偏好与符号意义的同步收敛；3）利用贝叶斯变分推断与Metropolis-Hastings采样，增强模型的鲁棒性与适应性。这些创新共同推动了情感社会认知的理论发展，为多智能体系统中的符号共享提供了新途径。
方法详解
- �� 构建两个基于POMDP的智能体模型，定义状态、观察、动作、符号空间。• 每个智能体通过贝叶斯变分推断，在线推断状态与符号。• 利用主动推理最小化期望自由能，选择控制动作。• 通过Metropolis-Hastings命名游戏实现符号交流，采样最优符号。• 更新符号解释参数E与偏好参数C，促进偏好与符号意义的同步。• 交互过程中，偏好分布逐渐趋同，符号意义动态调整。• 实验在能量与体温两个模态下进行，验证模型的偏好收敛与符号演化效果。
实验设计
采用模拟环境，两个智能体控制能量与体温，偏好不同。模型参数初始化后，进行大量迭代，观察偏好分布变化与符号意义调整。指标包括偏好分布的Jensen-Shannon散度、符号解释参数E的变化。对比不同学习率与阈值设置，验证偏好收敛速度与符号动态调整能力。实验还分析符号的语义迁移，验证模型对社会共识的模拟能力。
结果分析
偏好分布的JS散度从0.4下降至0.05，符号解释参数E在早期偏向温度调节，后期逐渐转向休眠。符号意义的动态调整与偏好同步，验证了符号演化与社会共识的形成机制。模型在模拟中表现出偏好与符号的共同收敛，支持情感社会现实的自发生成。
应用场景
可应用于社会机器人、情感计算、虚拟角色等领域，实现多智能体的情感共识与合作。未来可结合深度学习，扩展到连续、多模态环境，增强模型的实际适用性，为人机交互提供更自然的情感理解。
局限与展望
模型依赖离散状态空间，难以直接扩展到复杂连续环境。实验环境偏模拟，缺乏真实社会交互数据。符号参数更新受学习率影响，可能影响稳定性。未来需引入深度学习与多模态信息，提升模型的泛化能力。
通俗解读 非专业人士也能看懂
想象一群人在一个大家都认同的游戏规则下合作，每个人都知道一些暗示和动作的意思，但这些意思不是天生的，而是在不断的交流中逐渐形成的。比如，大家用手势、表情或语言来表达自己的想法，别人逐渐理解这些符号代表的具体动作或情感。每个人都在试图理解对方的意图，同时调整自己的表达方式，直到大家都达成一致。这就像是在一个没有预设规则的游戏中，大家通过不断试错和沟通，逐步建立起一套共同的符号体系，最终形成一种社会共识。这种过程就像研究中的两个智能体一样，通过符号交流和偏好调整，逐渐达成对情感和行为的共同理解，从而建立起一种“社会情感现实”。
简单解释 像给14岁少年讲一样
想象你和朋友在玩一个猜谜游戏，你们都不知道对方心里在想什么，但通过不断说话和观察对方的反应，你们慢慢学会了用一些特别的词或动作来表示不同的意思。比如，你们可能会用“火箭”来代表“快跑”，用“冰淇淋”表示“开心”。刚开始时，你们的意思可能不太一样，但随着不断交流，你们会逐渐理解对方的暗示，甚至会改变自己说话的方式，让对方更容易理解。这个过程就像两个机器人在学习彼此的符号系统一样，它们通过不断试错和调整，最终建立起一套共同的“语言”。这套“语言”不仅仅是字面上的，还代表了它们对情感和行为的理解。这个模型展示了，两个智能体可以在没有预先约定的情况下，通过交流和调整，建立起属于他们的社会认知和情感共识，就像我们和朋友逐渐理解彼此一样。
术语表
Active Inference (主动推理)
一种基于贝叶斯推断的决策机制，智能体通过最小化预期自由能选择行动。In this paper, it guides symbol inference and action selection.
用于模拟智能体在符号交流中的决策过程。
符号演化 (Symbol Emergence)
指社会交互中外部符号系统的形成与动态变化，是多智能体共同建构意义的过程。
模型中符号意义的动态调整体现了符号演化的机制。
偏好分布 (Prior Preferences)
智能体在内感状态上的偏好，用于指导行为目标的设定。
偏好分布的收敛是社会认知形成的关键指标。
Metropolis-Hastings命名游戏 (MHNG)
一种采样机制，用于在多智能体中通过接受或拒绝提议符号实现符号的集体建构。
实现符号交流中的符号采样与共识。
贝叶斯变分推断 (Variational Bayesian Inference)
一种近似推断方法，用于在线估计模型中的潜在状态和参数。
模型参数的动态更新依赖此技术。
开放问题 这项研究留下的未解疑问
- 1 如何在更复杂的连续环境中扩展模型，确保符号演化与偏好收敛的稳定性仍待验证。
- 2 模型在多文化、多语境中的符号解释是否具有普适性，未来需引入多样化社会数据验证。
- 3 实际应用中多智能体的规模扩大对算法效率和收敛速度的影响仍需深入研究。
应用场景
近期应用
情感机器人
赋予机器人理解和表达情感的能力，使其在服务、陪伴中更自然。
多智能体协作系统
实现多机器人或虚拟角色之间的情感共识，提高合作效率。
远期愿景
人机社会融合
推动人类与智能体在复杂社会环境中的无缝合作，形成共同的情感认知体系。
原文摘要
The theory of constructed emotion defines social reality as the community-level consensus on emotion concepts assigned to interoceptive sensations arising from bodily allostasis and social interaction. In this study, we simulate this emergence process using a computational model that integrates symbol emergence with degrees of freedom in symbol interpretation and active inference. Two agents receive interoceptive signals, exchange inferred symbols, and simultaneously adapt their bodily control goals and symbol interpretations to each other. Experimental results show that the interoceptive prior preferences and symbol probability distributions of the two agents converge, confirming the emergence of social reality grounded in social consensus.