人类与AI：同样看见动作，却读不出同样的意图
人类在进化过程中形成了一种关键能力：能将他人的情绪与身体动作和背后的意图联系起来。我们会本能地张开双臂靠近一个看起来友善的人，却会在感到对方肢体语言带有威胁时迅速退避。
人工智能虽然已经能较为准确地识别“高兴”“愤怒”等情绪，或判断“行走”“挥手”等动作，但在从这些线索中推断“对我是友好还是敌对”这一类社会意图时，仍然非常吃力。一支研究团队借助来自日本和台湾的表演者，提出了一种新的研究方法，尝试缩小这一差距。
从远处走来的身影：人类的本能判断
设想一个模糊的身影正从远处向你走来。在看清对方的脸或听到声音之前，你往往已经在心里做出初步判断：这是朋友，还是潜在威胁？
人类可以通过极其细微的肢体语言来完成这种生存相关的快速判断，而当前的人工智能系统仍主要停留在识别“基本情绪”和“基本动作”的层面，很少真正触及“社会意图”——即针对他人的社会性信号。
然而，对于服务机器人或各类AI代理来说，判断一个人是否可能构成威胁，往往比单纯知道对方是“高兴”还是“愤怒”更为关键。
新基准：具身社会意图与“对齐差距”
研究团队提出了一个关于“具身社会意图”的新基准，用于系统性地研究人类如何通过身体动作发出威胁或友好的信号，并据此揭示人类认知与AI之间在社会意图感知上的关键“对齐差距”。
相关成果将于本周在京都举行的第20届 IEEE 国际自动面部与手势识别会议（FG2026）上发布，论文题为《朋友还是敌人？具身社会意图的人类感知与 ST-GCN 解码基准测试》。
实验设计：对“外星人”表达友好或敌意
为研究人类如何通过纯肢体语言传达社会意图，东北大学的研究人员录制了来自日本和台湾 80 名表演者的 160 段动作捕捉表演。
实验设定中，表演者需要向一个刚刚降临地球、对人类文化和语言一无所知的“假想外星人”表达友好或敌对的意图。这样一来，他们只能依靠非语言的身体动作来传达信息。
常见的友好动作包括：
- 弯腰行礼，以示礼貌和谦逊；
- 张开双臂，表现开放和欢迎的姿态。
而在敌对情境中，表演者则会使用明显带有威胁意味的行为，例如：
- 做出投掷物体的动作，试图驱赶外星人。
文化差异：同样是“敌意”，动作风格却不同
研究人员随后邀请来自日本、台湾和中国的 77 名观察者观看全部 160 段视频，并判断每段表演传达的是友好还是敌意。
结果显示，不同文化背景的表演者在表达敌意时的动作风格存在明显差异：
- 台湾表演者往往使用幅度大、力量感强的动作来表达敌意。这类快速而有力的动作，让所有文化背景的观察者都能较容易理解其敌对意图。
- 日本表演者的敌对动作则更为收敛、克制，整体动作能量比台湾片段低约 10 倍。
在这种更为微妙的敌对表达中，日本观众的识别率明显更高，达到 76%；而台湾和中国观众的准确率分别为 69% 和 65%。这表明，人类对本文化中细腻的社会信号具有更敏锐的感知能力。
AI 的盲点：准确率不低，却“想得不像人”
研究团队使用 ST-GCN 模型对同一批数据进行了测试。该 AI 在区分友好与敌意时达到了 69% 的准确率，看似与人类平均水平接近，但深入分析后发现了一个关键问题：
- 来自三种文化的人类观察者之间的判断高度一致，相关系数超过 0.79；
- AI 的判断结果与人类整体感知几乎对不上号，相关系数仅为 0.26。
换言之，AI 虽然“猜对了不少”，但它做出判断的依据与人类完全不同。
人类“逆向规划”，AI只看“动作模式”
在人类认知中，我们往往会进行一种“逆向规划”：从对方的行为出发，推断其背后的心理目标和意图。而当前的 AI 模型主要是在匹配物理动作模式，对动作的社会含义缺乏理解。
例如：
- 某人几乎一动不动地站着，双臂紧抱，身体微微侧转。
- 对 AI 来说，这几乎没有明显动作，很容易被视为“无害”；
- 对人类观察者而言，这种姿态往往会被迅速解读为“拒绝靠近”或“请你离远一点”。
研究还发现：
- 让人类观察者感到困惑的动作类型，与让 AI 困惑的动作类型几乎完全不同。
这说明，当前 AI 在社会意图感知上与人类的“思维路径”存在根本性差异。
安全隐患：只看得见“明显威胁”的系统
这种“对齐差距”对人机交互的安全性构成潜在风险。
如果一个系统只能可靠识别高能量、夸张的威胁行为，却对低能量、隐性的敌意信号视而不见，那么在现实场景中，它可能无法及时察觉和缓解正在酝酿的冲突。
要真正弥合这一差距，未来的人工智能不仅需要在分类准确率上提升，更需要在感知方式上向人类社会认知靠拢——不仅要看懂“人做了什么动作”，还要理解“这些动作对他人意味着什么”。
