隨著社會生活節奏不斷加快，生活壓力逐漸增大，各種各樣的心理問題層出不窮，越來越受到社會重視。但精神科醫生和心理咨詢師卻存在巨大缺口，導致大部分需要專業心理幫助的人“求助無門”。如今，隨著AI心理技術的出現，心理醫生短缺的現狀有望迎來轉變。

“我和女朋友分手了，心情不好。”

“分手一定很難過，那你現在有什么想說的或者想做的嗎？”

以上對話就來自于尋求心理幫助的用戶與一款名為emohaa的AI情緒對話機器人，這段看似簡單的對話包含了探索、共情、安撫、提供建議等心理咨詢過程。

2020年下半年開始，受到“疫情導致大眾心理壓力上升”的邏輯催化，心理健康賽道的節奏有了明顯的加快。同時，由于精神心理醫療資源以及心理咨詢服務供給側的高度緊缺，人工服務的解決思路并沒有完全解決問題，因此行業便開始看向AI。2021年，數字療法及AI心理賽道獲得頻繁融資，成為風口。

國內人工智能-自然語言處理領域專家、清華大學計算機科學與技術系副教授黃民烈2021年創辦人工智能心理健康企業“聆心智能”，通過建立先進的AI數字療法體系，為臨床患者和廣大心理亞健康人群提供高質量、低成本、個性化、全天候的情緒支持、心理咨詢和干預方案，為用戶提供更科學、高效的精神健康服務。

上面提到的emohaaAI情緒對話機器人就是由聆心智能自主研發而成的。除emohaa之外，公司還開發了心理咨詢服務線上平臺聆心悠然、AI數字療法App聆憂，為不同需求層次的用戶提供服務。

依托領先的自然語音技術

尋求AI心理行業破局

黃民烈教授表示：“最新的流行病學調查顯示，精神障礙人群大約占到整個人群的16~17%。精神健康是我們面對的核心議題，但我國僅有不足五萬的專業心理咨詢師從事心理咨詢行業的專兼職工作，精神科醫生更是少之又少。這中間巨大的供需差距可以通過人工智能技術和相應的產品來補充。”

然而，當前國內外心理領域AI對話機器人及數字化干預療法的玩家主要以CBT（CognitiveBehavioural Therapy認知行為療法）為范式，原因在于CBT擁有高度結構化的特征，天然存在數字化的可能性。但是如果只有CBT數字化療程，AI就是一個硬邦邦、冷冰冰的對話機器，當用戶對CBT療程話術感到不適應、或者不適合CBT療法時，AI心理機器人通常需要搭配其他解決方案或者情緒話術為用戶提供更好的使用體驗。

訓練出一個具備良好識別能力和情緒支持能力的AI機器人，門檻更高。這要求情緒支持AI機器人擁有強語義識別、用戶狀態識別能力、更廣泛的知識圖譜和更豐富的對話策略。這些能力背后意味著巨量的、經過妥善標注的數據，以及對情緒識別模型進行訓練。

作為AI心理賽道中NLP（NaturalLanguageProcessing）基因領先的創業團隊之一，聆心智能致力于突破當前AI心理行業僅以CBT數字化療程為主的現狀，促進機器人對用戶情緒狀態的區分和識別，并且針對用戶的每種狀態給予豐富的回應策略，比如表達支持、贊同、情緒映射、復述、自我暴露和及時反饋等策略，達到情緒支持。

其中，自然語言處理在聆心智能所提供方案的不同節點都起到了關鍵作用。比如，通過自然語言對話系統能夠對用戶不同層級的需求予以滿足，包括但不限于情緒、陪伴、給予建議等等。在輔助診療方面，通過自然語言處理相關技術，將用戶的輸入信息處理為符合精神心理診斷體系的計算機符號表達，并且將該表達與醫學專業診斷之間的關聯和映射為理解用戶輸入提供底層架構上的支持。

最后，在數字療法-數字藥的開發方面，自然語言處理一方面作為理解用戶需求的最基本工具，結合與其需求相契合的循證算法模型，為用戶提供醫學上最有用的數字療法解決方案；另一方面，自然語言處理技術本身在生成模型上就帶有了情感支持的能力，因此本身也會作為數字療法的一個組成部分，目前，這是市場上所獨有的技術。

AI邏輯如何“翻譯”？數據標注如何進行？

AI心理療法開發挑戰重重

如同AI在其他應用領域存在的問題一樣，聆心智能在整個數字療法的設計開發過程中，也遇到了各種各樣的難題。

黃民烈教授表示，最難的地方在于把咨詢師的認知和語言，“翻譯”成AI邏輯。他說道：“打個比方，CBT療法咨詢師在評估一位患者是否達到預期治療效果時，其標準通常是患者的社會功能是否已恢復至正常水平。在人工心理咨詢中，這一過程是根據數據和案例，持續不斷調整評估的量化指標權重以期待達到最精準的動態評估。那對AI來說，什么叫做個體層面的正常？在AI算法開發過程中，我們就需要將這個目標量化。”

類似這種“翻譯”，聽起來不難，但在實踐中非常不容易，需要AI人才和心理咨詢人才之間的反復碰撞，才能重新設計出來。

另外，由于心理咨詢的咨訪過程存在隱私性的倫理要求，行業在建立和訓練模型時可取得的數據量總是有限、且可能存在樣本偏差，導致模型能力有所局限。面對這一問題，聆心智能從源頭杜絕隱私泄露的可能，團隊所收集的數據已經取得了來訪者的許可，并且已經脫敏。

“我們現在的數據來源不僅是心理咨詢，還有很多其他非心理咨詢的數據來源，盡可能地確保數據能夠覆蓋所有人群樣本和大部分人們可能遇到的議題。因此，我們在做數據標注時，會對所有可能的維度進行一個更精細的標注，以盡可能地避免樣本偏差。但是必須承認，不可能完全避免偏差。需要注明的一點是，用于臨床的機器人是有適應癥或人群限定的，我們不期待用一個數據源去面對所有年齡段的所有來訪者種類。”黃民烈教授表示。

在自然語言領域，算法可解釋性、算法魯棒性等方面的局限一直是可信AI的討論和研究熱點，同樣是AI心理領域需要持續解決的重要問題。聆心智能的AI心理療法開發中，可解釋性主要體現在AI的決策始終與其所擔任的角色行為邏輯保持一致。黃民烈教授表示：“我們通過知識圖譜將心理醫生專業知識中的關鍵概念對齊起來，從而知道人工智能算法的決策是如何生成的。在這方面，我們還在持續探索、進步。關于魯棒性問題，我們也有相應的算法研究和技術解決方案。”

更大的挑戰在于數據量以及人工數據標注成本，這是心理領域AI發展的關鍵。心理咨詢理論已經發展了100多年，形成了相對成熟而完整的理論，自發生長出一套標簽體系。但是，把這些類別和標簽全封不動地搬到AI模型內會面臨巨大困難：首先，數據標注專業人士完成，導致標注成本昂貴；其次，類別體系越細致、越復雜，AI模型可能學不會，比如可能受到數據標注一致性的影響。

為此，以深入的心理健康專業理解為基礎的，聆心智能設計出了一個包含10類情緒的標簽體系。除了情緒類別，在對來訪者意圖識別等方面，聆心智能也按照類似的方法重構了一套標注體系。通過這種方式既平衡了資源、成本，也保證了專業性和有效性。

超強“共情”優勢

引導用戶解開“心結”

隨著AI邏輯的“翻譯”、數據隱私及樣本偏差、算法的可解釋性、數據標注等一系列難點得到突破，聆心智能成功開發出了一整套AI心理治療服務體系，包含篩查、評估、干預、康復、長期跟隨健康管理全過程。其中，干預康復階段即所謂的數字藥。

聆心智能以認知、情緒和行為三個維度去構建了整個療法模型，包括了CBT、DBT、IPT、正念等多種已被印證可以治愈情緒障礙的循證療法。并且所提供的干預方案會受到用戶自身狀態變化而動態調整，更好地根據用戶自身特點提供治療，提高用戶的依從性和治療的有效性。

聆心智能所提供的心理治療一個顯著的優勢就是“共情”。在心理咨詢的過程中，人和機器有一個比較大的區別，就是人能產生非常強烈的共情，而機器的共情程度沒有人類那么濃烈、豐富。

那么聆心智能是如何讓機器做到共情的呢？黃民烈教授解釋：“我們現在采用的方法，就是在與用戶對話過程中，更多調動用戶自身的思考能力——也就是他的認知，并通過一些技術性和策略性的方式，回避機器人不太容易理解的、多樣摻雜在一起的復雜情緒。”

聆心智能在編寫算法過程中，會賦予機器人一個穩定人設，針對不同情景，這個機器人的人設會有自己的反應。例如，用戶對機器人說“我工作好累”，擁有人設的機器人會告訴他，自己累的時候會做什么，這個事情為什么起效——這個就是機器人在使用自我暴露策略。

其次，機器人聽到用戶說很累時，可能會問用戶壓力大時通常會做什么，用戶覺得這個事情有效嗎？如果這個事情暫時沒有效果，用戶要不要試一下其他辦法？然后機器人就會引入一些干預和練習。通過這些策略，既達到了安撫用戶情緒的目的，同時能夠促進用戶自主思考什么事情對自己最有效果。

目前，得益于團隊業界拔尖的工程能力，聆心智能的預訓練模型參數達到了100億規模左右，位于行業前列。數據源包括公開社交媒體、合作授權的專業心理健康數據以及實驗室在過去6-7年的自主積累數據。數據量在幾十億到幾百億單詞量之間。行業領先的大規模預訓練模型為聆心智能的產品開發水平奠定了基礎。

未來：政策利好下共創AI心理行業繁榮

目前，美國心理健康機器人Woebot已取得FDA認證，聆心智能團隊認為海外趨勢會促進國內監管政策發展，趨勢和節奏會越來越快。

同時，國內也正在大力推行社會心理服務體系，北京、海南都已設立數字療法認證中心，聆心智能的發展方向正這個大體系下非常重要的環節，因此團隊有信心能夠借助政策力量，更好地普惠大眾。

目前，聆心智能已經開始進行臨床實驗，后續將取得醫療機械認證。“當然，我們可能需要一點時間，讓監管完成對各方面風險評估，但因為數字療法的副作用當前來看會非常小，甚至可以認為幾乎沒有，所以數字療法跟其他治療比如傳統藥物相比，獲得監管認可的速度會更快。”黃民烈教授說道。

最后，在政策的利好與支持下，聆心智能團隊希望與行業同仁共同努力，真正從實踐中發現臨床價值，而不是純粹為了逐利，共同以真正惠及于民、有用有效的產品，推動行業標準、規范、監管體系的形成，真正促進一個AI心理行業的大發展。

關鍵詞： 聆心智能致力于解開更多心結