多倫多斯卡伯勒大學的神經科學家團隊開發出了一種“讀心術”方法，通過掃描你的大腦，來展現你腦海中想象的圖像，按照實驗，這種讀心術方法幾乎萬無一失。完成這項“讀心”任務的是科學家制造出的一種“讀心機器人”，簡單來說就是一種人工智能程序，這種程序通過識別大腦中的電子信號，來復制描繪大腦中的圖形形狀。該團隊一邊讓受試者觀看電腦屏幕上的人臉圖片，一邊用腦電圖系統記錄他們的腦電波，通過機器人學習算法運行腦電波數據，以數字方式重現受試者剛剛看到的人臉圖像。這項技術依賴于電腦程序“神經網絡系統”，也就是由人工智能來模擬大腦工作時的腦電波數據，然后將其數字化并呈現出來。理論來說，這種程序不僅可以學習捕捉大腦中看到人臉圖像時所形成的數據信號，對于一些演講內容、文字數據、動態圖像等都可以進行識別。所以，雖然目前實驗僅完成了對人腦看到的人臉圖像的識別和描繪，未來對于人腦中形成的關于文字、數據、動態圖像都可以實現復制和重現。

     研究人員在培訓這種“讀心機器人”時，首先讓其通過大量的人像數據庫掌握人臉的基本形狀和標志特征。當機器人可以識別面部特征之后，再將這些特征與相對應的腦電圖信號相關聯。這樣，在受測人員觀察人臉圖像時，機器人就可以根據他們當時的腦電圖反饋準確描繪出人腦中所反射出的圖像。實驗參與人、神經科學家阿德里安·內斯特對于結果非常興奮，“機器人最終描繪出的可不是簡單的四邊形或是三角形輪廓，而是由細微筆觸構成的人臉模擬圖。這樣不僅可以重建人們看到的東西，而且還可以用來表達他們想象出來的，或者記憶中的內容。”內斯特說，“這就出現了另外一種價值，執法部門可以通過這個方法，從目擊者那里收集到潛在嫌疑人的信息。”

     或許有一天，人們的記憶將呈現另一種可能性，就像英劇《黑鏡》中所展現的那樣，人們可以任意地拷貝或者回放一個人大腦中的記憶。同時，這種技術的實現也可能在醫學上提供參考價值，為失語者提供一種表達自己思想的手段。通過看臉色、眉眼高低就可以識別一個人的情緒，一直是區分機器人是否真“智能”的一個標準，世界各大領域的技術大咖也都在努力讓人工智能學會“察言觀色”。谷歌的研究者們開發了一款網頁應用，向人們展示由人工智能創作的小動物繪畫，然后通過攝像頭記錄人們看到繪畫時的反應，準確識別觀眾的喜好之后，網頁就可以更好地“投其所好”繪畫，這也應該是“察言觀色”的最初級體現。

    人工智能理解人類情緒的方法其實和人類一樣，無非就是通過面部表情變化判斷情緒波動。即使人會故意控制面部表情和聲音不產生變化或者展現出與內心世界不一樣的表情和聲音，也總會露出一些破綻，只不過可能會很微小或一閃而過，讓人不易察覺。但對于人工智能來說，發現細微的現象或捕捉稍縱即逝的變化正是他們的長項，他們可以借助高速攝像機和高性能處理器來完成這項工作，從這個方面來說，人工智能對人類情緒的理解可能會比人還優秀。 機器人的可怕之處不僅在于可以洞察你的大腦，還能夠從一次簡單的握手中，瞬間挖掘到你的性格。據英國《每日郵報》報道，研究人員正在研發類人的情感機器人，它們對于觸覺相當敏感，所以僅從簡單的肢體接觸就可以判斷對方的性別、情緒和性格，從而回應以相對的感情安慰。這樣的機器人就不僅僅看起來像人，還擁有和人類相似的社交能力，通過感情慰藉來融入到人類環境中。

     “給機器人賦予情感是唯一可以拉近它們和人類之間情感距離的方法。”巴黎薩克雷大學的教授阿德里亞娜表示，“我們此后的研究方向就是讓機器人能夠擁有一個‘玻璃心’，敏感到可以感知人類情緒，并學會禮貌、同情或者幽默地回應人類的情緒。”研究人員在初期的實驗中已經完成了機器人通過握手的簡單肢體接觸就能判斷對方性別的能力，且正確率達到75%。

    阿德里亞娜解釋：“我們首先設定了男女不同性別在握手這個動作中的不同表現模式，比如男女在握手時的力度、幅度上和時間都不一樣，外向的人和內向的人表現出的握手姿勢和頻率也不一樣，通過給機器人‘灌輸’這些握手模式，讓它們能夠在實際操作中識別對方身份。”為了能夠更全面準確地進行模式設定，研究人員對大量男女握手姿勢進行了觀察研究，除了握手力度、擺動幅度、時間長度、放松程度的區別外，研究人員還發現，男士主動握女士手時普遍習慣手臂更向下伸，推測是因為一般女士都更矮小，造成男士握手的習慣動作。如果這種敏感的感知能力可以推行，那么未來機器人可能扮演的角色將有很多，比如成為自閉癥孩子最好的朋友，或者孤寡老人的貼心“老伴兒”。

     此前的一份調查顯示，5歲至18歲之間的青少年中，有20%表示更愿意與機器人交朋友。而對于有自閉癥的孩子來說，機器人的敏感和貼心也更會成為打動這些孩子并換以真心的特質。以上所有的人工智能“讀心術”歸根結底都還是基于其“深度學習能力”才能達成的。人工智能之所以具備學習能力，是因為它也有類似人類的大腦——人工神經網絡（ANN），它的本質就在于試圖模仿大腦神經元之間的傳遞處理信息的模式。人工神經網絡的創造理念受到生物學的啟發，是生物神經網絡的一種模擬和近似，它從結構、實現機理和功能上模擬生物神經網絡。一般認為，人工神經元網絡是由大量神經元通過極其豐富和完善的連接而構成的自適應非線性動態系統。因為生物的學習系統是由相互連接的神經元組成的異常復雜的網絡，其中每一個神經元單元有一定數量的實值輸入，并產生單一的實數值輸出。這種輸入和輸出模式基于數學統計學類型的學習方法得以優化，所以人工神經網絡也是數學統計學方法的一種實際應用。這種神經網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，達到處理信息的目的，自身也就具備了學習和自適應的能力。