事件背景
清華大學團隊創辦的微面科技近日完成數百萬美元融資,由順為資本投資。這家公司的核心業務是研發 FacePhys 基座模型——一套能實時輸出超過 120 項生理與情緒指標的人臉感知系統。
隱藏的 55% 信息
人類溝通中,語言本身只承載約 45% 的信息。剩下 55% 來自於: - 心率與呼吸節律(生理狀態) - 面部肌肉微妙變化(真實情緒 vs 虛偽表達) - 眼動軌跡(注意力焦點) - 聲音韻律與語速(認知負荷)
現有的語言大模型(包括 ChatGPT、Claude)架構上完全盲視這些信號。用戶必須「顯性表達」才能被理解。這意味著:
1. 機器無法識別假笑與敷衍——用戶說「我很好」,模型無法透過心率變異性檢測其實在焦慮。 2. 無法主動共情——模型被動等待下一個提問,無法察覺用戶已累、已失興趣、已陷入認知過載。 3. 具身機器人無法適應——機械臂無法感知操作者的疲勞度或意圖改變,只能執行預設指令。
微面科技的技術方案:rPPG
rPPG(Remote Photoplethysmography,遠程光電容積描記)是核心創新。這是一種無接觸式的生理測量技術:
- **原理**:利用皮膚對光線的吸收與反射隨脈搏週期變化,通過高幀率視頻捕捉微妙的臉色變化,反推出心率、呼吸、血流量等指標。
- **優勢**:無需穿戴式設備(手環、手錶),只需標準相機或手機鏡頭。
- **精度**:論文級精度已達到醫療級可穿戴設備水準(誤差 ±3-5 BPM)。
FacePhys 在此基礎上堆疊面部動作單元(AU)識別、眼動追蹤、語音特徵提取,形成「多維生理情緒晴雨表」。關鍵指標包括:
- **心率變異性(HRV)**:反映自主神經系統狀態,高 HRV = 放鬆,低 HRV = 壓力或疲勞。
- **面部肌肉真相**:虛假的笑容(對眼肌肉不參與)vs 真心笑容(Duchenne 笑容)可被精確區分。
- **認知負荷信號**:瞳孔擴張、眨眼頻率改變、凝視停留時間變化,都反映用戶當前的認知狀態。
為什麼這是對人機交互的結構性升級
### 1. 從被動應答到主動適應
傳統 AI:用戶輸入 → 模型處理 → 輸出回應
新範式:用戶狀態(生理 + 情緒) + 用戶輸入 → 多模態理解 → 自適應回應
一個簡單例子: - 用戶文字說「我想再聊會兒」 - 但 FacePhys 檢測到:心率升高、眨眼頻率加快、HRV 下降 - AI 判斷:用戶其實在強顏歡笑、已經筋疲力盡 - 主動建議:「我們改天繼續?你看起來需要休息。」
### 2. 供應鏈式的信息不對稱消除
在醫療、教育、客服等領域,工作者與服務對象之間常存在信息不對稱: - 醫生無法精確量化患者的實時焦慮度(影響診療決策) - 教師無法即時判斷學生是真的理解還是假裝點頭(影響教學調整) - 客服無法識別客戶是真的滿意還是在忍耐(影響關係修復)
FacePhys 將這些「隱性簽號」轉化為客觀的數據曲線,讓決策從「主觀猜測」升級到「數據驅動」。
### 3. 硬件邊界的消除
當前的具身機器人(工業機械臂、服務型人形機器人)無法根據人類狀態實時調整行為。 - 機械臂無法感知操作者的疲勞(可能導致安全隱患) - 服務機器人無法識別用戶的耐心耗盡(體驗糟糕)
將 FacePhys 與機器人控制系統結合,機器人可以: - 檢測到用戶疲勞時自動放慢速度 - 識別到用戶焦慮時調整語氣與距離 - 根據 HRV 推断用戶的決策信心,決定是否需要重複說明
商業邏輯與競爭地位
微面科技的競爭對手可能包括: 1. Apple(HealthKit + Vision Framework):擁有硬件入口,但缺乏醫學級別的 rPPG 演算法。 2. :開源面部追蹤框架強大,但生理信號提取功能弱。 3. :專做可穿戴式 EDA(皮膚電導)與 HRV,但依賴硬件。