近年来，情感计算（Affective Computing）技术迅猛发展，其核心目标是通过语音、面部微表情、生理信号（如心率变异性、皮肤电反应）、文本语义乃至眼动轨迹等多模态数据，识别、理解并模拟人类情绪状态。该技术已广泛嵌入智能客服、教育评估、心理健康辅助、广告投放、招聘筛选乃至公共安防系统中。然而，当算法开始“读心”，当情绪被量化为可交易、可干预、可预测的数据资产，一系列深层伦理困境随之浮现，并正迅速演变为现实监管危机。

最尖锐的争议集中于知情同意的实质性消解。多数情感计算应用在用户无明确感知或未获充分解释的情况下运行。例如，某在线教育平台在学生答题过程中实时分析其面部肌肉运动与瞳孔变化，以判定“专注度”或“挫败感”，并将结果直接反馈至教师端及后台学习画像系统。用户协议中仅以模糊条款提及“可能收集行为数据”，却未说明情绪状态被单独提取、建模与存储；更未告知情绪标签如何影响后续课程推荐、教师评价甚至升学建议。这种“隐蔽式情绪测绘”严重违背《个人信息保护法》中关于“明示同意”与“目的限定”的基本原则，使个体在毫不知情中沦为情绪数据的被动供给者。

更值得警惕的是情绪标签的系统性偏见与歧视性后果。大量研究表明，当前主流情感识别模型在跨种族、跨性别、跨年龄及神经多样性群体中表现显著失衡。例如，针对非裔面孔的愤怒识别准确率普遍高出白人面孔30%以上；自闭症谱系儿童因较少使用典型面部表情，常被误判为“冷漠”或“缺乏共情”，进而影响其特殊教育支持资源分配。当这类存在结构性偏差的算法被嵌入招聘面试AI系统——如某跨国企业曾试用的情感分析工具，在视频初筛中自动降低“情绪表达不活跃”应聘者的评分——实质上将社会文化差异与神经特征病理化，形成新型数字偏见闭环。技术中立的表象下，是既有不平等被编码、固化甚至放大的危险进程。

此外，情绪干预的越界风险正从理论滑向实践。部分商业产品已不再满足于“识别”，而主动介入情绪调节：智能音箱在检测到用户语调低沉时自动播放励志音频；车载系统发现驾驶员微表情呈现焦虑后，强制降低空调温度并推送呼吸训练指引；更有甚者，某职场 wellness 平台通过可穿戴设备持续监测员工皮电反应，一旦连续三日显示“压力指数超标”，即触发HR预警并建议安排心理约谈。此类设计模糊了健康支持与情绪管控的边界，将本应属于私人领域的情绪体验，转化为组织可监控、可干预、可问责的绩效指标。当“情绪稳定”成为隐性考核标准，个体的情感自主权便面临被制度性收编的威胁。

上述问题已引发全球监管机构的高度警觉。欧盟《人工智能法案》（AI Act）明确将“实时远程生物特征识别用于情绪识别”的公共用途列为“禁止类高风险应用”，并要求所有情感计算系统必须通过严格偏见审计与透明度认证；美国联邦贸易委员会（FTC）于2023年对两家教育科技公司开出高额罚单，理由正是其未经同意部署情绪追踪功能，构成“不公平且欺骗性商业行为”；我国国家网信办在《生成式人工智能服务管理暂行办法》修订草案中亦新增条款，强调“不得利用情感计算技术实施不当诱导、情绪操控或歧视性内容分发”。

监管叫停并非技术发展的终点，而是伦理校准的起点。真正可持续的情感计算，不应追求对情绪的精准捕获与高效利用，而应回归“以人为尺度”的设计哲学：赋予用户对自身情绪数据的完全控制权，保障情绪标签的可解释性与可申诉性，建立跨学科伦理审查机制，并在算法开发早期即纳入残障社群、少数族裔代表与人文学者参与共建。唯有当技术谦卑地承认情绪的不可穷尽性、情境依赖性与主体诠释权，情感计算才可能从一种潜在的规训工具，转变为真正尊重人性复杂性的共情桥梁。否则，每一次无声的情绪扫描，都可能是在为数字时代的“情感殖民”悄然铺路。