情感启发学习信号（EILS）：用于自适应自主智能体的仿生框架

现代人工智能中主导方法，从深度强化学习（DRL）到大语言模型（LLM），都依赖大量静态、外部定义的奖励函数。虽然这种“外部最大化”方法在封闭、稳态领域内展现出超越人类的性能，但在开放性、现实环境中会导致智能体脆弱。标准智能体缺乏内部自主性：它们在缺乏稠密反馈时难以探索，对分布迁移（非平稳性）适应不足，需要 extensive 手动调参静态超参数。本文提出，鲁棒自主性未被解决的关键因素是一种类似生物情感的功能性机制，作为高层仿生控制机制。我们引入情感启发学习信号（Emotion-Inspired Learning Signals, EILS），一个统一框架，用以用连贯的、仿生的内部反馈引擎取代分散的优化启发式方法。不同于传统方法将情感视为语义标签，EILS 将情感建模为如好奇心、压力和置信度等连续、仿生评估信号。我们将这些信号 formalization 为来自交互历史的向量值内部状态。这些状态会实时调制智能体的优化 landscape：好奇心调节熵以防止模式坍塌，压力调节可塑性以克服活动不足，置信度调整信任区域以稳定收敛。我们假设，这种闭环仿生调节能够使 EILS 智能体在样本效率和非平稳适应性方面超越标准基线。