The 2026 ACII Dyadic Conversations (DaiKon) Workshop & Challenge
2026 年 ACII 双人对话（DaiKon）研讨会与挑战赛推出了一项包含 945 个自然主义多语言双人交互的综合基准与数据集，旨在通过聚焦方向性影响、话轮转换和融洽关系轨迹预测的三个子挑战，推动人际情感与社会动态建模的发展。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象两个人相对而坐，正在进行对话。他们并非简单地轮流发言，而是在共舞。一个人的笑话引得另一个人发笑；一个人的犹豫让另一个人停顿；随着时间流逝，他们建立起一种联结感（或称“融洽关系”）。
长期以来，计算机擅长分析房间里的单个人——就像独唱歌手唱出一个高音。但它们难以理解这场二重奏：A 的情绪如何影响 B 的情绪，他们如何协调彼此的时机，以及他们的关系如何演变。
本文介绍了一个为计算机科学家设立的全新“健身房”，名为ACII-DaiKon 挑战赛。这是一项旨在教会计算机理解这种双人舞蹈的竞赛。
以下是他们所做工作的分解，辅以简单的类比：
1. 数据集：一个真实对话的巨型图书馆
组织者构建了一个名为Hume-DaiKon 数据集的庞大图书馆。
- 收录内容：包含945 段对话（超过 743 小时的视频和音频），涉及成对的人。
- 多样性：这些并非剧本化的表演，而是网上随机配对的两名陌生人之间真实、自然的聊天。他们使用五种不同的语言（英语、德语、西班牙语、荷兰语和波兰语）。
- 设置：想象一个视频通话，两个人被要求聊聊他们的周末或假期。系统分别录制两人的画面（以便计算机在听 B 的声音时能看到 A 的脸），并捕捉从语调到面部表情的所有细节。
2. 三项挑战（“赛事”）
该竞赛要求参与者构建能够基于这些对话解决三个特定谜题的 AI 模型：
谜题 A：“情感回声”（影响）
- 目标：根据 A 刚刚所说的话或所做的动作，预测 B此刻的感受。
- 比喻：想象 A 是一个风向标。如果 A 看起来生气，B 的情绪是否会随之转变？AI 必须根据对方的行为，猜测 B 是在感到“喜悦”、“焦虑”还是“无聊”。
- 关键点：这不仅仅是凭空猜测 B 的感受，而是要猜测 A 如何影响了这种感受。
谜题 B：“话语权交接”（轮流发言）
- 目标：预测两件事：谁将下一个发言，以及他们何时开始发言。
- 比喻：想象一个“烫手山芋”游戏。AI 必须观察玩家并猜测：“当前的说话者即将放下山芋（停止说话），还是会紧紧抓住不放？如果他们放下，需要多少秒另一个人才能接住？”
- 难点：有时人们会互相重叠说话，有时会有打断，有时则会有长时间的沉默。AI 必须识别出那些暗示转换的微妙线索（如深呼吸或眼神）。
谜题 C：“关系温度计”（融洽度）
- 目标：追踪两人之间的“联结”从聊天开始到结束是如何变化的。
- 比喻：想象一支温度计，测量两人相处得有多融洽。随着对话的推进，温度是上升（他们在建立联结）还是下降（他们感到尴尬或正在争吵）？
- 挑战：AI 必须审视整个对话，而不仅仅是某一句话，以判断关系是在升温还是降温。
3. 工具：计算机正在使用什么
为了解决这些谜题，研究人员为参与者提供了一套“眼睛”和“耳朵”：
- 耳朵（音频）：计算机使用名为Whisper的工具聆听声音。它将语音转化为一系列数字，捕捉声音的语调、速度和情绪。
- 眼睛（视频）：计算机使用名为FaceNet的工具观察面部。它将面部表情转化为数字，捕捉微笑、皱眉和头部动作。
- 结果：计算机获得两人并排的连续数字流，试图从中寻找模式。
4. 目前的发现（基线结果）
组织者运行了一些简单的“入门”AI 模型，以测试这些谜题的难度。以下是他们的发现：
- 声音为王：对于所有三个谜题，当计算机仅聆听声音时，其表现远优于仅观察面部。
- 类比：这就像试图通过看歌手的嘴唇来理解一首歌，与聆听音乐本身相比。在这些特定测试中，音乐（声音）比视觉（面部）更好地讲述了故事。
- 混合使用尚未奏效：当他们尝试结合“眼睛”和“耳朵”时，简单模型并未获得显著提升。事实上，对于“融洽度”谜题，添加视频数据甚至使得分略有下降。
- 原因？这就像戴着雾蒙蒙的眼镜试图解谜。简单模型被额外的视觉数据搞糊涂了。论文指出，未来我们需要更聪明的方法来融合这两种感官。
- 得分：最好的简单模型根据任务不同，准确率约为40% 到 70%。这意味着计算机开始把握对话的“大意”，但它们距离理解人类互动中那种深邃、复杂的舞蹈还有很长的路要走。
总结
本文是向全球最聪明的计算机科学家发出的一份邀请：停止孤立地观察个人，转而将他们视为成对的个体。
他们提供了原材料（视频库）、规则（三个谜题）以及起点（简单模型）。其目标是构建一种 AI，它不仅能听到词语，更能理解两个人交谈时的节奏、影响和联结。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。