写代码，也写情绪
AI 要理解的不只是情绪本身，还有情绪背后的生活复杂性。
传统心理咨询师往往只掌握某一流派，如认知行为疗法或精神分析，但 AI 模型可以——集成百家之长，为用户提供更全面、更综合的心理服务。
在训练“心元大模型”的过程中，颜鑫将心理、教育、医疗多维度融合，希望 AI 能提供更加立体的支持。比如有用户来聊婚恋关系，AI 可能会发现，问题的核心其实在于亲子沟通方式的冲突。这种“多流派融合 + 多领域交叉”的能力，正是 AI 在情感智能上区别于传统心理咨询的关键优势之一。
他将情感智能的探索分成了三个方向：泛心理基座模型、个性化 + 文学表达模型、以及具身交互层面的探索。在他看来，这三个方向是一个逐渐递增的过程，从基础情绪识别，到语言共情，再到感知世界的能力，最终导向他理想中的“情感智能”：一个能听懂情绪、产生共情、提供支持的 AI。
这也是他想挑战的方向：“我的目标，是让那些无法被量化和验证的领域，变得可量化、可反馈。”
在他看来，情感智能面对的是人性中最柔软也最复杂的部分，比数学、代码更难处理。但它值得被探索，因为 AI 的价值不只是解决问题，而是让人感受到被理解和被支持。
当然，要实现这样的目标，需要一个足够扎实的大语言模型作为基础。
这也是颜鑫最终选择通义千问系列模型作为基座的原因。
为什么选择通义千问？颜鑫分享了背后的三个关键考量。
首先是预训练扎实，颜鑫认为：从现在的角度来看，我觉得在预训练层面，国内没有哪个模型比通义做得更扎实。从语料、训练到算法，通义千问在预训练阶段表现得非常成熟，这让团队在后续的 Post-Training 阶段节省了大量调优时间。
其次是模型尺寸覆盖全面，从 0.6B 到 235B MoE 模型，通义千问系列提供了丰富的参数选择，适配不同业务场景。在一些边缘设备上使用小模型进行本地部署，保护用户隐私；在复杂的任务中，如具身交互与多模态理解，则会使用 72B、235B 这样的大模型，去应对更深层的情绪理解与个性化反馈。“目前也只有千问系列，能提供这样全尺寸的模型供给我们来使用。”
第三是开源战略坚定、生态完善。颜鑫和团队希望专注于情感智能本身，而不是陷入底层技术适配的细节中。他们看重的是一个模型能否长期使用、持续演进，以及是否拥有活跃的社区和快速响应的技术支持，通义千问在这些方面提供了足够强的信心。
对颜鑫来说选择一个模型不仅是技术判断，更是对未来方向的信任。而这份信任，在真实用户的反馈中得到了最温柔的回应。
在一次次调试模型、优化推理、部署上线的过程中，颜鑫最深的体会不是算法提升了多少精度，也不是参数调得多精妙，而是亲眼见证：模型和服务的模式，正在真实的商业世界中创造价值。
当一个个以模型为核心的项目从开源走向测试、最终上线，GitHub 上不断增长的 Star 数、邮箱里一封封用户真诚的建议与鼓励，甚至来自专业机构的认可……这些来自市场的积极反馈，早已超越冰冷的数据指标。它们是他漫长研发路上最珍贵的小确幸，也让他第一次真切感受到技术之外的温度——那些真实的人、真实的情绪、真实的需求。
而推动他走上“AI + 情感智能”这条道路的，正是源于对这些需求的深切共鸣。
还在学校时，他亲历了同学们在毕业阶段的心理困境：论文、答辩、找工作、租房……种种压力交织在一起，孤独与迷茫被无限放大。他自己也曾陷入情绪低谷，尝试过心理咨询，深知那种在情绪泥沼中挣扎的感觉有多痛苦。
也正是那时，他开始思考：能不能借助 AI 的力量，缓解身边人的心理压力？能不能降低心理咨询的门槛？
对颜鑫来说，他想用大模型做一件更长远的事：他希望用 AI 打破无形的知识壁垒，让文化以模型的形式传递下去，不再受限于家庭背景、教育资源或成长环境，而是让那些曾点亮过自己的思想，也能被更多人看见。
这，是他对情感智能的理解，也是他对未来的期待。
如何用泡面预算，喂饱一个手机AI
点击「阅读原文」收听完整采访音频