人类为何信任机器人？认知信任与情感信任的形成机制

【HRI 2026】人类为什么会信任机器人认知信任与情感信任的形成机制这次我们聊一个偏前沿但特别实际的问题在 HRIHuman-Robot Interaction人机交互这个领域研究人员最头疼的其实不是机械臂精度、不是导航避障、不是大模型对话能力而是“用户到底愿不愿意把任务交给机器人”。从扫地机器人被用户反复“人工接管”到协作机械臂在旁边工人不敢背对干活再到人形机器人走进展厅大家只敢围观不敢上手——这些问题表面上是产品设计问题背后全是同一个心理机制信任。HRI 2026 相关讨论里信任问题被反复提起而且研究路线越来越清晰人类对机器人的信任不是单一的而是分成认知信任和情感信任两条通道两条通道的形成机制、影响因素、破裂方式都不一样。这篇文章不写玄学只做三件事第一把认知信任和情感信任的研究框架拆开讲清楚第二结合机器人外观、行为透明度、交互反馈等可控因素给出工程和实验上能落地的设计方向第三讨论信任测量怎么做、信任怎么破裂、怎么修复。内容适合做机器人产品、做 HRI 实验、做服务机器人落地的工程师和研究者。1. 信任为什么是机器人落地的关键问题很多人在做机器人系统时默认把“功能正确”当作最高目标机械臂抓取精度够高、导航不撞墙、语音问答能答对就觉得用户应该会接受。但 HRI 研究反复证明一件事机器人没有被使用的功能等于没有功能。信任在 HRI 中的重要性可以归纳为三个层面第一信任决定了用户是否愿意把任务委托给机器人。用户如果对机器人没有信任就不会开启自主模式不会让它执行关键步骤甚至会全程人工接管。结果是机器人系统本身没故障却因为“用户不放心”而被闲置。第二信任决定了用户如何解释机器人的错误。同一个错误出现在一个被信任的机器人身上用户会倾向于认为是偶发故障出现在一个低信任的机器人身上用户会认为是“这东西根本不行”继而彻底弃用。第三信任决定了多机器人系统和人机协同的效率。多机器人调度、人机协作产线、远程操作场景中信任直接影响人的干预频率和决策带宽。干预越多协同效率越低机器人的自主性优势就越难体现。所以HRI 领域把信任视为人机协同的“底层操作系统”。功能性能只是上层应用信任机制决定了这些功能有没有机会被真正运行。2. 信任的双通道模型认知信任与情感信任现在主流的 HRI 信任研究基本都接受了双通道观点信任由认知信任和情感信任共同组成两者来源不同、变化速度不同、对行为的影响也不同。2.1 认知信任基于能力和可靠性的判断认知信任简单说是“我觉得它行不行”。它来自用户对机器人能力的理性评估。具体包括几个维度可靠性机器人在过去任务中表现稳定错误率低。可预测性机器人行为符合用户预期用户能猜到它下一步要干什么。能力感知机器人展示出的技能水平比如识别准确率、抓取成功率、导航避障能力。透明度机器人是否能让用户理解它为什么这么做。认知信任最像“绩效记录”它建立在历史交互经验之上机器人表现好认知信任就上升表现差认知信任就快速下降。它的特点是形成相对慢需要多次交互验证但一旦形成也比较稳定。2.2 情感信任基于情感联结和社交判断情感信任是另一条通道它回答的是“我觉得它对我有没有善意、我们配合得舒不舒服”。情感信任的来源包括拟人化感知机器人有类似人类的面部表情、语音语调、肢体语言用户会不自觉地用社交规则对待它。共情响应机器人能识别用户情绪并做出相应反馈比如用户焦虑时降低语速、解释操作。群体归属感机器人表现出“站在用户一边”的态度而不是冷冰冰地执行指令。社会在场的舒适度用户和机器人互动时是否感到自然、放松。情感信任的特点是形成速度快甚至一次交互就能建立但它也很脆弱一次“冷漠回应”或“违背社交预期”就可能明显受损。2.3 两条通道的交互关系认知信任和情感信任不是独立运行的它们会互相影响。比较典型的情况是一个外表很可爱的机器人用户对它的初期情感信任较高会更愿意忽略它的一些小错误这给认知信任的建立留出了“缓冲期”。而一个功能很强大但交互生硬的机器人认知信任可能很高但用户在情感上始终不适最终使用意愿还是受限。研究里有一个重要判断信任的建立阶段认知信任和情感信任共同起作用信任的修复阶段情感信任的作用往往更关键。产品设计时如果只抓功能可靠性而忽略交互体验长期留存会出问题反过来只做拟人化设计而没有可靠功能初期新鲜感过了信任会崩塌得更严重。3. 认知信任的形成机制四个可设计的入口认知信任不是用户凭空产生的心理状态而是机器人系统可以通过设计主动影响的结果。从 HRI 的研究脉络来看认知信任的建立有四个关键入口。3.1 行为可预测性用户信任一个系统首要条件是“我能预期你的行为”。工业机器人领域有一个很直观的现象协作机械臂轨迹规划如果不稳定同一任务每次走的路径都不一样操作员就会觉得“这台机器很怪”慢慢就不敢让它进入高价值作业。相反如果机器人每次行为都在预期范围内用户会形成“它就是这么干活的”的心理模型认知信任就逐步累积。工程上的启示是在加入复杂 AI 策略之前先保证行为的可重复性。如果必须采用随机性策略比如 RRT 路径规划的随机采样要在交互层做“行为解释”否则用户无法建立稳定的预期。3.2 透明度与可解释性透明度是 HRI 信任研究里高频出现的关键词。它解决的是“机器为什么这么做”的问题。比如一台移动机器人执行导航任务时如果用户不知道它的目标点、路径策略和避障逻辑看到它绕路就会产生疑虑。但如果机器人通过屏幕或语音说明“前方通道拥挤正在改走备选路径”用户的认知信任状态会明显改善。透明度的实现层级可以从浅到深透明度层级说明示例意图层告诉用户当前要做什么“我现在去充电桩”推理层告诉用户为什么这么做“剩余电量低于20%需要回充”模型层展示内部决策逻辑显示代价地图或决策树不确定性层告知自身置信度“目标识别置信度85%建议确认”并不是层级越高越好。对于普通用户意图层和推理层的透明度足够对于专业操作员模型层和不确定性层更有价值。过度透明反而增加认知负担。3.3 能力展示与校准用户的认知信任需要“证据”。一个机器人说“我可以做手术级精度操作”用户不会直接相信而是通过试运行、演示、连续任务表现来校准信任水平。这里有一个重要概念信任校准。如果机器人实际能力低于用户感知会出现过度信任用户把关键任务交给一个没把握的系统这很危险如果机器人实际能力高于用户感知会出现信任不足用户不敢用造成能力浪费。工程实践上可以通过阶段式能力展示来校准信任先展示低风险、高成功率的任务建立基础认知信任。逐步提高任务复杂度每一次成功都强化信任。在失败不可避免时提前声明不确定性降低用户预期偏差。3.4 错误信息的诚实反馈机器人的错误反馈方式对认知信任的影响被很多团队低估。一个微妙现象是有时候机器人犯错的危害不大但“隐瞒错误”或者“错误后不解释”带来的信任损失更大。用户最反感的是“它明明没做对却表现得很正常”。这种不确定性会让用户对机器人所有行为都产生怀疑。所以在系统设计里应该有明确的“错误声明”机制识别到异常就明确报错并且给出失败原因和恢复措施。这种诚实反馈短期看是暴露了问题长期看是在维护信任的底线。4. 情感信任的形成机制从拟人化到情感联结情感信任看起来抽象但实际上同样可以通过交互设计来引导。它的起点是“人类天然会向类人实体投射社会属性”这是心理学中非常稳定的现象。4.1 外观设计的社交线索外观是情感信任的第一触发点。HRI 研究中大量实验表明机器人外观的拟人程度与用户的情感反应之间存在倒 U 型关系完全不拟人纯机械臂形态难以触发社交反应过度拟人无限接近真人容易引发“恐怖谷”效应适度的拟人化最容易建立情感联结。这个结论对产品设计的直接指导是不必追求高仿真人形。圆润的轮廓、大眼睛、柔和的颜色往往比二臂二足的类人形态更容易让用户产生亲近感。服务机器人、陪护机器人大量采用卡通化外观背后就是这个逻辑。4.2 反馈行为与共情表达机器人能不能对用户情绪做出响应是情感信任的另一大来源。具体可落地的行为包括用户表现出困惑时机器人放慢语速重新解释操作步骤。用户表达焦虑时机器人提供鼓励性话语“别担心动作很慢不会碰到你。”机器人犯错后用道歉口吻说明情况“抱歉我需要重新规划路径。”任务完成后给出积极反馈“已完成干得漂亮。”这些行为实现起来不需要通用人工智能只需要简单的情绪识别规则加话术模板但其对情感信任的提升效果非常显著。4.3 群体归属与共同目标情感信任的另一个来源是“我们是不是一边的”。机器人可以通过语言和行为表达“站在用户一边”的态度比如用“我们一起完成”“我来帮你”这类表达而不是“任务执行中”这种中性指令。这种语言策略会强化用户的群体归属感。还有研究关注机器人与其服务的团队是否形成“内群体”感知。当机器人表现出与用户一致的偏好或目标时用户对它的信任评价明显上升。4.4 边界情感信任不能弥补能力缺陷情感信任有一个必须强调的边界它不能长期弥补能力缺陷。一个情感反馈做得非常好的机器人用户初期会因为好感而忽略小问题但一旦遭遇重大失败情感信任崩塌后的后果更严重用户会产生“被背叛”的感觉。所以情感设计应该被视为信任的“加速器”而不是“安全网”。5. 信任测量实验设计和量化评估方法如果做 HRI 研究或产品评估信任必须能被测出来。目前主流的信任测量方式有三大类主观量表、行为指标、生理指标。5.1 主观量表这是最常用也最容易被质疑的方式。HRI 信任研究领域常用的量表包括人机信任量表Human-Robot Trust Scale关注能力、可靠性、意图等维度。人际信任量表的改编版本从人际信任研究迁移而来。自定义语义差异量表比如从“不可预测—可预测”“危险—安全”等维度打分。使用量表时要注意单次测量会受社会赞许效应影响建议在交互前、交互中、交互后分别测量观察信任的动态变化。5.2 行为指标比量表更客观的测量方式是观测用户的实际行为。典型的行为指标包括干预频率用户主动接管机器人的次数。接管越少说明信任越高。距离保持用户与机器人交互时保持的身体距离。距离越近说明舒适度和信任越高。任务委托率用户愿意交给机器人执行的任务比例。自我披露程度用户是否愿意向机器人透露个人信息或偏好。5.3 生理指标生理指标用于捕捉用户无法主动控制的反应。常用的有皮电反应反映唤醒程度与紧张、焦虑相关。心率变异性反映压力和情绪状态。眼动追踪注视模式可以反映用户对机器人行为的关注程度。面部表情编码分析用户交互过程中的微表情。生理指标的建议是不要单独使用它是量表和行为的补充适合用来发现用户口头报告与实际反应不一致的情况。5.4 实验范式建议如果要在实验室或现场评估机器人系统的信任水平可以按这个流程走设计交互任务覆盖低风险到高风险等级。在交互前测量基线信任水平。让用户与机器人完成指定任务中途设计 1 到 2 次可恢复的“小故障”。记录干预次数、任务完成时间、主观评分和生理数据。交互结束后进行半结构化访谈收集用户对机器人行为的定性描述。综合分析量表看态度变化行为看实际委托程度生理看无意识反应。6. 信任破坏与修复机制信任研究有一个特别重要的板块信任不是在真空里建立的它一定会被破坏。研究信任修复比研究信任建立更接近真实使用场景。6.1 信任破坏的三种类型HRI 研究中常把信任破坏分为三类破坏类型含义示例可靠性破坏机器人实际能力不足抓取失败、导航撞墙伦理破坏机器人行为违背道德规范泄露用户隐私、隐瞒故障社交破坏机器人违反社交规则无视用户情绪、傲慢回应可靠性破坏对认知信任影响大伦理破坏和社交破坏对情感信任影响大。不同类型的破坏需要不同的修复策略。6.2 信任修复策略信任修复策略总体分两类口头道歉、行为补偿。口头道歉对有明确过错方的情境有效但频繁道歉会失效。行为补偿机器人通过后续稳定表现重新赢得信任修复周期更长但更可靠。研究中的常见做法是“道歉解释改进承诺后续稳定表现”四步组合。道歉和解释恢复情感信任改进承诺和后续表现恢复认知信任。6.3 一个容易被忽视的点失败后的沉默很多机器人系统在出错后没有日志式反馈用户看到的是“它停了”或者“它重新尝试”。这种沉默对信任的伤害非常大。用户无法判断机器人是遇到困难、正在恢复还是已经卡死。建议所有面向用户的机器人系统在异常发生后至少给出三个信息发生了什么、为什么发生、下一步计划做什么。这三句话不需要复杂但能显著降低用户的失控感和不信任感。7. 对机器人设计和工程落地的启示从信任机制的研究往回推可以得到一批非常具体的工程建议。7.1 把信任指标加入产品验收很多机器人项目的验收标准只有功能指标成功率、时延、准确率。建议增加信任相关指标至少要包括用户任务委托率。用户干预频率。用户交互后的信任量表评分。用户对机器人行为的可解释性评价。7.2 设计“可预期”的默认行为在自主决策能力尚不完美之前机器人的默认行为应该是可预期的。尽量避免同一次任务中出现不一样的策略选择。如果策略被迫调整必须有明确的提示。7.3 透明度设计要有层级不要一上来就把内部日志打给用户也不要什么都不说。建议按照用户角色分流普通用户给意图层解释专业用户给推理层解释维护人员给完整日志。7.4 情感设计控制边界拟人化反馈适合服务机器人、医疗陪护机器人、教育机器人但在工业操作台上过度拟人化反而可能干扰专业操作者的判断。设计情感反馈前先确认场景用户是基于效率决策还是基于体验决策。7.5 人机协同的干预机制必须保留无论机器人多么强大都要保留用户的“停止权”和“接管权”。用户知道自己随时可以介入本身就在提高信任感。剥夺用户控制感的系统即使功能再强也很难建立长期信任。8. 常见误区与争议关于机器人信任有一些直觉上合理、但研究结果并不支持的看法值得分开讲。8.1 误区一信任越高越好不是。信任需要校准不是需要最大化。过高的信任会导致用户忽视机器人发出的警告在异常情况下形成过度依赖。HRI 领域更关心的概念是“适当的信任”而非“更多的信任”。8.2 误区二拟人化等于信任拟人化是建立情感信任的途径之一但不是全部。大量研究表明拟人化程度过高反而会降低用户对系统能力的评估因为用户会拿“人”的标准去要求机器人。一旦用户期待“像人一样聪明”机器人的小错误就会显得更加不可接受。8.3 误区三信任是静态的信任不是一次建立就永久保持。每次交互、每次错误、每次反馈信任都在波动。产品设计需要建立“信任监控”意识尤其是在机器人改变策略或更新算法后要重新评估用户的信任水平。8.4 争议情感劳动的伦理边界机器人主动建立情感联结也引发了伦理争议。如果用户尤其是老人、儿童、心理脆弱人群对机器人产生情感依赖而机器人实际上没有真正的“情感”这种设计是否构成欺骗目前在 HRI 研究里比较主流的立场是“透明共情”机器人可以表达共情但应当避免让用户误以为机器人拥有真实情感。具体的边界还在讨论中做产品的人需要认真评估这个风险尤其是面向弱势群体的应用。9. 跟进研究和下一步方向从 HRI 2026 的讨论趋势看信任研究正在从“静态测量”走向“动态建模”几个方向值得关注第一大语言模型对信任的影响。具备自然语言对话能力的机器人会显著改变用户的信任建立路径。用户可能在没有充分交互验证的情况下因为“它说话像人”而给出较高的初始信任。这种信任是否可靠、如何校准是新的研究点。第二长期交互中的信任演化。大多数信任研究还停留在单次交互或短期实验机器人进入家庭、医院、工厂后用户信任会在几周甚至几个月内发生什么变化数据非常缺乏。第三多机器人场景中的信任迁移。用户信任机器人 A 的体验会不会迁移到机器人 B 上同一品牌、同一外观、同一语音风格会不会形成信任的“品牌效应”这个问题还没有定论。第四信任的实时感知与自适应调节。未来机器人如果能实时感知用户信任状态通过面部表情、语音语调、干预行为并动态调整自己的透明度水平、解释方式和任务策略那将是 HRI 系统设计的重大进步。信任机制研究到这个阶段就不再只是测试问卷而是直接进入了在线控制系统。对于正在做机器人产品或者准备进入 HRI 方向的团队现在就可以做的事是把信任当成一个功能模块来设计在需求文档里明确“用户怎么建立信任、机器人怎么维持信任、失败后怎么修复信任”。这三件事想清楚了机器人的落地概率会高很多。