人形機器人要建立自然、可信的互動，需要具備連貫且可適應的個性。然而現有方法多采用靜態預設身份，缺乏針對使用者上下文的靈活性。針對這一缺陷，來自國際研究團隊（由Peizhen Li等人撰寫）近日在arXiv上提交了一篇論文，提出了PACE（Persona Adaptation through Conversational Elicitation）框架。該框架透過對話主動引導使用者提供資訊，動態生成結構化的、基於心理學的個性，並在Ameca人形機器人上工程落地。論文於2026年7月17日提交，共8頁5張圖，並附帶影片演示。
PACE的核心由兩個階段構成：互動式個性引導管道（Interactive Persona Elicitation Pipeline）和個性提示編譯階段。在第一階段，機器人透過與使用者進行多輪問答，收集關於使用者偏好、價值觀、溝通風格、興趣等多維度的資訊。這些資訊涵蓋心理學中多個個性維度，從而為後續個性化建模提供豐富素材。第二階段將這些資訊編譯成結構化的個性提示（persona prompt），該提示建立在多視角維度之上，能夠全面刻畫機器人的預期行為表現。
為了將這種結構化規範轉化為實際的人形機器人行為，論文詳細描述了身體化系統整合過程。Ameca機器人配備了先進的面部表情、語音合成和肢體運動控制模組。生成的個性提示被嵌入到行為生成系統中，驅動機器人執行一致且個性化的面部表情、語音語調、手勢和姿態。這使得機器人能夠在連續互動中表現出與個性設定相符的社交訊號，例如在對話中保持特定的友好度或嚴謹性。
研究團隊開展了一項全面的人機互動實證評估，將PACE生成的動態個性與通用基線進行對比。實驗招募了多名參與者，測量指標包括使用者信任度、感知擬人化、個性一致性、個人相關性以及整體互動質量。統計分析結果顯示，動態生成的個性在所有指標上均顯著優於靜態基線。參與者報告說，他們感覺機器人更“懂自己”，互動過程更加自然、沉浸。
這項工作為解決人形機器人個性部署的可擴充套件性問題提供了一條可行路徑。未來，個性化、互動式、可靠的機器人助手有望在客服、教育、陪伴等場景中廣泛應用。論文還提供線上影片演示，展示Ameca機器人如何透過對話快速構建並展現出從熱情外向到冷靜專業的不同個性特徵。