近日，云從科技、曠視科技及依圖科技等“AI四小龍”披露了上市文件。Microsoft、Google、百度、阿里、騰訊等科技巨頭在AI視覺和AI語音中也具有非常大的聲量，AI視覺與AI語音均成長為百億級別的市場。相較之下，同樣作為感知研究的AI嗅覺研發(fā)似乎沒那么“火熱”，甚至有些“乏人問津”。

《2020胡潤全球獨角獸榜》共586家公司中，有63家公司從事人工智能研發(fā)，總價值為1304億美元，絕大多數(shù)專注于自動駕駛和人臉識別技術(shù)，并沒有出現(xiàn)以人工智能嗅覺為主的公司。中國科學(xué)院發(fā)布的《全球人工智能企業(yè)TOP20榜單》中，幾乎全部都以計算機視覺技術(shù)、自然語言處理技術(shù)或自主無人技術(shù)為發(fā)展重心，至今尚未出現(xiàn)AI嗅覺領(lǐng)域的獨角獸公司。

近年才逐漸成熟的技術(shù)

技術(shù)是AI嗅覺領(lǐng)域難產(chǎn)獨角獸的主要因素。在人工智能學(xué)習(xí)領(lǐng)域中，嗅覺是最難以捉摸的感官。不同于有實體操作對象的圖片識別，“虛無縹緲”的氣味無法進行空間上的分類和界定。且化學(xué)分子的排列順序變動都會對氣味造成影響，不易建立化學(xué)成分和氣味香臭的關(guān)聯(lián)。即使人工智能可以辨認分子的化學(xué)結(jié)構(gòu)，也難以準確辨別其氣味。

另外，由于氣味感受帶有一定主觀性，不像黃色就是黃色＝y(tǒng)ellow，毫無爭議。同一種氣味可以形容為“甜膩”也能說是“香濃”，故氣味識別也是一個多標簽分類問題。

看不見摸不著的東西本來就抽象，加上難以描述，氣味本身的特殊性為氣味數(shù)據(jù)的采集和分類建立了一道難以攻克的城墻。人工智能嗅覺研究起步原本就晚于AI視覺和語音，技術(shù)上的困境讓AI嗅覺研究更加遲緩、不受重視，直至近年才逐漸“開花結(jié)果”。

別聞了，還是用看的吧

為了讓氣味更直觀更形象，研究者們腦洞一開，讓氣味“看的見”不就好了？

“智能相對論”查詢到，由于現(xiàn)有基于視覺信息的學(xué)習(xí)算法無法直接用于訓(xùn)練AI識別氣味，一個由Google、加拿大高等研究院（Canadian Institute For Advanced Research，簡稱CIFAR）、矢量人工智能研究所、多倫多大學(xué)（University of Toronto）和亞利桑那州大學(xué)（University of Arizona）的科學(xué)家組成的研究團隊將氣味分子解釋為圖形，讓氣味“可視化”。

2019年，他們發(fā)表了一篇名為《機器學(xué)習(xí)氣味：學(xué)習(xí)小分子的通用感知表示》 （Machine Learning for Scent：Learning Generalizable Perceptual Representations of Small Molecules） 的論文，提出利用圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNNs），以向量形式代表氣味分子，使人工智能將單個特定分子與其氣味聯(lián)系起來。

這種訓(xùn)練方法和AI在視覺、聽覺方面的深度學(xué)習(xí)異曲同工，需要豐富的資料作為學(xué)習(xí)素材。具有神經(jīng)網(wǎng)絡(luò)的圖形很適合用于氣味關(guān)系的定量建模，氣味可以被標記為多個分類標簽。

除了預(yù)測氣味，GNNs還能用僅有的數(shù)據(jù)對新提煉出的氣味進行分類，有助于發(fā)現(xiàn)新的合成增香劑，從而減少從天然作物中提取香料而造成的生態(tài)影響。這項技術(shù)尚未真正落地，研究團隊還在探討氣味數(shù)字化方面的可能性，希望能沒有嗅覺的人提供解決方案。

想不出原創(chuàng)，那就抄昆蟲的作業(yè)吧

相較于“大開腦洞”的氣味分子圖像化，還有一部份科學(xué)家選擇使用模仿昆蟲腦部系統(tǒng)運作的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法來訓(xùn)練AI。

比起繁復(fù)的視覺與聽覺神經(jīng)系統(tǒng)，生物的嗅覺系統(tǒng)簡單許多。氣味信息僅由少數(shù)幾層神經(jīng)網(wǎng)絡(luò)進行分析，沒有過多層級與復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可說是嗅覺識別系統(tǒng)的優(yōu)勢。

2009年，英國斯科塞斯大學(xué)的Thomas Nowotny搭建了一種基于昆蟲的嗅覺的模型，用來識別氣味，也可以識別手寫的數(shù)字。即使去除了大部分神經(jīng)元，也不會過度影響模型性能。但此技術(shù)僅停留在實驗室內(nèi)，并未落地成為產(chǎn)品。2016年，華盛頓大學(xué)（University of Washington）Charles Delahunt研究團隊創(chuàng)造出更完整的模型—模仿煙草天蛾（Manduca sexta）嗅覺結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，可將氣味信息轉(zhuǎn)化成行為指令。研究團隊發(fā)現(xiàn)，由于神經(jīng)層級較少且標簽各自獨立，不同于以往需要依靠大量數(shù)據(jù)來學(xué)習(xí)的算法，這種“自然的方法”只需極少數(shù)的樣本，就能實現(xiàn)神經(jīng)網(wǎng)絡(luò)的快速學(xué)習(xí)，這是仿生嗅覺系統(tǒng)最大的優(yōu)勢。除此之外，生物嗅覺模型擅長檢測背景噪聲中的微弱信號，解決了傳統(tǒng)算法模型遭遇的“雞尾酒會問題”。

Delahunt指出，“機器學(xué)習(xí)方法擅長在具備大量數(shù)據(jù)的前提下，提供非常精確的分類器，而昆蟲模型則非常擅長利用少部分數(shù)據(jù)快速進行粗略分類?！敝链耍芯空邆儾虐l(fā)現(xiàn)仿生嗅覺算法的最大優(yōu)勢，并開始思考這種算法模型的落地問題。

相較于“計算所有可能，尋找最優(yōu)解”的傳統(tǒng)算法。生物嗅覺模型仿照生物大腦運動軌跡，把基本目標簡化為識別哪些隨機特征與正確結(jié)果間存在相關(guān)性。就像我們看到一個陌生人，會不自覺地將他與認識的人做比較，而不會一一記下他的身高體重肩寬腰圍等所有外貌數(shù)據(jù)。

這種仿生的“一次性學(xué)習(xí)策略”可以讓AI持續(xù)學(xué)習(xí)新的氣味，不會干擾其他神經(jīng)元。加入新元素也不需重新學(xué)習(xí)，也比依托于大量數(shù)據(jù)庫的傳統(tǒng)算法功耗更低，更加“節(jié)能”。

高效低耗的AI鼻子

模仿生物嗅覺系統(tǒng)的算法模型為人工智能神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)扔下一顆火種，點燃了許多科學(xué)家的靈感。以仿生嗅覺算法為基礎(chǔ)，近年才逐漸有相關(guān)產(chǎn)品落地。

2017年，尼日利亞的Oshiorenoya Agabi改造小鼠的神經(jīng)元，制造了世界首個具有嗅覺并可以識別爆炸物等氣味的芯片Koniku Kore。此芯片是活體神經(jīng)和硅的混合物，可以模擬204個腦神經(jīng)元的功能，具有能夠檢測和識別氣味的傳感器?？捎糜跈z測揮發(fā)性化學(xué)物質(zhì)、爆炸物等氣味，代替人類執(zhí)行安檢、排爆等工作。

今年3月，英特爾（intel）神經(jīng)形態(tài)計算實驗室與康奈爾大學(xué)（Cornell University）推出了進階版英特爾自學(xué)習(xí)神經(jīng)擬態(tài)芯片Loihi，能在明顯的噪聲和遮蓋情況下，成功識別10種有害氣體。研究人員采用一個由72個化學(xué)傳感器活動組成的數(shù)據(jù)集，通過配置生物嗅覺的電路圖來“教”Loihi聞味道。

Loihi可通過脈沖或尖峰傳遞氣味信息，利用環(huán)境中的各種反饋信息進行自主學(xué)習(xí)、下達命令。運用仿大腦嗅覺電路的神經(jīng)網(wǎng)絡(luò)機制算法，模仿人類聞到某種氣味后大腦的運作機制。

英特爾的“電子鼻”構(gòu)建出類似人類的鼻腔通道，運用了傳感器＋算法＋神經(jīng)擬態(tài)芯片，能在未知氣味中識別特定氣味，是氣味傳感技術(shù)的一大突破。

這組神經(jīng)擬態(tài)系統(tǒng)在硬件層面上復(fù)制了生物神經(jīng)元組織、通信和學(xué)習(xí)方式，具有低能耗、低成本、識別多樣性、易用性等優(yōu)勢?？梢杂糜谠\斷疾病、檢測武器和爆炸物，及時發(fā)現(xiàn)并甄別麻醉劑、煙霧和一氧化碳等有害氣味。

近年來，氣味監(jiān)測服務(wù)逐漸從To B轉(zhuǎn)向To C，進而滿足針對企業(yè)和個人更加定制化、個性化的需求。低成本、低能耗且易用的AI鼻子已實現(xiàn)了人工智能嗅覺領(lǐng)域的技術(shù)突破，但要實現(xiàn)真正的落地和普及，必須再擴展AI鼻子的應(yīng)用范圍。

應(yīng)用范圍“不如人”

擁有應(yīng)用范圍廣泛的專利技術(shù)是AI四小龍的共性。AI嗅覺離獨角獸之間，可能還差了幾個應(yīng)用場景。

目前，人工智能的研究以計算機視覺技術(shù)、自然語言處理技術(shù)以及自主無人技術(shù)最受關(guān)注。 “智能相對論”以獲得超過30億美元融資的商湯科技為例，成立伊始就憑借人臉識別技術(shù)得到小米、華為、美圖秀秀、中國移動等大客戶。同時，致力于技術(shù)原創(chuàng)，深耕于深度學(xué)習(xí)算法，并搭建了自己的超算平臺。以“1（基礎(chǔ)研究）＋1（產(chǎn)品及解決方案）＋X（行業(yè)）”的商業(yè)模式為支持，商湯科技已賦能安防、交通、教育、金融等行業(yè)，幾乎在所有視覺場景中都有布局。

相較之下，AI嗅覺雖具有一定的實用性，但應(yīng)用范圍遠不如計算機視覺技術(shù)、自然語言處理技術(shù)以及自主無人技術(shù)。以主要用作氣味監(jiān)測、環(huán)境分析與氣味標準化的Intel電子鼻來說，應(yīng)用場景有環(huán)保、醫(yī)療、安防。但由于一般人對氣體檢測與環(huán)境分析的需求不高，傳統(tǒng)的氣味傳感器已經(jīng)可以滿足日常生活使用，且人們對這方面的人工智能嗅覺產(chǎn)品沒有那么大的需求。研究AI嗅覺或許可以改善現(xiàn)有氣味傳感器的不足，但應(yīng)用范圍與產(chǎn)品需求的限制，造成大部份企業(yè)更愿意將資源投入商業(yè)價值較高的AI視覺、聽覺技術(shù)研發(fā)。

除了技術(shù)本身的瓶頸，應(yīng)用范圍小、企業(yè)投入低所導(dǎo)致的研究人才缺乏也是造成人工智能嗅覺發(fā)展緩慢的原因。人工智能嗅覺的應(yīng)用范圍不如視覺、語音等領(lǐng)域廣泛，企業(yè)投入低使得就業(yè)面窄、項目落地難度較大。從招聘網(wǎng)站上相關(guān)工作崗位需求量可見，AI視覺相關(guān)人才在招聘市場上炙手可熱，與AI嗅覺呈現(xiàn)強烈對比。

在就業(yè)不易的情況下，愿意從事AI嗅覺研發(fā)的人才更加匱乏，因此惡性循環(huán)。由于技術(shù)發(fā)展較慢、應(yīng)用場景不多，AI嗅覺領(lǐng)域并未受到學(xué)界與企業(yè)的普遍關(guān)注，自然難以誕生獨角獸。目前較為成熟的人工智能嗅覺領(lǐng)域研究成果，依然主要來源于高等院校和研究機構(gòu)。

現(xiàn)今，技術(shù)難題逐漸被克服，擴大應(yīng)用場景與市場容量以增加研究人才與資方投入，成為AI嗅覺技術(shù)造就獨角獸的必經(jīng)之路。也許，AI鼻子可進入廚房，用于監(jiān)測冰箱食物新鮮度及料理火候；或幫助化妝品、香水氣味標準化，在提高產(chǎn)品質(zhì)量的同時降低管控成本。人工智能嗅覺獨角獸的誕生，除了依托于行業(yè)本身的技術(shù)進步，也需通過產(chǎn)品創(chuàng)新，來創(chuàng)造新的AI嗅覺需求。

結(jié)語

不同于人工智能視覺、聽覺研究的飛速發(fā)展，緩步前行的AI嗅覺研究也走出了自己的路。除了AI鼻子們帶來的效益，仿生嗅覺算法模型本身的價值也不容小覷，但人工智能嗅覺技術(shù)的應(yīng)用場景還需要研發(fā)者們多多發(fā)揮想象力，AI嗅覺領(lǐng)域的獨角獸似乎離我們還有一段距離。

責任編輯：haq