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，總價值為1304億美元，絕大多數專注于自動駕駛和人臉識別技術，并沒有出現以人工智能嗅覺為主的公司。中國科學院發布的《全球人工智能企業TOP20榜單》中，幾乎全部都以計算機視覺技術、自然語言處理技術或自主無人技術為發展重心，至今尚未出現AI嗅覺領域的獨角獸公司。

近年才逐漸成熟的技術

技術是AI嗅覺領域難產獨角獸的主要因素。在人工智能學習領域中，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。且化學分子的排列順序變動都會對氣味造成影響，不易建立化學成分和氣味香臭的關聯。即使人工智能可以辨認分子的化學結構，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＝yellow，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據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，由于現有基于視覺信息的學習算法無法直接用于訓練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（University of Toronto）和亞利桑那州大學（University of Arizona）的科學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，他們發表了一篇名為《機器學習氣味：學習小分子的通用感知表示》 （Machine Learning for Scent：Learning Generalizable Perceptual Representations of Small Molecules） 的論文，提出利用圖神經網絡（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系起來。

這種訓練方法和AI在視覺、聽覺方面的深度學習異曲同工，需要豐富的資料作為學習素材。具有神經網絡的圖形很適合用于氣味關系的定量建模，氣味可以被標記為多個分類標簽。

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

想不出原創，那就抄昆蟲的作業吧

相較于“大開腦洞”的氣味分子圖像化，還有一部份科學家選擇使用模仿昆蟲腦部系統運作的神經網絡深度學習算法來訓練AI。

比起繁復的視覺與聽覺神經系統，生物的嗅覺系統簡單許多。氣味信息僅由少數幾層神經網絡進行分析，沒有過多層級與復雜的神經網絡結構，可說是嗅覺識別系統的優勢。

2009年，英國斯科塞斯大學的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字。即使去除了大部分神經元，也不會過度影響模型性能。但此技術僅停留在實驗室內，并未落地成為產品。2016年，華盛頓大學（University of Washington）Charles Delahunt研究團隊創造出更完整的模型—模仿煙草天蛾（Manduca sexta）嗅覺結構的人工神經網絡，可將氣味信息轉化成行為指令。研究團隊發現，由于神經層級較少且標簽各自獨立，不同于以往需要依靠大量數據來學習的算法，這種“自然的方法”只需極少數的樣本，就能實現神經網絡的快速學習，這是仿生嗅覺系統最大的優勢。除此之外，生物嗅覺模型擅長檢測背景噪聲中的微弱信號，解決了傳統算法模型遭遇的“雞尾酒會問題”。

Delahunt指出，“機器學習方法擅長在具備大量數據的前提下，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據快速進行粗略分類。”至此，研究者們才發現仿生嗅覺算法的最大優勢，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，尋找最優解”的傳統算法。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果間存在相關性。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據。

這種仿生的“一次性學習策略”可以讓AI持續學習新的氣味，不會干擾其他神經元。加入新元素也不需重新學習，也比依托于大量數據庫的傳統算法功耗更低，更加“節能”。

高效低耗的AI鼻子

模仿生物嗅覺系統的算法模型為人工智能神經網絡學習扔下一顆火種，點燃了許多科學家的靈感。以仿生嗅覺算法為基礎，近年才逐漸有相關產品落地。

2017年，尼日利亞的Oshiorenoya Agabi改造小鼠的神經元，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。此芯片是活體神經和硅的混合物，可以模擬204個腦神經元的功能，具有能夠檢測和識別氣味的傳感器。可用于檢測揮發性化學物質、爆炸物等氣味，代替人類執行安檢、排爆等工作。

今年3月，英特爾（intel）神經形態計算實驗室與康奈爾大學（Cornell University）推出了進階版英特爾自學習神經擬態芯片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個化學傳感器活動組成的數據集，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，利用環境中的各種反饋信息進行自主學習、下達命令。運用仿大腦嗅覺電路的神經網絡機制算法，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”構建出類似人類的鼻腔通道，運用了傳感器＋算法＋神經擬態芯片，能在未知氣味中識別特定氣味，是氣味傳感技術的一大突破。

這組神經擬態系統在硬件層面上復制了生物神經元組織、通信和學習方式，具有低能耗、低成本、識別多樣性、易用性等優勢。可以用于診斷疾病、檢測武器和爆炸物，及時發現并甄別麻醉劑、煙霧和一氧化碳等有害氣味。

近年來，氣味監測服務逐漸從To B轉向To C，進而滿足針對企業和個人更加定制化、個性化的需求。低成本、低能耗且易用的AI鼻子已實現了人工智能嗅覺領域的技術突破，但要實現真正的落地和普及，必須再擴展AI鼻子的應用范圍。

應用范圍“不如人”

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

目前，人工智能的研究以計算機視覺技術、自然語言處理技術以及自主無人技術最受關注。 “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，致力于技術原創，深耕于深度學習算法，并搭建了自己的超算平臺。以“1（基礎研究）＋1（產品及解決方案）＋X（行業）”的商業模式為支持，商湯科技已賦能安防、交通、教育、金融等行業，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，但應用范圍遠不如計算機視覺技術、自然語言處理技術以及自主無人技術。以主要用作氣味監測、環境分析與氣味標準化的Intel電子鼻來說，應用場景有環保、醫療、安防。但由于一般人對氣體檢測與環境分析的需求不高，傳統的氣味傳感器已經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品沒有那么大的需求。研究AI嗅覺或許可以改善現有氣味傳感器的不足，但應用范圍與產品需求的限制，造成大部份企業更愿意將資源投入商業價值較高的AI視覺、聽覺技術研發。

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

在就業不易的情況下，愿意從事AI嗅覺研發的人才更加匱乏，因此惡性循環。由于技術發展較慢、應用場景不多，AI嗅覺領域并未受到學界與企業的普遍關注，自然難以誕生獨角獸。目前較為成熟的人工智能嗅覺領域研究成果，依然主要來源于高等院校和研究機構。

現今，技術難題逐漸被克服，擴大應用場景與市場容量以增加研究人才與資方投入，成為AI嗅覺技術造就獨角獸的必經之路。也許，AI鼻子可進入廚房，用于監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，在提高產品質量的同時降低管控成本。人工智能嗅覺獨角獸的誕生，除了依托于行業本身的技術進步，也需通過產品創新，來創造新的AI嗅覺需求。

結語

不同于人工智能視覺、聽覺研究的飛速發展，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的應用場景還需要研發者們多多發揮想象力，AI嗅覺領域的獨角獸似乎離我們還有一段距離。

責任編輯：haq