近日，科學家們發現了一種讓人工智能在氣味識別方面更進一步的方法。

3月16日，研究人員在《自然機器智能》（Nature Machine Intelligence）在線版上發表報告稱，與其他人工智能不同，一個新的人工智能系統可以持續學習新的香味，而不會忘記其他香味。它還比其它算法更有效、更可靠。

該程序成功的關鍵是它的神經形態結構，與其他人工智能設計相比，它更像哺乳動物大腦中的神經回路。

這種算法擅長于檢測背景噪聲中的微弱信號，并在工作中不斷學習。這種AI有一天可能會用于空氣質量監測、有毒廢物檢測或醫療診斷。

研究中使用的新的人工智能是一個人工神經網絡，由許多模擬神經細胞處理氣味信息的計算元件組成。人工智能通過從風洞里的化學傳感器獲取電壓讀數來“嗅探”，這些化學傳感器暴露在甲烷或氨等不同氣味的煙流中。

當人工智能聞到一種新的氣味時，它的神經細胞或神經元就會發生一連串的電活動，而這些活動是系統能夠記住并在未來識別的。

就像哺乳動物大腦中的嗅覺系統一樣，這款人工智能的一些神經元被設計成通過發出不同時間的脈沖來對化學傳感器的輸入做出反應。其他神經元則學習識別那些構成氣味電信號的點的模式。

比傳統人工智能更優秀

這一受到動物大腦啟發的、設置為神經形態的人工智能學習新氣味比傳統的人工神經網絡更優秀。傳統的人工神經網絡是由相同的白板神經元組成的統一網絡來作為最初設計。

如果把普通的神經網絡比作隨機的新手玩家，那么模擬大腦神經形態的神經網絡就像一個已經給隊員分配好了位置、告知比賽規則的競技隊伍。因此，神經形態的AI系統將能夠更快、更靈活地進行研究。

就像一個運動隊可能只需要看一次一場比賽，就可以理解策略并在新場景中實施，神經形態的AI可以在聞到一種新氣味的單一樣本后，就在未來識別出這種氣味，即使是在其他未知的氣味中。

相比之下，一群新手可能需要看很多遍才能重新編排舞蹈，而且還要努力適應未來的游戲場景。同樣，一個標準的人工智能必須多次研究單一的氣味樣本，但當氣味與其他氣味混合時，仍然可能無法識別它。

康奈爾大學的Thomas Cleland和英特爾公司的Nabil Imam在對10種氣味的嗅覺測試中，將他們的神經形態人工智能與傳統的神經網絡進行了對比。

為模擬真實世界的情況，測試的目標氣味通常與其他氣味混合在一起。神經形態的人工智能識別正確氣味的準確率為92%，標準人工智能的準確率則只有52%。

神經形態AI的另一個好處是，如果向網絡中加入新的神經元，人工智能仍可以繼續學習新的氣味，這與大腦中不斷形成新細胞的方式類似。

這也不會干擾到其他的神經元，而在傳統人工智能中，加入一種新的氣味很容易擾亂現有的聯系，所以一個傳統人工智能很難在不忘記其他氣味的情況下學習新的氣味，除非從頭開始訓練。

新的人工智能的一次性學習策略也比傳統的人工智能系統更節能，而傳統的人工智能系統“往往非常耗電”，耶魯大學的神經形態工程師Priyadarshini Panda表示。

目前，當涉及的氣味較少時，這種新的神經形態AI系統看起來運作得很好。未來，研究人員可以對其是否適用于更大規模的學習而進行進一步實驗。

哺乳動物的嗅覺更厲害？

在選擇模仿哪種神經網絡上，選擇哺乳動物有可能是因為其接近于人類，更方便模擬，也有可能是因為哺乳動物本身在嗅覺上就表現優秀。

一項研究列出了10種擁有最多與嗅覺有關的基因的動物，榜上有名的哺乳動物有馬、奶牛、負鼠、非洲大象和狗等。人類排在第13位，擁有396個嗅覺感受器（OR）基因，僅次于樹鼩（563）和兔子（768）。

在哺乳動物中，大約有2萬個基因與嗅覺有關，其中只有近一半的基因用于實際用途。哺乳動物的鼻子里有數百萬個嗅覺感受器，用來探測不同的氣味。一項東京的研究發現嗅覺感受器是哺乳動物中最重要的多基因家族。

嗅覺對于哺乳動物來說和生存密切相關，在某些情況下比視覺或聽覺更為重要。

氣味在提供方向信息方面不如聲音或地點準確，但它的優勢是可以隨著時間的推移傳遞信息。它在黑暗中也同樣有效，而且是無聲的。

一種動物用氣味標記了它的領地，這是在向另一種動物提供關于它自己的信息，即使它已經離開很久了，這種信息仍然可以被接收到。它能夠長時間持續，向不特定種類和數量的其它動物傳遞信息，而不需要任何進一步的能量消耗。