人脸识别成AI发展核心，人工智能嗅觉去哪了？

近日，云从科技、旷视科技及依图科技等“AI四小龙”披露了上市文件。Microsoft、Google、百度、阿里、腾讯等科技巨头在AI视觉和AI语音中也具有非常大的声量，AI视觉与AI语音均成长为百亿级别的市场。相较之下，同样作为感知研究的AI嗅觉研发似乎没那么“火热”，甚至有些“乏人问津”。

《2020胡润全球独角兽榜》共586家公司中，有63家公司从事人工智能研发，总价值为1304亿美元，绝大多数专注于自动驾驶和人脸识别技术，并没有出现以人工智能嗅觉为主的公司。中国科学院发布的《全球人工智能企业TOP20榜单》中，几乎全部都以计算机视觉技术、自然语言处理技术或自主无人技术为发展重心，至今尚未出现AI嗅觉领域的独角兽公司。

近年才逐渐成熟的技术

技术是AI嗅觉领域难产独角兽的主要因素。在人工智能学习领域中，嗅觉是最难以捉摸的感官。不同于有实体操作对象的图片识别，“虚无缥缈”的气味无法进行空间上的分类和界定。且化学分子的排列顺序变动都会对气味造成影响，不易建立化学成分和气味香臭的关联。即使人工智能可以辨认分子的化学结构，也难以准确辨别其气味。

另外，由于气味感受带有一定主观性，不像黄色就是黄色＝yellow，毫无争议。同一种气味可以形容为“甜腻”也能说是“香浓”，故气味识别也是一个多标签分类问题。

看不见摸不着的东西本来就抽象，加上难以描述，气味本身的特殊性为气味数据的采集和分类建立了一道难以攻克的城墙。人工智能嗅觉研究起步原本就晚于AI视觉和语音，技术上的困境让AI嗅觉研究更加迟缓、不受重视，直至近年才逐渐“开花结果”。

别闻了，还是用看的吧

为了让气味更直观更形象，研究者们脑洞一开，让气味“看的见”不就好了？

“智能相对论”查询到，由于现有基于视觉信息的学习算法无法直接用于训练AI识别气味，一个由Google、加拿大高等研究院（Canadian Institute For Advanced Research，简称CIFAR）、矢量人工智能研究所、多伦多大学（University of Toronto）和亚利桑那州大学（University of Arizona）的科学家组成的研究团队将气味分子解释为图形，让气味“可视化”。

2019年，他们发表了一篇名为《机器学习气味：学习小分子的通用感知表示》 （Machine Learning for Scent：Learning Generalizable Perceptual Representations of Small Molecules） 的论文，提出利用图神经网络（Graph Neural Networks，GNNs），以向量形式代表气味分子，使人工智能将单个特定分子与其气味联系起来。

这种训练方法和AI在视觉、听觉方面的深度学习异曲同工，需要丰富的资料作为学习素材。具有神经网络的图形很适合用于气味关系的定量建模，气味可以被标记为多个分类标签。

除了预测气味，GNNs还能用仅有的数据对新提炼出的气味进行分类，有助于发现新的合成增香剂，从而减少从天然作物中提取香料而造成的生态影响。这项技术尚未真正落地，研究团队还在探讨气味数字化方面的可能性，希望能没有嗅觉的人提供解决方案。

想不出原创，那就抄昆虫的作业吧

相较于“大开脑洞”的气味分子图像化，还有一部份科学家选择使用模仿昆虫脑部系统运作的神经网络深度学习算法来训练AI。

比起繁复的视觉与听觉神经系统，生物的嗅觉系统简单许多。气味信息仅由少数几层神经网络进行分析，没有过多层级与复杂的神经网络结构，可说是嗅觉识别系统的优势。

2009年，英国斯科塞斯大学的Thomas Nowotny搭建了一种基于昆虫的嗅觉的模型，用来识别气味，也可以识别手写的数字。即使去除了大部分神经元，也不会过度影响模型性能。但此技术仅停留在实验室内，并未落地成为产品。2016年，华盛顿大学（University of Washington）Charles Delahunt研究团队创造出更完整的模型—模仿烟草天蛾（Manduca sexta）嗅觉结构的人工神经网络，可将气味信息转化成行为指令。研究团队发现，由于神经层级较少且标签各自独立，不同于以往需要依靠大量数据来学习的算法，这种“自然的方法”只需极少数的样本，就能实现神经网络的快速学习，这是仿生嗅觉系统最大的优势。除此之外，生物嗅觉模型擅长检测背景噪声中的微弱信号，解决了传统算法模型遭遇的“鸡尾酒会问题”。

Delahunt指出，“机器学习方法擅长在具备大量数据的前提下，提供非常精确的分类器，而昆虫模型则非常擅长利用少部分数据快速进行粗略分类。”至此，研究者们才发现仿生嗅觉算法的最大优势，并开始思考这种算法模型的落地问题。

相较于“计算所有可能，寻找最优解”的传统算法。生物嗅觉模型仿照生物大脑运动轨迹，把基本目标简化为识别哪些随机特征与正确结果间存在相关性。就像我们看到一个陌生人，会不自觉地将他与认识的人做比较，而不会一一记下他的身高体重肩宽腰围等所有外貌数据。

这种仿生的“一次性学习策略”可以让AI持续学习新的气味，不会干扰其他神经元。加入新元素也不需重新学习，也比依托于大量数据库的传统算法功耗更低，更加“节能”。

高效低耗的AI鼻子

模仿生物嗅觉系统的算法模型为人工智能神经网络学习扔下一颗火种，点燃了许多科学家的灵感。以仿生嗅觉算法为基础，近年才逐渐有相关产品落地。

2017年，尼日利亚的Oshiorenoya Agabi改造小鼠的神经元，制造了世界首个具有嗅觉并可以识别爆炸物等气味的芯片Koniku Kore。此芯片是活体神经和硅的混合物，可以模拟204个脑神经元的功能，具有能够检测和识别气味的传感器。可用于检测挥发性化学物质、爆炸物等气味，代替人类执行安检、排爆等工作。

今年3月，英特尔（intel）神经形态计算实验室与康奈尔大学（Cornell University）推出了进阶版英特尔自学习神经拟态芯片Loihi，能在明显的噪声和遮盖情况下，成功识别10种有害气体。研究人员采用一个由72个化学传感器活动组成的数据集，通过配置生物嗅觉的电路图来“教”Loihi闻味道。

Loihi可通过脉冲或尖峰传递气味信息，利用环境中的各种反馈信息进行自主学习、下达命令。运用仿大脑嗅觉电路的神经网络机制算法，模仿人类闻到某种气味后大脑的运作机制。

英特尔的“电子鼻”构建出类似人类的鼻腔通道，运用了传感器＋算法＋神经拟态芯片，能在未知气味中识别特定气味，是气味传感技术的一大突破。

这组神经拟态系统在硬件层面上复制了生物神经元组织、通信和学习方式，具有低能耗、低成本、识别多样性、易用性等优势。可以用于诊断疾病、检测武器和爆炸物，及时发现并甄别麻醉剂、烟雾和一氧化碳等有害气味。

近年来，气味监测服务逐渐从To B转向To C，进而满足针对企业和个人更加定制化、个性化的需求。低成本、低能耗且易用的AI鼻子已实现了人工智能嗅觉领域的技术突破，但要实现真正的落地和普及，必须再扩展AI鼻子的应用范围。

应用范围“不如人”

拥有应用范围广泛的专利技术是AI四小龙的共性。AI嗅觉离独角兽之间，可能还差了几个应用场景。

目前，人工智能的研究以计算机视觉技术、自然语言处理技术以及自主无人技术最受关注。 “智能相对论”以获得超过30亿美元融资的商汤科技为例，成立伊始就凭借人脸识别技术得到小米、华为、美图秀秀、中国移动等大客户。同时，致力于技术原创，深耕于深度学习算法，并搭建了自己的超算平台。以“1（基础研究）＋1（产品及解决方案）＋X（行业）”的商业模式为支持，商汤科技已赋能安防、交通、教育、金融等行业，几乎在所有视觉场景中都有布局。

相较之下，AI嗅觉虽具有一定的实用性，但应用范围远不如计算机视觉技术、自然语言处理技术以及自主无人技术。以主要用作气味监测、环境分析与气味标准化的Intel电子鼻来说，应用场景有环保、医疗、安防。但由于一般人对气体检测与环境分析的需求不高，传统的气味传感器已经可以满足日常生活使用，且人们对这方面的人工智能嗅觉产品没有那么大的需求。研究AI嗅觉或许可以改善现有气味传感器的不足，但应用范围与产品需求的限制，造成大部份企业更愿意将资源投入商业价值较高的AI视觉、听觉技术研发。

除了技术本身的瓶颈，应用范围小、企业投入低所导致的研究人才缺乏也是造成人工智能嗅觉发展缓慢的原因。人工智能嗅觉的应用范围不如视觉、语音等领域广泛，企业投入低使得就业面窄、项目落地难度较大。从招聘网站上相关工作岗位需求量可见，AI视觉相关人才在招聘市场上炙手可热，与AI嗅觉呈现强烈对比。

在就业不易的情况下，愿意从事AI嗅觉研发的人才更加匮乏，因此恶性循环。由于技术发展较慢、应用场景不多，AI嗅觉领域并未受到学界与企业的普遍关注，自然难以诞生独角兽。目前较为成熟的人工智能嗅觉领域研究成果，依然主要来源于高等院校和研究机构。

现今，技术难题逐渐被克服，扩大应用场景与市场容量以增加研究人才与资方投入，成为AI嗅觉技术造就独角兽的必经之路。也许，AI鼻子可进入厨房，用于监测冰箱食物新鲜度及料理火候；或帮助化妆品、香水气味标准化，在提高产品质量的同时降低管控成本。人工智能嗅觉独角兽的诞生，除了依托于行业本身的技术进步，也需通过产品创新，来创造新的AI嗅觉需求。

结语

不同于人工智能视觉、听觉研究的飞速发展，缓步前行的AI嗅觉研究也走出了自己的路。除了AI鼻子们带来的效益，仿生嗅觉算法模型本身的价值也不容小觑，但人工智能嗅觉技术的应用场景还需要研发者们多多发挥想象力，AI嗅觉领域的独角兽似乎离我们还有一段距离。

责任编辑：haq