谷歌团队在Sience上发文称，AI模型比人类具有更好的“嗅觉”。有了AI帮忙创造各种味道，吃货们有福了。

你想知道，下面这个分子是什么味道吗？

8月31日，科学家在Science上发文称，AI模型可以让机器拥有比人类具有更好的“嗅觉”。

在这篇论文中，研究人员提出了一种由数据驱动的人类嗅觉高维图谱。这个图谱逼真地再现了由单一分子诱发的气味感知类别的结构和关系。

50万种气味颜色都与AI预测的气味标签相匹配

研究证明，机器学习模型在理解和描述气味上，已经达到了人类的水平。

并且，在气味描述的前瞻性预测上，AI的准确度已经超过了人类个体！

这意味着，机器感知的边界将进一步扩大——从视觉、听觉，再到嗅觉.....

未来的机器将拥有更多的感知，真正感受和理解自身所处的世界，而不再只是从各种描述中，体验一个悬空的符号世界。

而既然AI模型能将分子结构映射到气味上，它就可以帮我们创造特定的食物口味，或者找到更好的驱蚊化合物。

01

我们是如何辨别气味的？

当你看到一盘菜、一朵花，你是否也思索过你闻到的是什么？是什么让你产生了对眼前物品的感知？其实，我们的嗅觉系统主要由鼻腔、嗅觉神经和大脑的嗅觉皮层组成。当我们闻到气味时，气味分子会进入我们的鼻腔，与嗅觉神经内的感受器——嗅觉受体细胞上的特定受体蛋白结合，产生电信号，传递给嗅觉神经。

在大脑中的嗅觉皮层中，气味信号被处理和分析，这些分析帮助我们识别出不同的气味。研修神经科学能帮助我们了解感官如何将光转化为视觉、将声音转化为听觉、将食物转化为味觉等过程。

人类有大约400个功能性嗅觉受体。

这些是位于嗅觉神经末端的蛋白质，它们与空气中的分子连接，将电信号传输到嗅球。

嗅觉受体的数量远远超过我们用于视觉的4个，甚至是超过味觉的约40个。

在嗅觉研究中，究竟是什么物理特性让空气传播的分子在大脑中产生气味，一直是个迷。

神经科学的主要目标是了解感官是如何将光转化为视觉、将声音转化为听觉、将食物转化为味觉以及将质地转化为触觉的。

对于视觉和听觉，学界已有了完善的图谱将物理属性（如频率和波长）和感知属性（如音高和颜色）相关联。

但嗅觉还没有这样的图谱。

如果计算机能够识别分子的形状，以及我们最终如何感知气味之间的关系，科学家就可以利用这一知识来加深对人类大脑和鼻子如何协同工作的理解。

为了解决这个问题，莫奈尔化学感官中心（Monell Chemical Senses Center）和初创公司Osmo（从谷歌分离出来）共同领导的一个研究小组，正在研究空气中的化学物质是如何与大脑中的气味感知相联系。

分子结构如何才能映射到气味感知中？

更具体地说，计算机是否可以根据分子结构预测气味，以及是否优于人类嗅觉的能力。

为了解决这个问题，Alex Wiltschko博士和团队创建了一个机器学习模型——即消息传递神经网络（MPNN）。

这是一种特定的图神经网络，以学习如何将分子气味的形象化描述与气味的分子结构相匹配。

为了绘制分子结构如何与分子气味相对应图谱，研究人员使用了5000种已知化合物的数据集来训练模型。

这些化合物与它们相应嗅觉标签配对，比如，果味、花香、芝士味、薄荷味等等。

研究人员结合了Good Scents and Leffingwell & Associates (GS-LF) 香精香料数据库，建立了一个包含约 5000 个分子的参考数据集，每个分子都有多个气味标签（如奶油味、青草味）。

在这个数据集中，数据输入是分子的形状，输出是对哪些气味词最能描述其气味的预测。

为了训练模型，研究人员使用Adam优化了模型参数：将加权交叉熵损失超过150个epoch，学习率从5×10衰减 (−4) 到1×10 (−5) ，批大小为128。

此外，GS-LF数据集被拆分为80/20训练/测试集，其中80%的训练集进一步细分为五个交叉验证集。

有了这些交叉验证集，就可以使用Vizier（一种贝叶斯优化算法），通过调整1000次试验，来优化超参数。

当正确调整超参数时，其性能在许多模型体系结构中都是稳健的。

经验感知空间直观地表示了感知距离和层次。

但研究表明，这种结构在基于摩根指纹的气味空间图中丢失了，但POM保留了相对感知距离和层次结构。

对此，Wiltschko表示，计算机已经能够将视觉和听觉数字化，但无法将嗅觉数字化——我们感受世界最深层次的感官，这项研究提出并验证了一种新的数据驱动的人类嗅觉图谱，将化学结构与气味感知相匹配。

02

AI如何“闻到”气味？

我们现在已经大概了解了人类大脑感知气味的原理及过程，那么，AI是如何嗅到各种气味的？

AI“闻到”气味就像是一场根据分子结构进行的“猜谜游戏”。

气味来源于特定结构分子，这些分子就像一个个的“信使”，携带着气味的信号。因此，要预测某种物质所带来的气味，关键在于辨析分子的组成和结构。

在这一过程中，AI依赖于一个庞大且被精细整理过的数据库。这个数据库可被视为一本高级的“气味-分子翻译词典”，其中详尽地列出了已知分子结构与其相应气味之间的联系。每一种分子与气味的关联都被细致地记录与归档。

《自然-机器智能》杂志的一篇论文中报告了一种用来模拟生物嗅觉的神经算法

当面临一个新分子的气味预测任务时，AI会快速检索这个专业“词典”，寻找与新分子结构相近的已知分子，并从中推测可能的气味属性。这个过程不仅快速，还极为精确。

除了基本的结构匹配，AI还会综合考虑其他化学性质，如分子的电负性和立体构型等，以更全面地预测新分子的气味特性。

这一整体过程就像是AI在汇集和分析各种线索，以推断出新分子可能产生的气味。

2023年8月，在《科学》杂志上发表了一款AI气味分析的图神经网络（GNN）模型。

AI识别气味的过程

分子结构输入到模型中后，GNN会优化不同化学结构在特定气味中的权重，最后通过预测层对分子的气味进行判断，输出对应的气味描述词。

研究人员对GNN模型和人类组进行了气味测试。结果显示，AI在53%的化学分子以及55%的气味描述准确度方面表现优于人类专家的特性。

03

人类与AI：到底谁是气味专家？

我们可以想象一个由专业人士组成的团队，他们是“气味专家”。

与依赖大量数据和算法的AI不同，这些专家主要依赖他们的嗅觉和多年积累的经验来解析和描述气味。他们有能力识别出各种复杂气味的细微差别，并能用精确的语言进行描述。

例如，他们能明确地区分花香、果香、草香、皮革香等各种不同类型的气味，并对其进行深入的解释。

此外，这些气味专家还能够结合气味的来源和环境因素，对其进行分析和解读。例如，他们可以分辨出烹饪过程产生的气味、植物的气味、动物身上特有的气味等，并根据这些气味的特点和变化，对其产生的原因和影响进行系统分析。

与数据驱动的AI的预测不同，这些气味专家的描述和判断可能会受到主观因素的影响。

他们的结论可能因人而异，甚至会受到多种因素的影响。因此，在某些情况下，他们对于气味的描述可能会与AI的判断有所不同。

当然，这只是一个想象，并不代表真正的气味专家并不专业。在目前阶段，AI的嗅觉能力尚未达到碾压人类的水平，且人类在感知气味的主观体验和理解上具有无可替代的优势。

首先，面对复杂的气味谱系，AI需要依靠海量的数据和先进算法进行学习和模拟，以便输出较为准确的判断。

然而，人类的嗅觉系统则可以表现出更高的灵活性，这是目前的AI系统尚难以企及的。

不同AI模型的预测结果与人类组平均值的相关性

人类的嗅觉还会受到许多其他因素的影响，例如情绪、健康状况、生活经验等。这些因素可能会影响我们对气味的感知和判断。

这些变量为人类嗅觉添加了一层复杂性，而AI则缺乏这种复杂性，还难以完全理解和模拟人类的嗅觉系统。

结论

尽管AI在嗅觉科技方面展示出了令人瞩目的潜能，并已经在某些领域取得了显著的进展，但其尚未能全面超越人类。两者各自拥有不同的优势和局限性。随着技术的不断进步，我们有理由期待AI在嗅觉方面将会实现更多的突破。

然而，这一领域还面临多种挑战，如气味分子的准确识别、稳定性和可重复性等，都需要进一步地研究和改进。此外，公众对于这一新兴技术的接受度和信任度也是推动其成功应用的关键因素。

综上所述，AI嗅觉科技拥有广阔的发展前景和无限的可能性，但其具体的发展轨迹和成果仍需时间和实践来验证。我们期待科研人员和工程师能够解决这些挑战，为社会带来更多的便利和安全。