编辑｜邓咏仪
你敢信，AI可以识别气味了，准确度乃至已经超过人类！
这不是骇人听闻，而是来自真实的研究结果。
最近，来自Google Research、 Osmo Lab等多个机构研究团队职员在Science上发文，声称AI模型可以让机器拥有比人类具有更好的嗅觉。
来源：Science
论文中，研究职员提出了一种由数据驱动的人类嗅觉高维图谱（POM），这个图谱可以逼真地再现由单一分子诱发的气味感知类别的构造和关系，还能够预测未知气味的性子。
研究证明，机器学习模型在理解和描述气味上，已经达到人类水平。并且，在气味描述的前瞻性预测上，AI的准确度也已赶超人类…
对此就有网友惊呼道：
视觉听觉嗅觉都有了，还差触觉便是一个真正的人形AI了！
来源：Twitter
也有一些网友半信半疑的表示，以是现在AI都能像人一样拥有嗅觉了？
来源：Twitter
用神经网络识别气味
首先，我们须要理解在神经科学中，视觉、听觉的事情事理是将刺激的物理特性映射到对应的知觉特色上。比如听觉中，频率与腔调相对应，耳朵听到声音的高低腔调，大脑也会有对应的听觉感想熏染。
目前，对付视觉和听觉，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）干系联。
来源：公开网络
同理，为了让机器更好地理解嗅觉，也就须要一个更好的映射图谱。但目前为止，化学构造与嗅觉感知之间的映射关系尚不明确。
因此，为了让机器理解并感想熏染到嗅觉，研究团队创建了一个机器学习模型通报神经网络（MPNN），一个能将化学构造映射到气味感知中的图神经网络（GNN）。
来源：Science
为了绘制分子构造如何与分子气味相对应的映射，研究职员建立了一个约5000个分子的参考数据集，每个分子都有多个气味标签，比如果味、花喷鼻香等。
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。
来源：Science
然后，基于这个神经网络，为了考验数据驱动的图谱（POM）是否靠谱，能像人类一样识别不同气味，研究职员选择通过丈量映射在表征真实相对知觉间隔。
至于为什么要丈量这个间隔，举个大略的例子。
如果两种花喷鼻香气味人类嗅觉感知上很靠近，它们的空间间隔也会较近。而如果是把花喷鼻香与肉喷鼻香放在一起，间隔就会很远，由于人类嗅觉能明显地将它们区分开来。通过比较这个知觉间隔，就可以考验模型是否准确仿照了人类的嗅觉。
实验结果证明，比较人类用鼻闻，数据驱动的图谱（POM）能够更好地用表征相对间隔和知觉层次构造来识别气味。
来源：Science
总结便是，利用图形网络模型的POM表示出来的气味关系，和真实天下中的气味关系非常靠近。
而利用标准化学信息的气味映射，表示出来的气味关系与真实天下的差得比较远。
来源：公开网络
AI气味描述能力赶超人类
由于气味知觉在不同个体之间存在差异性，为了和人类比拟确定这个模型的有效性，能否扩展到新的气味上。
研究职员特殊请来了15位专家组成员，让他们嗅出400种气味，并事先给了他们55个词来描述每种气味，哀求他们对每一种气味用1到5分来打分，来评定这个术语在多大程度上适宜于这个气味。
研究职员按气味标签对其性能进行了分类，然后将模型与个人小组成员的表现进行了比较。
结果创造，除了对付麝喷鼻香这样的繁芜标签外，模型对小组气味评级均匀值的预测比任何一个小组成员都要好。详细来说，在53%的测试分子中，模型的表现都优于小组成员的均匀值。
按标签划分的结果表明，GNN模型乃至优于之前在相同数据上演习的最前辈模型（SOTA）。
来源：Science
其余，为了测试模型在构造-气味间隔不连续性方面的稳健性，研究团队还额外设计了一系列测试。
他们选择一个已知气味的分子A作为基准，与一个构造很相似的新分子B以及一个构造不同的新分子C进行比较。
结果创造，人类常日会判断A与构造不同的C气味更靠近，而不是与构造相似的B更靠近。这解释模型可以判断出贯串衔接构不同但气味很近的分子，不会被外在构造相似性迷惑，而是像人类一样根据实际气味相似度进行预测。
模型可以战胜构造-气味关系的不连续性，不会被分子构造的相似性误导气味间隔。比如，过去人类总会将霉味和麝喷鼻香混为一谈，而大模型就不会了。
来源：Science
实验团队提出方法，不仅可以找到很多构造不同但气味实在非常相似的分子，还可以预测一个新分子可能会有若何的气味特性，比如这种气味强不强。而通过模型可以直接打算出分子在POM中的坐标，研究职员根据这些坐标体例出了大约50万种潜在的气味。
来源：Science
这个数量远远超出了目前气味目录所涵盖的空间（约5000种可购买的、有特色的气味物质）。而网络这些用于演习模型的分子样本，须要演习有素的人类小组成员，通过嗅觉测试花费大约70人一年的韶光才能完成。
来源：公开网络
咱便是说，以古人类总是认为AI无法感知物理天下，这下嗅觉也被攻破了。
不过，虽然研究团队提出的模型能够重现气味感知类别的构造和关系，并超过了化学信息学基线。
然而，全体实验过程还是有些缺失落。比如没有考虑气味浓度和新元素的分子，而且在利用映射图谱时须要把稳气味杂质的影响，并定期重新演习模型以纳入新数据。
来源：公开网络
目前，通过神经网络深度学习算法来演习AI，在视觉、听觉等方面都取得了不少进展，比如神经拟态系统在硬件层面上复制生物神经元组织。
比起繁复的视觉与听觉神经系统，生物的嗅觉系统大略许，气味信息仅由少数几层神经网络进行剖析，没有过多层级与繁芜的神经网络构造，按理说该当发展很快。
实在早在2009年，英国斯科塞斯大学的研究团队就搭建了一种基于昆虫的嗅觉的模型，用来识别气味。但相较打算机视觉技能、自然措辞处理技能等，当前的运用范围还是比较小。
就像一样平常人对气体检测与环境剖析的需求不高，传统的气味传感器就已可以知足日常生活利用。
长按添加「智涌」小助手入群， 备注：公司+职务