四小龙排队上市，嗅觉为何还没有独角兽

供稿来源:智能相对论

近日，从云科技、旷视科技、易图科技等“AI四小龙”披露了上市文件。微软、谷歌、阿里、腾讯等科技巨头在AI视觉和AI语音方面也有非常大的体量，AI视觉和AI语音都成长为百亿级市场。相比之下，同样作为感知研究的AI嗅觉的研发似乎就没有那么“火热”，甚至有些“乏善可陈”。

在2020胡润全球独角兽榜单的586家公司中，有63家公司从事人工智能的研发，总价值为1304亿美元。大部分专注于自动驾驶和人脸识别技术，没有专注于人工智能嗅觉的公司。在中科院公布的全球人工智能企业TOP20榜单中，几乎全部聚焦于计算机视觉技术、自然语言处理技术或自主无人驾驶技术。到目前为止，AI嗅觉领域还没有出现一家独角兽公司。

近几年才逐渐成熟的技术

是技术AI嗅觉领域难产独角兽的主要因素。在人工智能学习领域，嗅觉是最难以捉摸的感官。与用实物进行图像识别不同，“虚幻”的气味在空中无法分类定义。而且化学分子顺序的变化会影响气味，不容易建立化学成分与气味的相关性。即使人工智能可以识别分子的化学结构，也很难准确识别它们的气味。

另外，因为嗅觉感受在某种程度上是主观的，所以非黄即黄=黄色是无可争议的。同样的气味可以用“甜腻”或者“香”来形容，所以气味识别也是一个多标签分类问题。

无形的东西本质上是抽象的，难以描述。气味本身的特殊性为气味数据的收集和分类建立了一道不可逾越的墙。人工嗅觉的研究起步早于AI视觉和语音，技术上的困难让AI嗅觉研究更加迟滞和被忽视，直到近几年才逐渐“开花”。

别闻了，就用吧。

为了让气味更直观、更生动，研究人员要让气味一开脑洞就“看得见”。

“智能相对论”查询到，由于现有的基于视觉信息的学习算法无法直接用于训练AI识别气味，一个由谷歌、加拿大高等研究院、向量人工智能研究所、多伦多大学和亚利桑那大学的科学家组成的研究团队将气味分子解释为图形，以“可视化”气味。

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征》的论文，提出用图形神经网络将气味分子以向量形式表示，让人工智能将单个特定分子与其气味关联起来。

这种训练方式类似于AI在视觉和听觉上的深度学习，需要丰富的素材作为学习素材。带有神经网络的图非常适合气味关系的定量建模，气味可以被标注为多个分类标签。

除了预测气味，GNNs还可以用唯一的数据对新提取的气味进行分类，这有助于发现新的合成调味剂，从而减少从天然作物中提取香料带来的生态影响。这项技术还没有真正落地，研究团队还在探索嗅觉数字化的可能性，希望没有嗅觉的人能提供解决方案。

想不出原创，就抄昆虫作业。

相比“脑洞大开”的气味分子可视化，一些科学家选择使用模仿昆虫大脑系统运行的神经网络深度学习算法来训练AI。

与复杂的视觉和听觉神经系统相比，生物嗅觉系统要简单得多。嗅觉信息只通过几层神经网络进行分析，没有过多的层数和复杂的神经网络结构，可以说是嗅觉识别系统的优势。

2009年，英国斯科塞斯大学的托马斯·诺沃特尼(Thomas Nowotny)建立了一个基于昆虫嗅觉的模型，可以用来识别气味和手写数字。即使去除大部分神经元，模型性能也不会受到过度影响。然而这项技术仅仅停留在实验室，并没有成为产品。2016年，华盛顿大学的查尔斯·德拉亨特(Charles Delahunt)的研究团队创建了一个更完整的模型——模仿烟草蛾嗅觉结构的人工神经网络，它可以将气味信息转化为行为指令。

研究团队发现，由于神经层次和独立标签较少，这种“自然方法”只需要少量样本就可以实现神经网络的快速学习，这是仿生嗅觉系统的最大优势，不像以往的算法需要依靠大量数据进行学习。此外，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遇到的鸡尾酒会问题。

德拉亨特指出，“机器学习方法擅长在拥有大量数据的前提下提供一个非常精确的分类器，而昆虫模型非常擅长使用少量数据进行快速粗略分类。”至此，研究人员发现了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。

相对于传统的“计算所有可能性，寻找最优解”的算法。生物嗅觉模型模拟了生物大脑的运动轨迹，简化了识别哪些随机特征与正确结果相关的基本目标。就像我们看到一个陌生人，会不自觉地把他和认识的人进行比较，而不是把他的身高、体重、肩宽、腰围等所有的外貌数据都写下来。

这种仿生的“一次性学习策略”允许AI在不干扰其他神经元的情况下不断学习新的气味。添加新元素不需要重新学习，比依赖大量数据库的传统算法耗电更少，更“节能”。

模仿生物嗅觉系统的算法模型为人工智能神经网络学习抛出了火种，点燃了许多科学家的灵感。基于仿生嗅觉算法，近几年才有一些相关产品逐渐落地。

2017年，尼日利亚的Oshiorenoya Agabi对小鼠的神经元进行了改造，制成了世界上第一个具有嗅觉的芯片Koniku Kore，可以识别爆炸物等气味。这种芯片是活神经和硅的混合物，可以模拟204个大脑神经元的功能，并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，英特尔神经形态计算实验室和康奈尔大学推出了英特尔自学习神经拟态芯片Loihi的高级版本，可以在明显的噪声和遮挡下成功识别10种有害气体。研究人员使用了一个由72个化学传感器活动组成的数据集，通过配置生物气味的电路图来“教”Loihi嗅觉。

Loihi可以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自主学习并下达命令。模拟大脑嗅觉回路的神经网络机制算法，用于模仿人脑在闻到某种气味后的运作机制。

英特尔的“电子鼻”构建了一个类似于人的鼻腔通道，采用传感器+算法+神经拟态芯片，可以在未知气味中识别特定气味。这是气味传感技术的重大突破。

这种神经拟态系统在硬件层面上复制了生物神经元的组织、通讯和学习方式，具有低能耗、低成本、识别多样性和易用性等优点。可用于诊断疾病，检测武器和爆炸物，及时发现和识别毒品、烟雾、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 To C，从而满足了企业和个人更加定制化、个性化的需求。低成本、低能耗、简单易用的AI鼻子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，还需要扩大AI鼻的应用范围。

适用范围是“不如人”

拥有广泛的专利技术是AI四小龙的共性。AI的嗅觉和独角兽之间可能有几个应用场景。

目前，人工智能研究中最受关注的是计算机视觉技术、自然语言处理技术和自主无人驾驶技术。《智能相对论》以获得30多亿美元融资的商汤科技为例。成立至今，凭借人脸识别技术赢得了小米、华为、美图秀秀、中国移动等大客户。同时致力于技术原创，深耕深度学习算法，搭建了自己的超级计算机平台。在“1+1+X”商业模式的支撑下，商汤科技在安防、交通、教育、金融等行业进行了赋能，在几乎所有视觉场景都有布局。

相比之下，AI嗅觉虽然有一定的实用性，但应用范围远不及计算机视觉技术、自然语言处理技术和自主无人驾驶技术。对于主要用于气味监测、环境分析和气味标准化的英特尔电子鼻来说，其应用场景包括环保、医疗和安防。但由于对气体检测和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的需求，人们对人工智能嗅觉产品并没有那么大的需求。研究AI嗅觉可能会改善现有嗅觉传感器的不足，但应用范围和产品需求的限制，使得大多数企业更愿意将资源投入到商业价值较高的AI视觉和听觉技术的研发中。

除了技术本身的瓶颈，应用范围小、企业投入低导致的研究人才匮乏也是人工智能嗅觉发展缓慢的原因。人工嗅觉的应用范围不如视觉、语音等领域广泛。企业投资少，就业面窄，项目落地难。从招聘网站上相关岗位的需求可以看出，AI视觉相关人才在招聘市场上炙手可热，与AI嗅觉形成强烈对比。

就业不容易的时候，愿意从事AI嗅觉研发的人才更是稀缺，于是就出现了恶性循环。由于技术发展缓慢，应用场景少，AI嗅觉领域还没有得到学术界和企业的广泛关注，自然很难诞生独角兽。目前人工智能嗅觉领域成熟的研究成果仍主要来自高校和研究机构。

如今，技术难题已被逐步攻克。扩大应用场景和市场容量，增加科研人才和用人单位的投入，成为AI嗅觉技术打造独角兽的必由之路。或许，AI鼻子可以进入厨房监控冰箱食物的新鲜度和烹饪温度；或者帮助规范化妆品和香水的气味，在提高产品质量的同时降低控制成本。人工嗅觉独角兽的诞生不仅取决于行业本身的技术进步，还需要通过产品创新创造新的AI嗅觉需求。

标签

与人工智能的视觉和听觉研究快速发展不同，正在缓慢前行的AI嗅觉研究也在走自己的路。除了AI鼻子带来的好处，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也需要开发者发挥更多的想象力。AI嗅觉领域的独角兽似乎离我们很远。

参考资料:

1.神经科学新闻《人工智能正在获得一种嗅觉，可以检测人类呼吸中的疾病》

2.科学新闻《模仿哺乳动物嗅觉的人工智能比其他人工智能更好地识别气味》

3.Benjamin Sanchez-Lengeling，Jennifer N.Wei，Brian K.Lee，Richard C.Gerkin，Alán Aspuru-Guzik，Alexander B.Wiltschko《气味的机器学习:学习小分子的可归纳感知表征》

4.米霍斯“理解人类大脑如何工作可以从我们的嗅觉系统开始”

5.Alexander B Wiltschko，让机器辨别气味:使用图形神经网络预测分子的嗅觉特性

6.中国科学院2019年人工智能发展白皮书

7.胡润研究院《2020胡润全球独角兽排行榜》

8.毛橙教puls“当AI能闻编程，网友:这才是真正的矩阵！》

9.量子世界的海市蜃楼和机器算法的嗅觉哪个更神奇？》

10.前瞻网“这个AI能更准确地识别新的气味并不断学习，就因为它抄了哺乳动物的作业？》

11.创造“你可能不知道AI已经有嗅觉系统了……”

12.浅层“研究团队开发AI嗅觉能力，通过分析呼吸样本检测疾病”

13.阿海海外研究团队回国创业“汇文科技”，提供ai嗅觉解决方案。