AI 正在攻克难题——赋予计算机嗅觉

本文主要是介绍AI 正在攻克难题——赋予计算机嗅觉，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/

百年前的呼吁，今天的回应：机器嗅觉的革命性进展

一百多年前，亚历山大·格雷厄姆·贝尔在《国家地理》杂志上向读者发出大胆而新颖的倡议——“创立一门新科学”。他指出，基于声音和光的科学已经存在，但还没有关于气味的科学。贝尔呼吁读者“测量气味”。

如今，大多数人的口袋里都有智能手机，它们基于声音和光的科学提供了令人印象深刻的内置功能：语音助手、面部识别和照片增强。而关于气味的科学尚未提供类似的技术，但这种情况正在改变，机器嗅觉（也称为“数字化气味”）的进展终于响应了贝尔的号召。

研究机器嗅觉面临着人类嗅觉复杂性的巨大挑战。人类视觉主要依赖于视网膜中的感受细胞——视杆细胞和三种视锥细胞，而嗅觉是通过大约400种鼻腔中的感受细胞来体验的。

机器嗅觉从检测和识别空气中的分子开始，这些传感器的作用类似于人类鼻子的受体。然而，要对人类有用，机器嗅觉需要更进一步。系统需要知道某种分子或一组分子对人类来说闻起来像什么。为此，机器嗅觉需要机器学习。

将机器学习应用于气味

机器学习，特别是一种称为深度学习的机器学习，是语音助手和面部识别应用取得显著进展的核心。同样，机器学习也是数字化气味的关键，因为它可以学习将气味化合物的分子结构映射到文本气味描述。机器学习模型学习人类用来描述特定气味化合物的词汇，例如“甜”和“甜点”，用于描述遇到香草醛时的体验。

然而，机器学习需要大型数据集。网络上有海量的音频、图像和视频内容，可用于训练识别声音和图像的人工智能系统。但机器嗅觉长期面临数据短缺的问题，部分原因是大多数人无法像描述视觉和听觉那样轻松且清晰地描述气味。没有大规模数据集，研究人员无法训练出真正强大的机器学习模型。

重要的里程碑

2015年，情况开始改变，研究人员发起了DREAM嗅觉预测挑战赛。比赛发布了由研究嗅觉的生物学家安德烈亚斯·凯勒和莱斯利·沃斯豪尔收集的数据，并邀请全球团队提交他们的机器学习模型。这些模型必须根据分子结构预测气味标签，如“甜”、“花”或“果”。

表现最佳的模型于2017年在《科学》杂志上发表。一种称为随机森林的经典机器学习技术获胜，这种技术结合了多个决策树流程图的输出。

机器学习研究者对将机器学习应用于化学和精神病学有着长期兴趣。DREAM挑战赛激起了兴趣，同时也感受到对嗅觉的个人连接。家庭根源可追溯到印度北部的香水之都卡瑙杰，父亲是一名化学家，职业生涯大部分时间都在分析地质样本。机器嗅觉因此提供了在香水、文化、化学和机器学习交汇处的不可抗拒的机会。

进展加速

DREAM挑战赛结束后，机器嗅觉的进展开始加速。COVID-19大流行期间，报告了许多嗅觉丧失（或嗅觉障碍）的病例。通常不太被重视的嗅觉因此引起了公众的关注。此外，一个名为Pyrfume的研究项目使更多、更大规模的数据集公开可用。

到2019年，最大的数据库从DREAM挑战赛中的不到500种分子增长到约5000种分子。由Alexander Wiltschko领导的Google Research团队终于将深度学习革命引入了机器嗅觉。他们的模型基于一种称为图神经网络的深度学习类型，在机器嗅觉领域建立了最先进的成果。Wiltschko现在是Osmo公司的创始人兼CEO，该公司的使命是“赋予计算机嗅觉”。

最近，Wiltschko和他的团队使用图神经网络创建了“主要气味图”，在这个图中，感知上相似的气味比不相似的气味更接近。这并不容易：分子结构的微小变化可能导致嗅觉感知的巨大变化。相反，具有非常不同分子结构的两个分子可能闻起来几乎一样。