AI技術(shù)四小龍排隊(duì)上市，AI嗅覺為何還沒有獨(dú)角獸？

　 域名預(yù)訂/競價(jià)，好“米”不錯(cuò)過

文 |黃康瑄

來源|智能相對(duì)論（aixdlun）

近日，云從科技、曠視科技及依圖科技等“AI四小龍”披露了上市文件。Microsoft、Google、百度、阿里、騰訊等科技巨頭在AI視覺和AI語音中也具有非常大的聲量，AI視覺與AI語音均成長為百億級(jí)別的市場。相較之下，同樣作為感知研究的AI嗅覺研發(fā)似乎沒那么“火熱”，甚至有些“乏人問津”。

《2020胡潤全球獨(dú)角獸榜》共586家公司中，有63家公司從事人工智能研發(fā)，總價(jià)值為1304億美元，絕大多數(shù)專注于自動(dòng)駕駛和人臉識(shí)別技術(shù)，并沒有出現(xiàn)以人工智能嗅覺為主的公司。中國科學(xué)院發(fā)布的《全球人工智能企業(yè)TOP20榜單》中，幾乎全部都以計(jì)算機(jī)視覺技術(shù)、自然語言處理技術(shù)或自主無人技術(shù)為發(fā)展重心，至今尚未出現(xiàn)AI嗅覺領(lǐng)域的獨(dú)角獸公司。

近年才逐漸成熟的技術(shù)

技術(shù)是AI嗅覺領(lǐng)域難產(chǎn)獨(dú)角獸的主要因素。在人工智能學(xué)習(xí)領(lǐng)域中，嗅覺是最難以捉摸的感官。 不同于有實(shí)體操作對(duì)象的圖片識(shí)別，“虛無縹緲”的氣味無法進(jìn)行空間上的分類和界定。且化學(xué)分子的排列順序變動(dòng)都會(huì)對(duì)氣味造成影響，不易建立化學(xué)成分和氣味香臭的關(guān)聯(lián)。即使人工智能可以辨認(rèn)分子的化學(xué)結(jié)構(gòu)，也難以準(zhǔn)確辨別其氣味。

另外，由于氣味感受帶有一定主觀性，不像黃色就是黃色=yellow，毫無爭議。同一種氣味可以形容為“甜膩”也能說是“香濃”，故氣味識(shí)別也是一個(gè)多標(biāo)簽分類問題。

看不見摸不著的東西本來就抽象，加上難以描述，氣味本身的特殊性為氣味數(shù)據(jù)的采集和分類建立了一道難以攻克的城墻。人工智能嗅覺研究起步原本就晚于AI視覺和語音，技術(shù)上的困境讓AI嗅覺研究更加遲緩、不受重視，直至近年才逐漸“開花結(jié)果”。

別聞了，還是用看的吧

為了讓氣味更直觀更形象，研究者們腦洞一開，讓氣味“看的見”不就好了?

“智能相對(duì)論”查詢到，由于現(xiàn)有基于視覺信息的學(xué)習(xí)算法無法直接用于訓(xùn)練AI識(shí)別氣味，一個(gè)由Google、加拿大高等研究院(Canadian Institute For Advanced Research，簡稱CIFAR)、矢量人工智能研究所、多倫多大學(xué)(University of Toronto)和亞利桑那州大學(xué)（University of Arizona）的科學(xué)家組成的研究團(tuán)隊(duì)將氣味分子解釋為圖形，讓氣味“可視化”。

2019年，他們發(fā)表了一篇名為《機(jī)器學(xué)習(xí)氣味：學(xué)習(xí)小分子的通用感知表示》 (Machine Learning for Scent:Learning Generalizable Perceptual Representations of Small Molecules) 的論文，提出利用圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks,GNNs），以向量形式代表氣味分子，使人工智能將單個(gè)特定分子與其氣味聯(lián)系起來。

這種訓(xùn)練方法和AI在視覺、聽覺方面的深度學(xué)習(xí)異曲同工，需要豐富的資料作為學(xué)習(xí)素材。具有神經(jīng)網(wǎng)絡(luò)的圖形很適合用于氣味關(guān)系的定量建模，氣味可以被標(biāo)記為多個(gè)分類標(biāo)簽。

除了預(yù)測氣味，GNNs還能用僅有的數(shù)據(jù)對(duì)新提煉出的氣味進(jìn)行分類，有助于發(fā)現(xiàn)新的合成增香劑，從而減少從天然作物中提取香料而造成的生態(tài)影響。這項(xiàng)技術(shù)尚未真正落地，研究團(tuán)隊(duì)還在探討氣味數(shù)字化方面的可能性，希望能沒有嗅覺的人提供解決方案。

想不出原創(chuàng)，那就抄昆蟲的作業(yè)吧

相較于“大開腦洞”的氣味分子圖像化，還有一部份科學(xué)家選擇使用模仿昆蟲腦部系統(tǒng)運(yùn)作的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法來訓(xùn)練AI。

比起繁復(fù)的視覺與聽覺神經(jīng)系統(tǒng)，生物的嗅覺系統(tǒng)簡單許多。氣味信息僅由少數(shù)幾層神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，沒有過多層級(jí)與復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可說是嗅覺識(shí)別系統(tǒng)的優(yōu)勢。

2009年，英國斯科塞斯大學(xué)的Thomas Nowotny搭建了一種基于昆蟲的嗅覺的模型，用來識(shí)別氣味，也可以識(shí)別手寫的數(shù)字。即使去除了大部分神經(jīng)元，也不會(huì)過度影響模型性能。但此技術(shù)僅停留在實(shí)驗(yàn)室內(nèi)，并未落地成為產(chǎn)品。2016年，華盛頓大學(xué)(University of Washington)Charles Delahunt研究團(tuán)隊(duì)創(chuàng)造出更完整的模型—模仿煙草天蛾（Manduca sexta）嗅覺結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，可將氣味信息轉(zhuǎn)化成行為指令。

研究團(tuán)隊(duì)發(fā)現(xiàn)，由于神經(jīng)層級(jí)較少且標(biāo)簽各自獨(dú)立，不同于以往需要依靠大量數(shù)據(jù)來學(xué)習(xí)的算法，這種“自然的方法”只需極少數(shù)的樣本，就能實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的快速學(xué)習(xí)，這是仿生嗅覺系統(tǒng)最大的優(yōu)勢。除此之外，生物嗅覺模型擅長檢測背景噪聲中的微弱信號(hào)，解決了傳統(tǒng)算法模型遭遇的“雞尾酒會(huì)問題”。

Delahunt指出，“機(jī)器學(xué)習(xí)方法擅長在具備大量數(shù)據(jù)的前提下，提供非常精確的分類器，而昆蟲模型則非常擅長利用少部分?jǐn)?shù)據(jù)快速進(jìn)行粗略分類。” 至此，研究者們才發(fā)現(xiàn)仿生嗅覺算法的最大優(yōu)勢，并開始思考這種算法模型的落地問題。

相較于“計(jì)算所有可能，尋找最優(yōu)解”的傳統(tǒng)算法。生物嗅覺模型仿照生物大腦運(yùn)動(dòng)軌跡，把基本目標(biāo)簡化為識(shí)別哪些隨機(jī)特征與正確結(jié)果間存在相關(guān)性。就像我們看到一個(gè)陌生人，會(huì)不自覺地將他與認(rèn)識(shí)的人做比較，而不會(huì)一一記下他的身高體重肩寬腰圍等所有外貌數(shù)據(jù)。

這種仿生的“一次性學(xué)習(xí)策略”可以讓AI持續(xù)學(xué)習(xí)新的氣味，不會(huì)干擾其他神經(jīng)元。 加入新元素也不需重新學(xué)習(xí)，也比依托于大量數(shù)據(jù)庫的傳統(tǒng)算*耗更低，更加“節(jié)能”。

高效低耗的AI鼻子

模仿生物嗅覺系統(tǒng)的算法模型為人工智能神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)扔下一顆火種，點(diǎn)燃了許多科學(xué)家的靈感。以仿生嗅覺算法為基礎(chǔ)，近年才逐漸有相關(guān)產(chǎn)品落地。

2017年，尼日利亞的Oshiorenoya Agabi改造小鼠的神經(jīng)元，制造了世界首個(gè)具有嗅覺并可以識(shí)別爆炸物等氣味的芯片Koniku Kore。此芯片是活體神經(jīng)和硅的混合物，可以模擬204個(gè)腦神經(jīng)元的功能，具有能夠檢測和識(shí)別氣味的傳感器。 可用于檢測揮發(fā)性化學(xué)物質(zhì)、爆炸物等氣味 ，代替人類執(zhí)行安檢、排爆等工作。

今年3月，英特爾(intel)神經(jīng)形態(tài)計(jì)算實(shí)驗(yàn)室與康奈爾大學(xué)（Cornell University）推出了進(jìn)階版英特爾自學(xué)習(xí)神經(jīng)擬態(tài)芯片Loihi ，能在明顯的噪聲和遮蓋情況下，成功識(shí)別10種有害氣體。研究人員采用一個(gè)由72個(gè)化學(xué)傳感器活動(dòng)組成的數(shù)據(jù)集，通過配置生物嗅覺的電路圖來“教”Loihi聞味道。

Loihi可通過脈沖或尖峰傳遞氣味信息，利用環(huán)境中的各種反饋信息進(jìn)行自主學(xué)習(xí)、下達(dá)命令。運(yùn)用仿大腦嗅覺電路的神經(jīng)網(wǎng)絡(luò)機(jī)制算法，模仿人類聞到某種氣味后大腦的運(yùn)作機(jī)制。

英特爾的“電子鼻”構(gòu)建出類似人類的鼻腔通道，運(yùn)用了傳感器+算法+神經(jīng)擬態(tài)芯片，能在未知?dú)馕吨凶R(shí)別特定氣味，是氣味傳感技術(shù)的一大突破。

這組神經(jīng)擬態(tài)系統(tǒng)在硬件層面上復(fù)制了生物神經(jīng)元組織、通信和學(xué)習(xí)方式，具有低能耗、低成本、識(shí)別多樣性、易用性 等優(yōu)勢。可以用于診斷疾病、檢測武器和爆炸物，及時(shí)發(fā)現(xiàn)并甄別麻醉劑、煙霧和一氧化碳等有害氣味。

近年來，氣味監(jiān)測服務(wù)逐漸從To B轉(zhuǎn)向To C，進(jìn)而滿足針對(duì)企業(yè)和個(gè)人更加定制化、個(gè)性化的需求。低成本、低能耗且易用的AI鼻子已實(shí)現(xiàn)了人工智能嗅覺領(lǐng)域的技術(shù)突破，但要實(shí)現(xiàn)真正的落地和普及，必須再擴(kuò)展AI鼻子的應(yīng)用范圍。

應(yīng)用范圍“不如人”

擁有應(yīng)用范圍廣泛的專利技術(shù)是AI四小龍的共性。AI嗅覺離獨(dú)角獸之間，可能還差了幾個(gè)應(yīng)用場景。

目前，人工智能的研究以計(jì)算機(jī)視覺技術(shù)、自然語言處理技術(shù)以及自主無人技術(shù)最受關(guān)注。 “智能相對(duì)論”以獲得超過30億美元融資的商湯科技為例，成立伊始就憑借人臉識(shí)別技術(shù)得到小米、華為、美圖秀秀、中國移動(dòng)等大客戶。同時(shí)，致力于技術(shù)原創(chuàng)，深耕于深度學(xué)習(xí)算法，并搭建了自己的超算平臺(tái)。以“1（基礎(chǔ)研究）+1（產(chǎn)品及解決方案）+X（行業(yè)）”的商業(yè)模式為支持，商湯科技已賦能安防、交通、教育、金融等行業(yè)，幾乎在所有視覺場景中都有布局。

相較之下，AI嗅覺雖具有一定的實(shí)用性，但應(yīng)用范圍遠(yuǎn)不如計(jì)算機(jī)視覺技術(shù)、自然語言處理技術(shù)以及自主無人技術(shù)。以主要用作氣味監(jiān)測、環(huán)境分析與氣味標(biāo)準(zhǔn)化的Intel電子鼻來說，應(yīng)用場景有環(huán)保、醫(yī)療、安防。但由于一般人對(duì)氣體檢測與環(huán)境分析的需求不高， 傳統(tǒng)的氣味傳感器已經(jīng)可以滿足日常生活使用，且人們對(duì)這方面的人工智能嗅覺產(chǎn)品沒有那么大的需求。研究AI嗅覺或許可以改善現(xiàn)有氣味傳感器的不足，但應(yīng)用范圍與產(chǎn)品需求的限制，造成大部份企業(yè)更愿意將資源投入商業(yè)價(jià)值較高的AI視覺、聽覺技術(shù)研發(fā)。

除了技術(shù)本身的瓶頸，應(yīng)用范圍小、企業(yè)投入低所導(dǎo)致的研究人才缺乏 也是造成人工智能嗅覺發(fā)展緩慢的原因。人工智能嗅覺的應(yīng)用范圍不如視覺、語音等領(lǐng)域廣泛，企業(yè)投入低使得就業(yè)面窄、項(xiàng)目落地難度較大。從招聘網(wǎng)站上相關(guān)工作崗位需求量可見，AI視覺相關(guān)人才在招聘市場上炙手可熱，與AI嗅覺呈現(xiàn)強(qiáng)烈對(duì)比。

在就業(yè)不易的情況下，愿意從事AI嗅覺研發(fā)的人才更加匱乏，因此惡性循環(huán)。由于技術(shù)發(fā)展較慢、應(yīng)用場景不多，AI嗅覺領(lǐng)域并未受到學(xué)界與企業(yè)的普遍關(guān)注，自然難以誕生獨(dú)角獸。 目前較為成熟的人工智能嗅覺領(lǐng)域研究成果，依然主要來源于高等院校和研究機(jī)構(gòu)。

現(xiàn)今，技術(shù)難題逐漸被克服，擴(kuò)大應(yīng)用場景與市場容量以增加研究人才與資方投入，成為AI嗅覺技術(shù)造就獨(dú)角獸的必經(jīng)之路。 也許，AI鼻子可進(jìn)入廚房，用于監(jiān)測冰箱食物新鮮度及料理火候；或幫助化妝品、香水氣味標(biāo)準(zhǔn)化，在提高產(chǎn)品質(zhì)量的同時(shí)降低管控成本。人工智能嗅覺獨(dú)角獸的誕生，除了依托于行業(yè)本身的技術(shù)進(jìn)步，也需通過產(chǎn)品創(chuàng)新，來創(chuàng)造新的AI嗅覺需求。

結(jié)語

不同于人工智能視覺、聽覺研究的飛速發(fā)展，緩步前行的AI嗅覺研究也走出了自己的路。除了AI鼻子們帶來的效益，仿生嗅覺算法模型本身的價(jià)值也不容小覷，但人工智能嗅覺技術(shù)的應(yīng)用場景還需要研發(fā)者們多多發(fā)揮想象力，AI嗅覺領(lǐng)域的獨(dú)角獸似乎離我們還有一段距離。

參考資料:

1.Neuroscience News《AI is Acquiring a Sense of Smell that Can Detect Illnesses in Human Breath》

2.ScienceNews《An AI that mimics how mammals smell recognizes scents better than other AI》

3.Benjamin Sanchez-Lengeling,Jennifer N.Wei,Brian K.Lee,Richard C.Gerkin,Alán Aspuru-Guzik,Alexander B.Wiltschko《Machine Learning for Scent:Learning Generalizable Perceptual Representations of Small Molecules》

4.MiHomes《理解人類大腦工作原理,可以從我們的嗅覺系統(tǒng)開始》

5.Alexander B Wiltschko《讓機(jī)器辨別氣味：利用圖神經(jīng)網(wǎng)絡(luò)預(yù)測分子的嗅覺屬性》

6. 中國科學(xué)院《2019年人工智能發(fā)展白皮書》

7. 胡潤研究院《2020胡潤全球獨(dú)角獸排行榜》

8. 毛橘教學(xué)puls《當(dāng)AI能氣味編程時(shí)，網(wǎng)友：這才是真正的黑客帝國！》

9. 知社學(xué)術(shù)圈《量子世界的海市蜃樓，和機(jī)器算法的嗅覺，哪一個(gè)更加魔幻呢？》

10. 前瞻網(wǎng)《這種AI識(shí)別新氣味更準(zhǔn)確還能不斷學(xué)習(xí)，只因抄了哺乳動(dòng)物的作業(yè)？》

11. 創(chuàng)造一下《你可能不知道，AI已經(jīng)有了嗅覺系統(tǒng)……》

12. 淺淺《研究團(tuán)隊(duì)開發(fā)AI嗅覺能力，通過分析呼吸樣本檢驗(yàn)疾病》

13. 阿?！逗Ｍ庋芯繄F(tuán)隊(duì)歸國創(chuàng)業(yè) 「慧聞科技」提供AI嗅覺解決方案》

*本文圖片均來源于網(wǎng)絡(luò)

深挖智能這口井，同好添加vx：zhinengxiaoyan

此內(nèi)容為【智能相對(duì)論】原創(chuàng)，

僅代表個(gè)人觀點(diǎn)，未經(jīng)授權(quán)，任何人不得以任何方式使用，包括轉(zhuǎn)載、摘編、復(fù)制或建立鏡像。

部分圖片來自網(wǎng)絡(luò)，且未核實(shí)版權(quán)歸屬，不作為商業(yè)用途，如有侵犯，請(qǐng)作者與我們聯(lián)系。

智能相對(duì)論（微信ID:aixdlun）：

•AI產(chǎn)業(yè)新媒體;

•今日頭條青云計(jì)劃獲獎(jiǎng)?wù)逿OP10;

•澎湃新聞科技榜單月度top5;

•文章長期“霸占”鈦媒體熱門文章排行榜TOP10;

•著有《人工智能 十萬個(gè)為什么》

•【重點(diǎn)關(guān)注領(lǐng)域】智能家電（含白電、黑電、智能手機(jī)、無人機(jī)等AIoT設(shè)備）、智能駕駛、AI+醫(yī)療、機(jī)器人、物聯(lián)網(wǎng)、AI+金融、AI+教育、AR/VR、云計(jì)算、開發(fā)者以及背后的芯片、算法等。

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！