你可能不知道，ＡＩ已经有了嗅觉系统……

欢迎各位再次来到这里听小编解说！小编已经把最精彩的文章已经写在了下边，希望大家能耐心的把文章看完。你们的阅读就是我坚持创作的动力！麻烦你点点关注和评论！小编会永远记在心里的！！！

新一轮基于深度学习的人工智能，简单来说，就是让计算机系统架构模拟人的大脑，从而能够像“人”一样处理外界信息。

我们每个人对外界的感知主要有五大类，分别是视觉、听觉、味觉、嗅觉、触觉。

目前ＡＩ已经在视觉和听觉上做出一些可见的应用成果，比如自动驾驶中摄像头对前方障碍的识别，比如语音助手可以识别你的语音指令等等。

而其实，ＡＩ早已开始悄悄模仿嗅觉系统了。如果有一天这项技术能够应用，那么“闻香识女人”的技能就不再是人类的专利。

具体来说，现阶段嗅觉探索的成果主要是模仿嗅觉系统的结构原理，从而改善机器学习的一些问题。

和图像识别一样，ＡＩ的嗅觉探索也是对生物的模仿

在探明ＡＩ学习嗅觉的原理前，我们不妨先看看ＡＩ是如何学会识别人脸的。

目前领先的机器学习技术，都在部分模仿人眼的原理，说白了就是

对信息的分层提取

。

我们看到一个人，是迪丽热巴还是古力娜扎几乎是瞬间就能判断的。实际上，这个过程非常复杂：大脑视觉皮层接收到光信号后，会首先选取一些小的、明确的特点，比如物体的边缘、结构、颜色等，这些视觉信息在大脑皮层神经元中层层传递，把信息组合起来，对物体就有了从抽象到清晰的判断。

这其中，神经网络的每一层都发挥着不同的作用，从而帮助大脑实现这一目标。

反正臣妾做不到

计算机的深度神经网络，也是用类似的分层方式搭建的，所以你可以称其为仿生学的胜利。

但想要教会ＡＩ辨认巴巴和扎扎，还需要输入上千张样本图片，提供精妙的算法和足够强大的运算设备，之后ＡＩ会学会提取面部的关键信息，在不同的照片中找出两人的不同特征来做区分。

当然，区分图片还属于小事一桩，当ＡＩ处在一个相对复杂的环境中（比如大马路上），受视觉系统启发的深度学习技术可能就会失灵。

当自动驾驶车在新环境中实时导航时，由于环境复杂而且不确定性很强，这时候，光靠视觉导航可能就会出ｂｕｇ了。

加利福尼亚的计算机科学家Ｓａｋｅｔ　Ｎａｖｌａｋｈａ认为，视觉和嗅觉是不同类型的信号，两种刺激都不是按同一种方式进行处理的，所以可能不同的数据需要用不同的方法处理。鉴于人脑对嗅觉信号处理的复杂性，他们决定从研究昆虫的嗅觉系统开始。

嗅觉识别与图像识别的区别

传统的深度学习技术受视觉系统启发，你所看见的事物可以被分解为结构、线条等细节，可以被分类，进行层层的细节学习。

但是味道却不同，它们是各种成分和浓度的混合体，想想冬天理科班教室的味道你就懂了。

味道是非结构化的

，没有线条这些明显的特征，在空间中很难对它进行分类，在识别的时候，很难确定应该去关注哪些特征。

气味是混合的，也就意味着，嗅觉系统中的神经元只需对整个接收区域随机采样，因此要做数据分析，它的神经网络不需要太复杂，不需要视觉识别系统那么多层级，这也是嗅觉识别系统的优势所在。

以果蝇的嗅觉循环为例：５０个投射神经元从接收器中接收了输入，每种神经元可以感知不同气味，而一种气味也能让不同神经元产生反应。

经过第一层感应后，信息会非常杂乱，在不同的神经元上也会有重叠。之后，信息进入下一层，被随机投射到２０００多个Ｋｅｎｙｏｎ细胞上，这样就使得对气味的分辨更加容易。

但最后，依然需要让神经元用非重叠的方式来区分味道，于是就有了第三层神经网络，里面有大约１００个Ｋｅｎｙｏｎ细胞，只对特定的气味产生反应，于是每种气味就有了各自唯一的标签，

这就是我们经常所说的数据“稀疏化”。

２００９年，英国斯科塞斯大学的Ｔｈｏｍａｓ　Ｎｏｗｏｔｎｙ和同事，搭建了一种基于昆虫的嗅觉的模型，用来识别气味，也可以识别手写的数字。即使去除了大部分神经元，也不会过度影响模型性能。

可惜的是，在这之后，就很少有相关研究出现，直到最近，一些科学家们开始循着这条思路，继续探索生物嗅觉系统，在优化机器学习方面的作用。

嗅觉系统研究的成果

目前比较重要的两个成果，都是模仿嗅觉系统，提高模型训练的效率。来自华盛顿大学的Ｄｅｌａｈｕｎｔ和他的同事们，用飞蛾的嗅觉系统作为基础搭建了模型，和传统的机器学习模型进行了对比。

从结果上来看，当样本少于２０个时，基于飞蛾的模型能更好地识别出手写数字，但是随着训练数据的增加，其他的传统模型也能得出更精确的结果。

从学习速度上来看，嗅觉系统似乎表现得更好，因为嗅觉系统的学习不再是寻找最佳特征和表示，而是减少了辨认大量随机、无用特征的机会。南方医科大学的生物学家Ｆｅｉ　Ｐｅｎｇ表示：“如果能点击一下鼠标就能完成训练，不就太完美了吗？”

另一个嗅觉系统的著名案例是去年Ｎａｖｌａｋｈａ实验室的成果，研究者们想找到一种基于嗅觉的方法，利用相似性进行搜索。

就比如你每天看婴儿床，淘宝就很可能给你推荐尿不湿一样，这种推荐就是基于相似性。

同样的道理，器官也要在辨认气味时快速做出对比和判断。例如果蝇，最初可能会学习接近成熟的香蕉味道，远离醋味，但是由于环境非常复杂，当它感知到一种新味道后，果蝇要思考现在的味道和之前闻过的哪种气味更接近，这样才能做出正确的反应。

Ｎａｖｌａｋｈａ　因此创造了一种基于气味相似性的搜索算法，并且将其应用到了图片数据集上，他和他的团队发现他们的算法比传统的非生物方法好两到三倍。

除此之外，基于蚂蚁的嗅觉模型，科学家们还在研究它们是如何进行导航的，Ｎｏｗｏｔｎｙ在做嗅觉系统对混合物处理上的研究，他想知道一个器官，如何在多种味道的混合中分辨出一种特定的味道。

这个研究可能对ＡＩ领域的“鸡尾酒问题”有所帮助。（“鸡尾酒会问题”：ｃｏｃｋｔａｉｌ　ｐａｒｔｙ　ｐｒｏｂｌｅｍ，是在计算机语音识别领域的一个问题，当前语音识别技术已经可以较高精度识别一个人所讲的话，但是当说话的人数为两人或者多人时，语音识别率就会极大的降低）

嗅觉系统的结构牵涉到记忆和导航，以及负责运动控制的小脑，目前研究人员已经开始转向认知过程的研究，比如注意力和各种形式的记忆，嗅觉可以提供一种更简单的方法来建立这些连接，也有望能够改进当前机器学习架构和机制，这也许是进入下一代神经网络思考的切入点。

从根本上来说就是回归，回到最基本的、最原始的概念，让这些对于人来说看上去是“先天”的技能，内化为机器的结构和作用原理，转而为人来服务。

欢迎各位再次来到这里听小编解说！小编已经把最精彩的文章已经写在了下边，希望大家能耐心的把文章看完。你们的阅读就是我坚持创作的动力！麻烦你点点关注和评论！小编会永远记在心里的！！！

欢迎大家与我一起来探索科技！让我们走在科技的最前沿。小编已经把最精彩的内容写在下边，请您耐心的把文章阅读完可以吗？您的阅读就是我坚持创作的动力！此外，满足小编一个小小的请求好吗？帮忙点点关注，阅读完文章别忘了留下您宝贵的意见！好吧，我们现在开始一起探索吧！

非常感谢各位看官能在百忙之中阅读小编的文章，您们的阅读和评论是小编继续坚持创作的动力。你们的每一个评论，小编都会去非常认真的去阅读，你们提出的宝贵意见我也会虚心接受，争取每天都为大家带来更多的优质文章。让大家不但可以增长见识，还可以有个好的心情。希望您能喜欢小编的文章！