你可能不知道，AI已经有了嗅觉系统……

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, 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。