AI四小龙排队上市,AI嗅觉为何没有独角兽?

作者: 黄康瑄 来源: 智能相对论 2020-11-09 22:55

文 | 黄康瑄

来源 | 智能相对论(ID:aixdlun)

自2019年8月开始,“AI四小龙”商汤科技、旷视科技、依图科技和云从科技排队上市。Microsoft、Google、BAT等科技巨头在AI视觉和AI语音中也具有非常大的声量,AI视觉与AI语音均成长为百亿级别的市场。相较之下,同样作为感知研究的AI嗅觉研发似乎没那么“火热”,甚至有些“乏人问津”。

《2020胡润全球独角兽榜》共586家公司中,有63家公司从事人工智能研发,总价值为1304亿美元,绝大多数专注于自动驾驶和人脸识别技术,并没有出现以人工智能嗅觉为主的公司。中国科学院发布的《全球人工智能企业TOP20榜单》中,几乎全部都以计算机视觉技术、自然语言处理技术或自主无人技术为发展重心,至今尚未出现AI嗅觉领域的独角兽公司。

AI嗅觉领域想要培育出独角兽,首先要解决的是技术问题。

1. 技术难题

在人工智能学习领域中,嗅觉是最难以捉摸的感官。其难点在于图像识别可依据图案结构、线条、色彩等具体特征在神经元中进行层际传递,分类后进行归纳、整理与学习;但气味是由各种化学成分和浓度组成的混合体,没有实体特征加上非结构化,以至于无法对气味进行空间上的分类和界定。且原子键种类与排列方式的细微改变都会对气味造成影响,不易建立化学成分和气味香臭的关联。即使人工智能可以辨认分子的化学结构,也难以准确辨别其气味。另外,由于气味的感受带有一定主观性,同一种气味可能同时存在多个气味形容词,故气味识别也是一个多标签分类问题。气味本身的特殊性对气味数据的采集和分类具有一定难度。人工智能嗅觉研究起步原本就晚于AI视觉和语音,技术上的困境让AI嗅觉研究更加迟缓,直至近年才逐渐“开花结果”。

传统的“机器嗅觉研究”依托于气体传感器。主要通过将气体成分、浓度、体积等信息转化为对应的电信号,来检测有毒有害气体和监测环境。几年前,一些公司将气体传感器与AI技术融合,创造出气体传感器+信号采集处理电路+算法的技术路线,对气体传感器阵列进行训练和数据采集,并建立自己的气味数据库。如慧闻科技在2016年研发的纳米及MEMS气体传感器,可在厨房等气体环境相对复杂的环境下,有效排除乙醇、醋等其他气味的干扰,精准测量一氧化碳和甲烷的气体含量。

2016年,法国数字嗅觉公司Aryballe研发出一款名为“NeOse”的气味监控设备。通过内置的生物化学传感器和光学系统识别气味信号,与气味数据库中的气味进行比对。经过15~30秒后,如果气味匹配成功,配套的App就会直接给出结果。目前,Aryballe的气味传感器在汽车行业的应用最为广泛。主要用于测定车内气味,包含新车气味、烟味等令人不适的气味。也可通过气味检测液体泄漏、零件故障等隐患,及时发出预警信号,保障驾驶安全。

这类传感器虽然运用了人工智能技术,但通过分析气体化学成分来运作,并不能分辨香臭等气味。

气味分子图像化

由于现有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Google、加拿大高等研究院(Canadian Institute For Advanced Research,简称CIFAR)、矢量人工智能研究所、多伦多大学(University of Toronto)和亚利桑那州大学(University of Arizona)的科学家组成的研究团队将气味分子解释为图形,让气味“可视化”。2019年10月,《Arxiv》出现了一个新颖的研究,能够辨别单个分子的气味:《机器学习气味:学习小分子的通用感知表示》 (Machine Learning for Scent:Learning Generalizable Perceptual Representations of Small Molecules) 一文提出,利用图神经网络(Graph Neural Networks,GNNs)将原子视为节点;化学键视为边缘;分子解释为图形。各节点通过向量值的形式重复传递,直至图中的所有节点通过求和及平均值聚合为一个代表整个气味分子的向量。将其作为已学习的分子特征传递到全连接网络,输出气味描述词预测结果,使人工智能将单个特定分子与其气味联系起来。

这种训练方法和AI在视觉、听觉方面的深度学习异曲同工,需要丰富的数据作为学习素材。就像色彩有“三原色”,具有神经网络的图形很适合用于气味关系的定量建模,气味可以被标记为多个分类标签。除了预测气味,GNNs还能用仅有的数据对新提炼出的气味进行分类,有助于发现新的合成增香剂,从而减少从天然作物中提取香料而造成的生态影响。研究团队希望能在气味数字化方面有所进展,尝试为没有嗅觉的人提供解决方案。

2018年,英国拉夫堡大学(Loughborough University)开发的AI嗅觉系统--气相色谱质谱仪(或称GC-MS),也是依靠气味分子图像化来分析气味。与GNNs不同的是,气相色谱质谱仪不需检测气味香臭,而是通过分析比对气味分子中的化合物,来识别人类呼吸中能够显示疾病的物质,与气味传感器的原理有些相似。人类呼吸中存在数百种化合物,其中有少数揭示了疾病的存在。气相色谱质谱仪通过分离出空气样品中的挥发性有机化合物,创建可识别化合物的独特图谱,图谱中峰值的特定模式揭示了不同物质的存在。经过深度学习、分析专家提供的化合物数据,计算器只需几分钟就能自动将以前需要数小时分析的呼吸样本检测完成,大大降低时间与人力成本,提升医院的工作效率,可应用于医学、法医学和环境分析等领域。

嗅觉仿生学

相较于气味分子图像化,现阶段的AI嗅觉训练大多出自于模仿生物脑部系统运作的神经网络深度学习算法,如对昆虫嗅觉系统的仿造。比起具有许多细节特征,需要繁复神经网络来分类学习的视觉与听觉系统,生物嗅觉系统中的气味信息分布于整个系统,神经元需对整个接收区域随机采样,而非关注层次结构中的特定区域。这些气味信息由浅层三层网络进行分析,没有过多层级与复杂的神经网络结构,可说是嗅觉识别系统的优势。

以果蝇的嗅觉系统为例,研究人员利用50个投射神经元接收受体输入。每个神经元可感知不同气味,单一气味能使多个不同神经元产生反应。经过第一层感知,信息在不同神经元上有所重叠。进入第二层后,信息被随机投射到2000多个Kenyon细胞上,该细胞通过编码识别对应的特定气味。第三层神经网络有大约100个Kenyon细胞,只对特定的气味产生反应。经过三层感知,确保每种气味都有各自唯一的标签,这就是所谓的“数据稀疏化”。

2009年,英国斯科塞斯大学的Thomas Nowotny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。2016年,华盛顿大学(University of Washington)Charles Delahunt研究团队创造出了一款模仿烟草天蛾(Manduca sexta)嗅觉结构的人工神经网络。烟草天蛾的嗅觉系统有五层网络,传播与记忆方式和果蝇相仿,最后将气味信息转化成行为指令。

此外,一旦烟草天蛾成功识别了一种新气味,神经元就会排出一种名为“章鱼胺”(octopamine)的化学神经递质,帮助强化现有神经连结和产生新神经线路。Delahunt团队的算法模型重现了烟草天蛾辨识气味的过程,包括章鱼胺的激励。不同于以往需要依靠大量数据来学习的算法,这种“自然的方法”只需极少数的样本,就能实现神经网络的快速学习。除此之外,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遭遇的“鸡尾酒会问题”。

Delahunt指出,“机器学习方法擅长在具备大量数据的前提下,提供非常精确的分类器,而昆虫模型则非常擅长利用少部分数据快速进行粗略分类。”仿生学嗅觉模型的学习效果优于传统算法,相较于“计算所有可能,寻找最优解”的传统算法。生物嗅觉模型仿照生物大脑运动轨迹,把基本目标简化为识别哪些随机特征与正确结果间存在相关性。这种仿生的“一次性学习策略”可以让AI持续学习新的气味,不会干扰其他神经元。加入新元素也不需重新学习,也比依托于大量数据库的传统算法功耗更低,更加“节能”。

高效低耗的AI鼻子

这类模仿生物嗅觉系统的算法模型极大地影响了人工智能神经网络学习。2017年,尼日利亚的Oshiorenoya Agabi改造小鼠的神经元,制造了世界首个具有嗅觉并可以识别爆炸物等气味的芯片Koniku Kore。此芯片是活体神经和硅的混合物,可以模拟204个脑神经元的功能,具有可以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。

2017年9月,英特尔公司推出了自学习神经拟态芯片Loihi。今年3月,英特尔(intel)神经形态计算实验室与康奈尔大学(Cornell University)在《自然-机器智能》(Nature Machine Intelligence)杂志上联合发表论文,宣布英特尔神经拟态芯片Loihi在明显的噪声和遮盖情况下,可成功识别10种有害气体。研究人员采用一个由72个化学传感器活动组成的数据集,通过配置生物嗅觉的电路图来“教”Loihi闻味道。

Loihi基于14nm的制程工艺,管芯尺寸60毫米,包含超过20亿个晶体管、13万个人工神经元和1.3亿个突触,以及三个用于编排的可管理Lakemont内核。可通过脉冲或尖峰传递信息,自动调节突触强度,利用环境中的各种反馈信息进行自主学习、下达命令。运用仿大脑嗅觉电路的神经网络机制算法,模仿人类闻到某种气味后大脑的运作机制。与传统算法相比,Loihi的识别精度更高,这种级别的精度需要每级的训练样本数量多3000倍才能达到,且信息处理速度和能源使用效率较传统处里器提升了三个数量级以上。

英特尔的“电子鼻”构建出类似人类的鼻腔通道,运用了传感器+算法+神经拟态芯片,可解决将高维信号嵌入未知背景的信号识别问题,能在未知气味中识别特定气味,是气味传感技术的一大突破。这组神经拟态系统在硬件层面上复制了生物神经元组织、通信和学习方式,具有低能耗、低成本、识别多样性、易用性等优势。可以用于诊断疾病、检测武器和爆炸物,及时发现并甄别麻醉剂、烟雾和一氧化碳等有害气味。

近年来,气味监测服务逐渐从面向企业到面向个人,进而满足针对企业和个人更加定制化、个性化的需求。低成本、低能耗且易用的AI鼻子已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,必须再扩展AI鼻子的应用范围。

2. 应用范围

拥有应用范围广泛的专利技术是AI四小龙的共性。AI嗅觉离独角兽之间,可能还差了几个应用场景。目前,人工智能的研究以计算机视觉技术、自然语言处理技术以及自主无人技术最受关注。其中,AI视觉技术最为成熟,已发展出人脸识别、OCR图文识别、图像影像分析等针对安防、金融、医疗、教育、交通等许多行业痛点的应用技术。AI语言处理技术起步较早,可用于语音识别、信息检索、文本分类、机器翻译、自动回复等,在金融、教育、零售等行业用途广泛。自主无人技术的成熟,可实现人机交互、智能决策等自动化功能,可为安防、交通、制造、医疗等产业提高效率、降低成本。如获得超过30亿美元融资的商汤科技,成立伊始就凭借人脸识别技术得到小米、华为、美图秀秀、中国移动等大客户。同时,致力于技术原创,深耕于深度学习算法,并搭建了自己的超算平台。以“1(基础研究)+1(产品及解决方案)+X(行业)”的商业模式为支持,商汤科技已赋能安防、交通、教育、金融等行业,几乎在所有视觉场景中都有布局。

相较之下,AI嗅觉虽具有一定的实用性,但应用范围远不如计算机视觉技术、自然语言处理技术以及自主无人技术。以主要用作气味监测、环境分析与气味标准化的Intel电子鼻来说,应用场景有环保、医疗、安防。但由于一般人对气体检测与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使用,且人们对这方面的人工智能嗅觉产品没有那么大的需求。研究AI嗅觉或许可以改善现有气味传感器的不足,但应用范围与产品需求的限制,造成大部份企业更愿意将资源投入商业价值较高的AI视觉、听觉技术研发。

除了技术本身的瓶颈,应用范围小、企业投入低所导致的研究人才缺乏也是造成人工智能嗅觉发展缓慢的原因。AI嗅觉研究中,用于采集气味数据的传感器阵列技术属于交叉学科,涉及电子、算法、材料、化学等多学科的交叉融合研究,人才基数较小,造成智能气体传感器硬件研发的滞后。另一方面,人工智能嗅觉的应用范围不如视觉、语音等领域广泛,企业投入低使得就业面窄、项目落地难度较大,愿意从事AI嗅觉研发的人才更加匮乏。目前较为成熟的人工智能嗅觉领域研究成果,依然主要来源于高等院校和研究机构。

克服了技术难题后,扩大应用场景与市场容量以增加研究人才与资方投入,成为AI嗅觉技术造就独角兽的必经之路。也许,AI鼻子可进入厨房,用于监测冰箱食物新鲜度及料理火候;或帮助化妆品、香水气味标准化,在提高产品质量的同时降低管控成本。人工智能嗅觉独角兽的诞生,除了依托于行业本身的技术进步,也需通过产品创新,来创造新的AI嗅觉需求。

其他应用

随着量子计算、传统算法的成熟,基于生物嗅觉系统的神经网络学习为人工智能算法打开了新世界的大门。仿生嗅觉模型的应用领域不仅局限于医学,法医学,环境分析、香精合成等AI气味识别,也可用于其他领域。如加州索尔克生物研究所(Salk Institute for Biological Studies)的Saket Navlakha创建出一种基于飞蝇嗅觉系统的相似性搜索算法,并将其应用于图像数据集的处理领域。研究团队惊喜地发现,此算法远优于传统非生物学方法,其降维效能有时甚至可达两到三倍。Navlakha称,基于飞蝇的方法“可利用低于传统方法约一个数量级的计算量获得类似的准确度,在成本或性能方面带来质的飞跃”。此外,由于生物嗅觉系统无需更多学习时间或大量示例,即可顺利应对条件的变更,适用范围因此更加广泛,如应对道路阻塞等涉及导航或记忆的任务。

结语

不同于人工智能视觉、听觉研究的飞速发展,缓步前行的AI嗅觉研究也走出了自己的路。除了AI鼻子们带来的效益,仿生嗅觉算法模型本身的价值也不容小觑,这类不需大量数据且高效低耗的算法在其他领域的应用也非常令人期待。但人工智能嗅觉技术的应用场景还需要研发者们多多发挥想象力,AI嗅觉领域的独角兽似乎离我们还有一段距离。

(以上图源来自网络)

参考资料:

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《理解人类大脑工作原理,可以从我们的嗅觉系统开始》

5.Alexander B Wiltschko《让机器辨别气味:利用图神经网络预测分子的嗅觉属性》

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. 毛橘教学puls《当AI能气味编程时,网友:这才是真正的黑客帝国!》

9. 知社学术圈《量子世界的海市蜃楼,和机器算法的嗅觉,哪一个更加魔幻呢?》

10. 前瞻网《这种AI识别新气味更准确还能不断学习,只因抄了哺乳动物的作业?》

11. 创造一下《你可能不知道,AI已经有了嗅觉系统……》

12. 浅浅《研究团队开发AI嗅觉能力,通过分析呼吸样本检验疾病》

13. 阿海《海外研究团队归国创业 「慧闻科技」提供AI嗅觉解决方案》

此内容为【智能相对论】原创,

仅代表个人观点,未经授权,任何人不得以任何方式使用,包括转载、摘编、复制或建立镜像。

部分图片来自网络,且未核实版权归属,不作为商业用途,如有侵犯,请作者与我们联系。

智能相对论(微信ID:aixdlun):

•AI产业新媒体;

•今日头条青云计划获奖者TOP10;

•澎湃新闻科技榜单月度top5;

•文章长期“霸占”钛媒体热门文章排行榜TOP10;

•著有《人工智能 十万个为什么》

•【重点关注领域】智能家电(含白电、黑电、智能手机、无人机等AIoT设备)、智能驾驶、AI+医疗、机器人、物联网、AI+金融、AI+教育、AR/VR、云计算、开发者以及背后的芯片、算法等。

【声明】该文由作者本人上传,其观点仅代表作者本人。亿邦号系信息发布平台,亿邦动力网仅提供信息存储空间服务,如本文涉及侵权 ,请及时联系run@ebrun.com。