同样在纽瓦克机场附近,另一间不起眼的实验室里,一场围绕“气味”的长期实验正缓慢推进。大约30名受过严格训练的人类嗅辨员每天重复同一件事:闻、描述、记录。他们写下的“坚果味”“桃子味”“海洋味”看着随意,可每一份都会拿去和对应的化学分析结果交叉比对,最后汇入一个庞大的数据库。AI初创公司Osmo口中“全球首个气味基础模型”,燃料就是这个库。
为什么嗅觉是最难数字化的感官
计算机视觉和语音识别早就成熟了,嗅觉却一直是AI的“盲区”。道理不难懂:图像和声音都能被精确拆成像素和波形,气味与分子结构之间却至今没有一套完整理论。化学家能说清一个分子由哪些原子构成,但很难据此准确判断它闻起来是什么味道。所以,要训练一个“会闻”的AI,第一步就是攒下大量“人闻+机器测”的配对数据。
“我们不是在教机器识别几种固定的气味,而是在试图建立气味世界的坐标系。”Osmo这类公司的核心思路正在于此。
传统电子鼻靠传感器阵列识别有限的气味类别,泛化能力有限。Osmo押注的路线更像大语言模型的逻辑:先用海量、多样、带标注的气味数据训出一个通用“基础模型”,再针对具体场景微调。这条路能不能走通,取决于数据规模与标注质量——而这恰恰是最难啃的骨头。
人工标注:气味AI的“苦功夫”
Osmo这套做法谈不上走捷径。复杂混合物里的化学成分,先由气相色谱-嗅辨联用技术(GC-O)逐一拆开,随后交给人类嗅辨员在出口挨个闻、挨个描述。这样一来,每个气味分子既拿到精确的化学数据,又多了一份出自人嘴的“语义标签”。大约30名专业嗅辨员每天干的活,就是往这本“气味词典”里不断加词条。
这套流程听起来原始,却是当前最可靠的办法。图像标注可以众包,嗅觉标注不行,它高度依赖个人的嗅觉敏感度和描述能力,普通人很难胜任。Osmo的创始团队来自学术界和大型科技公司,曾参与“主要气味地图”(Principal Odor Map)相关研究,试图用机器学习把分子结构与气味感知对应起来。该方向被认为是嗅觉AI领域的重要突破,也让外界第一次看到“用算法预测气味”的可行性。
气味数据还有一个天然难点:同一个分子,浓度不同,气味可能完全两样;不同分子凑在一起,又会产生难以预测的“嗅觉涌现”效果。这意味着训练数据不光要覆盖“是什么”,还得覆盖“多少”和“和谁在一起”。
从实验室到产业:气味AI能做什么
如果气味真的可以被数字化,应用场景将远超想象。食品和饮料行业,AI可以辅助调配香精、控制风味一致性;香水行业,它能加速新香型研发,甚至根据文字描述生成配方;医疗领域,已有研究表明某些疾病会改变人体的气味特征,灵敏的“电子鼻”有望用于早期筛查;环境和工业场景中,气味传感器可以监测泄漏、预警污染。
更长远地看,气味基础模型还可能成为机器人的“第五感”。视觉和听觉让机器人理解世界,嗅觉则能让它们感知腐败、危险和细微的化学变化。Osmo押注的正是这一天的到来——届时,“闻一下”将成为机器理解物理世界的又一种基础能力。
质疑与挑战仍在
可要说“AI鼻子赶得上人”,眼下还得留个心眼。人鼻子里约有400种受体,上万种气味都分得出来;现有传感器在灵敏度、稳定性、小型化这几项上,差得还挺明显。何况闻气味这事本身就主观,文化、记忆、情绪都掺在里头,“闻起来像什么”压根不好标准化。Osmo靠大规模数据铺出来的这条路,能不能真的迈过这道坎,得靠时间和产业界来检验。
话说回来,纽瓦克机场附近那间实验室里,30名嗅辨员正以最笨的办法,替机器补上人类最古老的一种感官。AI要走到“五感俱全”,这大概是一段绕不开的路;说到底,这也是一场围绕数据、耐心和感官本身的漫长试验。