编者按:视觉、听觉先后被 AI 拿下之后,嗅觉一直被看成最难数字化的那道关。一家美国初创公司声称,他们的「AI 鼻子」已经能和人类鼻子打成平手。这个说法站不站得住,业内该冷静掂量一下。
The Download 本期选的两条新闻,表面上看不出关联,骨子里都落在「技术怎么应付真实世界」这件事上:一条讲机器嗅觉走到哪一步了,一条讲水电行业在气候变化下怎么挣扎。前一条想把最主观的感官经验变成能算的数据,后一条则提醒人,再成熟的清洁能源,也躲不开气候系统的管束。
一、在新泽西的实验室里,他们想闻遍地球上所有气味
新泽西有一间实验室,里面的人正在干一件听着近乎离谱的事:把地球上每一种气味尽量都闻上一遍,再一条条记下来。笔记本上密密麻麻写着「坚果味」「桃子味」这类家常词。这些随口写下的描述,其实正在变成训练数据,用来教机器怎么「闻」。
这家初创公司对外说,他们做的 AI 嗅觉系统,水平已经跟人的鼻子不相上下。这话要能成立,就意味着嗅觉这块长期被当成「机器禁区」的地盘,正被划进可量化的技术版图里。
二、把气味变成数据,究竟难在哪里
光和声能被精确拆成波长与频率,视觉、听觉的数字化才走得通。嗅觉没这个条件。气味是成百上千种挥发性分子按不同比例混出来的,人鼻腔里约 400 种嗅觉受体靠组合方式作出反应,同一个分子换个浓度,闻起来甚至可能完全是另一种气味。更棘手的是,闻出什么味道,跟语境、记忆、个体差异绑得很紧——「好闻」从来就不是一个物理量。
所以机器嗅觉一般走两条路。一条是分析化学的路子,代表是气相色谱—质谱联用,成分测得准,可「闻起来是什么」它预测不了;另一条是模式识别的路子,拿气体传感器阵列加机器学习,能很快给出「像什么」的判断,但泛化能力和一致性长期被人打问号。真正难啃的骨头,是把化学成分和人的主观感受之间的对应关系建起来——这恰好要有海量、带标注、跨文化的气味样本。新泽西实验室里那些写着「桃味」「坚果味」的笔记,值钱就值钱在这儿。
三、从香精香料到疾病筛查:嗅觉 AI 的落地想象
气味一旦能被稳定地编码、复现,能用的地方不少。食品饮料行业可以拿机器嗅觉做原料品控、查批次一致性;香精香料行业能靠它加快配方筛选,少依赖几位资深调香师;环境监测领域可以用来追异味来源、做泄漏预警;医疗上,呼气里的挥发性标志物已被研究跟多种疾病挂上钩,机器嗅觉有希望成为一种无创筛查手段。再往远处看,虚拟现实和游戏产业也盼着「可编程气味」把沉浸感再抬一档。
不过得说清楚,这些场景大多还停在早期验证阶段。要说「与人类鼻子相当」,先得回答:比的是什么任务、用的什么基准、由谁来判定?气味的「准确率」比图像分类难定义得多,因为压根没有一个公认的气味标签体系。
四、另一条战线:水电站正在遭遇气候困境
跟实验室里闻气味这件事形成对照的,是本期通讯盯的另一条新闻:水电行业陷进了困境。水电向来被当作最稳定、最可调的清洁能源,可发电量高度看降水与河流径流的脸色。干旱频发、降水模式改变、冰川补给减少,正让不少地区的水库蓄水位掉到低位,发电量跟着大起大落。
麻烦不止发电量。水电还扛着电网调峰、调频的担子,是消纳风电、光伏这些波动性电源的重要「缓冲器」。水电自己一不稳定,电网的灵活性就跟着收紧。偏偏这时候,AI 数据中心的用电需求正快速往上蹿,供需两头一挤,电力系统规划的难度明显上去了。
五、编辑观察:感官数字化的叙事与现实之间
两条新闻摆在一起看,能看出一个共同的隐喻:技术总想把复杂系统压成可计算的模型,真实世界的复杂性却总会以某种方式弹回来。气味的主观性、水文的波动性,说到底都是不容易被彻底驯服的变量。
对机器嗅觉来说,更该盯住的或许是数据本身,而不是某一场演示。谁建起了规模最大、标注最一致、覆盖最广的气味数据库,谁就攥住了这个领域真正的基础设施。对水电而言,出路不在单点技术突破,而在储能、跨区域调度与需求侧管理的系统性重构。
「AI 学会闻气味」这样的进展当然让人乐见,但基本的审慎也该留着:在感官领域,「与人类相当」往往是个特别容易被营销吹大的说法。真检验它的,是第三方复现,是规模化商用,是时间。