近日，科学家们发现了一种让人工智能在气味识别方面更进一步的方法。
3月16日，研究人员在《自然机器智能》(Nature Machine Intelligence)在线版上发表报告称，与其他人工智能不同，一个新的人工智能系统可以持续学习新的香味，而不会忘记其他香味。它还比其它算法更有效、更可靠。
该程序成功的关键是它的神经形态结构，与其他人工智能设计相比，它更像哺乳动物大脑中的神经回路。
这种算法擅长于检测背景噪声中的微弱信号，并在工作中不断学习。这种AI有一天可能会用于空气质量监测、有毒废物检测或医疗诊断。
研究中使用的新的人工智能是一个人工神经网络，由许多模拟神经细胞处理气味信息的计算元件组成。人工智能通过从风洞里的化学传感器获取电压读数来“嗅探”，这些化学传感器暴露在甲烷或氨等不同气味的烟流中。
当人工智能闻到一种新的气味时，它的神经细胞或神经元就会发生一连串的电活动，而这些活动是系统能够记住并在未来识别的。
就像哺乳动物大脑中的嗅觉系统一样，这款人工智能的一些神经元被设计成通过发出不同时间的脉冲来对化学传感器的输入做出反应。其他神经元则学习识别那些构成气味电信号的点的模式。
比传统人工智能更优秀
这一受到动物大脑启发的、设置为神经形态的人工智能学习新气味比传统的人工神经网络更优秀。传统的人工神经网络是由相同的白板神经元组成的统一网络来作为最初设计。
如果把普通的神经网络比作随机的新手玩家，那么模拟大脑神经形态的神经网络就像一个已经给队员分配好了位置、告知比赛规则的竞技队伍。因此，神经形态的AI系统将能够更快、更灵活地进行研究。
就像一个运动队可能只需要看一次一场比赛，就可以理解策略并在新场景中实施，神经形态的AI可以在闻到一种新气味的单一样本后，就在未来识别出这种气味，即使是在其他未知的气味中。
相比之下，一群新手可能需要看很多遍才能重新编排舞蹈，而且还要努力适应未来的游戏场景。同样，一个标准的人工智能必须多次研究单一的气味样本，但当气味与其他气味混合时，仍然可能无法识别它。
康奈尔大学的Thomas Cleland和英特尔公司的Nabil Imam在对10种气味的嗅觉测试中，将他们的神经形态人工智能与传统的神经网络进行了对比。
为模拟真实世界的情况，测试的目标气味通常与其他气味混合在一起。神经形态的人工智能识别正确气味的准确率为92%，标准人工智能的准确率则只有52%。
神经形态AI的另一个好处是，如果向网络中加入新的神经元，人工智能仍可以继续学习新的气味，这与大脑中不断形成新细胞的方式类似。
这也不会干扰到其他的神经元，而在传统人工智能中，加入一种新的气味很容易扰乱现有的联系，所以一个传统人工智能很难在不忘记其他气味的情况下学习新的气味，除非从头开始训练。
新的人工智能的一次性学习策略也比传统的人工智能系统更节能，而传统的人工智能系统“往往非常耗电”，耶鲁大学的神经形态工程师Priyadarshini Panda表示。
目前，当涉及的气味较少时，这种新的神经形态AI系统看起来运作得很好。未来，研究人员可以对其是否适用于更大规模的学习而进行进一步实验。
哺乳动物的嗅觉更厉害?
在选择模仿哪种神经网络上，选择哺乳动物有可能是因为其接近于人类，更方便模拟，也有可能是因为哺乳动物本身在嗅觉上就表现优秀。
一项研究列出了10种拥有最多与嗅觉有关的基因的动物，榜上有名的哺乳动物有马、奶牛、负鼠、非洲大象和狗等。人类排在第13位，拥有396个嗅觉感受器(OR)基因，仅次于树鼩(563)和兔子(768)。
在哺乳动物中，大约有2万个基因与嗅觉有关，其中只有近一半的基因用于实际用途。哺乳动物的鼻子里有数百万个嗅觉感受器，用来探测不同的气味。一项东京的研究发现嗅觉感受器是哺乳动物中最重要的多基因家族。
嗅觉对于哺乳动物来说和生存密切相关，在某些情况下比视觉或听觉更为重要。
气味在提供方向信息方面不如声音或地点准确，但它的优势是可以随着时间的推移传递信息。它在黑暗中也同样有效，而且是无声的。
一种动物用气味标记了它的领地，这是在向另一种动物提供关于它自己的信息，即使它已经离开很久了，这种信息仍然可以被接收到。它能够长时间持续，向不特定种类和数量的其它动物传递信息，而不需要任何进一步的能量消耗。
