美國HBO電視臺的科幻神劇《西部世界，第三季》（West World III），已經火熱上演。
情節依然腦洞大開，熱門程度一如既往。
不知道你是否想過：劇中跟人類幾乎一模一樣的機器人，在今後的某一天會不會變成現實？
他們會和我們一樣：能說，能吃，能聽，能思考，能判斷，能感知。。。
上個月，英特爾公司和康奈爾大學把這個科幻與現實的距離，又大大的拉近了一步。
AI嗅覺黑科技，橫空出世
3月15日，英特爾公司和康奈爾大學共同宣佈：他們基於人工智能芯片和傳感器，開發出了具有類似人類嗅覺能力的新方案。
這個類人類嗅覺的方案，能夠從上十種有毒的化學氣味中，準確的分析出來其中的任何一種。
研究成果剛剛發表在了世界頂級的醫學人工智能期刊《自然智能醫學》（Nature Medicine Intelligience）上。
簡單的說，這個人工嗅覺方案用到了英特爾公司一款正在研發中的人工智能芯片，同時研究人員給這個Loihi芯片配上了72種不同的化學傳感器（chemical sensors）。
Intel neuromorphic olfaction
Loihi芯片
Loihi芯片是英特爾公司在2017年開始立項研究的一種特殊的人工智能芯片——神經擬態研究芯片（neuromorphic chip），也可以理解為是一種類大腦芯片。
化學傳感器
化學傳感器的基本功能，是能夠對不同的化學分子有所反應：它們可以把檢測到的特定氣體分子信號，轉變成可以準確定量的的電信號。
化學分子濃度越高，相應的電信號也越強。
常見的化學氣體傳感器
人工嗅覺方案=Loihi芯片+化學傳感器
在這個人工嗅覺“黑科技”方案中，化學傳感器對各種氣味的反應首先被轉變成電信號，然後被傳送給 Loihi芯片，之後再由Loihi芯片的電路對人類嗅覺背後的大腦電路進行模擬。
模擬真實的人類嗅覺
人類的大腦內有專門負責嗅覺的部位，稱為嗅球（olfactory bulb，下圖中的方框部位）。嗅球裡面最重要的就是神經元細胞。
英特爾公司和康奈爾大學的研究人員就是訓練Loihi芯片，讓它去像人類嗅球的神經元細胞一樣，學習對不同的氣味分子產生的不同反應。
英特爾在這次研究中用到的氣體主要來自丙酮、氨、甲烷、乙烯、一氧化碳、苯、二甲苯等常見有強烈氣味的化學物質。
人體嗅覺發生的主要部位--大腦的嗅球和神經元
這個“訓練”的過程，比較像人類嬰兒用鼻子去感受學習不同氣味的過程：
香的氣味、酸的氣味和臭的氣味，都會引起嬰兒鼻腔內感受細胞的不同反應，這些反應最終會把信號傳遞到嬰兒大腦的嗅球處處理，從而留下記憶。以後再碰到類似的氣味，嬰兒鼻腔內的感受細胞馬上就可以調動之前的記憶，識別出來這個味道是熟悉的，還是陌生的。
這樣的“訓練”過程，在嬰兒的大腦中留下的是氣味的記憶；在人工智能芯片上如Loihi芯片上，留下的是所謂的人工智能模型（AI Model）。
經過氣味訓練的人工智能芯片（Loihi芯片），就能用學習到的人工智能模型，去鑑別新的氣體分子。
如果它真的能夠像人類的鼻子一樣具備類人類嗅覺，就能迅速識別出來面前的是什麼氣味。
Loihi 芯片本身具有神經元細胞的學習能力（又被稱為神經擬態芯片），所以僅僅需要單一的樣本，就可以學會識別每一種氣味，而且也不會破壞它對先前所學氣味的記憶。
在這項突破性的工作中，英特爾 Loihi 芯片經過訓練後，迅速掌握了 10 種氣味各自的神經表徵，其中包括丙酮、氨和甲烷等。
與傳統的最先進方法相比，Loihi芯片展現出了極其出色的識別準確率。
即使在有強烈的環境干擾下，Loihi芯片依然能夠識別出這些氣味。
Loihi芯片學習嗅覺的這個過程，體現了人工智能的最主要理論和工具之一：機器學習(Machine Learning)。
據瞭解，對比此前已有的傳統方法——基於深度學習的解決方案，Loihi 展現出了出色的識別準確率。傳統方法要達到與 Loihi 相同的分類準確率，該解決方案學習每類氣味需要 3000 倍以上的訓練樣本。
圖丨嗅覺系統演示（來源：nature machine intelligence）
對於這個機器嗅覺系統未來可能的應用，Imam 表示，化學傳感領域多年來一直在尋找智能的、可靠的和快速響應的化學傳感處理系統，或者稱之為“電子鼻系統”，搭載神經擬態芯片的機器人在智能家居、環境監測、危險物質檢測以及在工廠質量控制方面的應用潛力。
此外，該系統還可應用於醫療診斷，因為患有某些疾病會散發出特定的氣味。另一個例子是，搭載神經擬態芯片的機器人可應用於機場安檢區域，能夠更高效地識別危險物質。
研究團隊也希望在未來能夠在創造更多的機器感官。
“我的下一步計劃，是將這種方法推廣到更廣泛的應用領域，包括從感官場景分析（理解你觀察到的各種物體之間的關係），到規劃和決策等抽象問題。理解大腦的神經網絡如何解決這些複雜的計算問題，將為設計高效、強大的機器智能提供重要啟示”，他說。
閱讀更多 RAVV 的文章
