江苏龙网

  1. 首页 > 人文 > >

AI四小龙排队上市，AI嗅觉为何还没有独角兽？( 二 )


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 。 但此技术仅停留在实验室内 ， 并未落地成为产品 。 2016年 ， 华盛顿大学(University of Washington)Charles Delahunt研究团队创造出更完整的模型—模仿烟草天蛾（Manduca sexta）嗅觉结构的人工神经网络 ， 可将气味信息转化成行为指令 。
研究团队发现 ， 由于神经层级较少且标签各自独立 ， 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 ， 这是仿生嗅觉系统最大的优势 。 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 。 ”至此 ， 研究者们才发现仿生嗅觉算法的最大优势 ， 并开始思考这种算法模型的落地问题 。
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 。 就像我们看到一个陌生人 ， 会不自觉地将他与认识的人做比较 ， 而不会一一记下他的身高体重肩宽腰围等所有外貌数据 。
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” 。
模仿生物嗅觉系统的算法模型为人工智能神经网络学习扔下一颗火种 ， 点燃了许多科学家的灵感 。 以仿生嗅觉算法为基础 ， 近年才逐渐有相关产品落地 。
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 ， 具有能够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 。
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）推出了进阶版英特尔自学习神经拟态芯片Loihi ， 能在明显的噪声和遮盖情况下 ， 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可通过脉冲或尖峰传递气味信息 ， 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 。
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 ， 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To B转向To C ， 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 。
应用范围“不如人”
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 。 “智能相对论”以获得超过30亿美元融资的商汤科技为例 ， 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 。


推荐阅读


上一篇：整车续航里程翻倍！公交车8分钟充电超60%！你的电池该换了？

下一篇：助力科技创新，阿里巴巴诸神之战山东站在聊城开启