编者按:视觉与听觉相继被 AI 攻克之后,嗅觉被公认为最难数字化的感官。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。这个说法是否站得住脚,值得业界冷静审视。
MIT Technology Review 的每日通讯栏目 The Download 本期聚焦两条看似无关、实则同属「技术如何应对真实世界」的新闻:一条关于机器嗅觉的进展,一条关于水电行业在气候变化下的挣扎。前者试图把最主观的感官经验变成可计算的数据,后者则提醒我们,即便是最成熟的清洁能源,也逃不开气候系统的约束。
一、在新泽西的实验室里,他们想闻遍地球上所有气味
在新泽西的一间实验室里,研究人员正在做一件听上去近乎荒诞的事:尽可能地把地球上的每一种气味都闻一遍,并逐一记录。他们的笔记里写满了「坚果味」「桃子味」这类日常词汇——这些看似随意的描述,实际上正在被转化为训练数据,用来教会机器如何「闻」。
这家初创公司对外宣称,其打造的 AI 嗅觉系统已经达到了与人类鼻子相当的水平。这个判断如果成立,意味着嗅觉这一长期被视为「机器禁区」的感官,正在被纳入可量化的技术版图。
二、把气味变成数据,究竟难在哪里
视觉和听觉的数字化之所以成功,是因为光和声可以被精确地分解为波长与频率。嗅觉不行。气味由成百上千种挥发性分子按不同比例混合而成,人类鼻腔里约 400 种嗅觉受体以组合方式响应,同一个分子在不同浓度下甚至可能呈现完全不同的气味。更麻烦的是,气味感知高度依赖语境、记忆与个体差异——「好闻」从来不是一个物理量。
因此,机器嗅觉通常走两条路:一是以气相色谱—质谱联用为代表的分析化学路径,能精确测出成分,却难以预测「闻起来是什么」;二是以气体传感器阵列加机器学习为代表的模式识别路径,能快速给出「像什么」的判断,但泛化能力和一致性长期受质疑。真正困难的,是把化学成分与人类主观感受之间的映射关系建立起来——而这恰恰需要海量、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,价值正在于此。
三、从香精香料到疾病筛查:嗅觉 AI 的落地想象
一旦气味可以被稳定地编码与复现,应用场景相当可观。在食品饮料行业,机器嗅觉可用于原料品控与批次一致性检测;在香精香料行业,它能加速配方筛选,降低对资深调香师的路径依赖;在环境监测领域,它可用于异味溯源与泄漏预警;在医疗领域,呼气中的挥发性标志物已被研究与多种疾病相关联,机器嗅觉有望成为一种无创筛查手段。更远一点,虚拟现实与游戏产业也在期待「可编程气味」带来的沉浸感升级。
但必须指出,这些场景中的大多数仍处于早期验证阶段。宣称「与人类鼻子相当」,首先要回答的是:在什么任务上、用什么基准、由谁来判定?气味的「准确率」远比图像分类更难定义,因为不存在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
与实验室里的嗅觉探索形成对照的,是本期通讯关注的另一则新闻:水电行业正陷入困境。水电长期被视为最稳定、最可调的清洁能源,但它的发电量高度依赖降水与河流径流。干旱频发、降水模式改变、冰川补给减少,正在让不少地区的水库蓄水位降至低位,发电量随之大幅波动。
问题不止于发电量。水电还承担着电网调峰、调频的重任,是消纳风电、光伏等波动性电源的重要「缓冲器」。当水电自身变得不稳定,电网的灵活性就会同步收紧。而与此同时,AI 数据中心的用电需求正在快速攀升,供需两端的压力叠加,让电力系统的规划难度显著上升。
五、编辑观察:感官数字化的叙事与现实之间
把这两条新闻放在一起看,会发现一个共同的隐喻:技术总倾向于把复杂系统简化为可计算的模型,而真实世界的复杂性总会以某种方式反弹。气味的主观性与水文的波动性,本质上都是难以被完全驯服的变量。
对机器嗅觉而言,最值得关注的,或许是数据本身,而不是某一次演示。谁能建立起规模最大、标注最一致、覆盖最广的气味数据库,谁就掌握了这个领域真正的基础设施。而对水电来说,真正的解法不在于单点技术突破,而在于储能、跨区域调度与需求侧管理的系统性重构。
我们乐见「AI 学会闻气味」这样的进展,但也应保持基本的审慎:在感官领域,「与人类相当」往往是一个极易被营销放大的说法。真正的检验,来自第三方复现、来自规模化商用、来自时间的筛选。
本文编译自 MIT Technology Review。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接