在新泽西州纽瓦克机场附近的一间不起眼的实验室里,一场关于“气味”的长期实验正在缓慢推进。大约30名经过严格训练的人类嗅辨员日复一日地做着同一件事:闻气味、描述气味、记录气味。他们手中的笔记看似随意——“坚果味”“桃子味”“海洋味”——但每一份记录都会与对应的化学分析结果交叉比对,最终汇入一个庞大的数据库。这个数据库,正是AI初创公司Osmo口中“全球首个气味基础模型”的燃料。
为什么嗅觉是最难数字化的感官
在计算机视觉和语音识别早已成熟的今天,嗅觉却始终是AI的“盲区”。原因并不难理解:图像和声音都可以被精确地分解为像素和波形,而气味与分子结构之间的关系至今没有一套完整理论。化学家可以告诉你一个分子由哪些原子构成,却很难据此准确预测它闻起来是什么味道。正因如此,训练一个“会闻”的AI,首先需要大量“人闻+机器测”的配对数据。
“我们不是在教机器识别几种固定的气味,而是在试图建立气味世界的坐标系。”这正是Osmo这类公司的核心思路。
传统电子鼻依靠传感器阵列识别有限的气味类别,泛化能力有限。Osmo押注的路线更接近大语言模型的逻辑:先用海量、多样、带标注的气味数据训练一个通用“基础模型”,再针对具体场景微调。这条路线的成败,取决于数据规模与标注质量——而这恰恰是最难啃的骨头。
人工标注:气味AI的“苦功夫”
Osmo的方法并不取巧。公司采用气相色谱-嗅辨联用技术(GC-O),先把复杂混合物中的化学成分逐一分离,再由人类嗅辨员在出口处逐一闻辨并描述。这样一来,每一种气味分子都会得到一份来自人类的“语义标签”,同时又有精确的化学数据作为支撑。约30名专业嗅辨员的工作,就是不断扩充这份“气味词典”。
这套流程听起来原始,却是当前最可靠的办法。与图像标注可以众包不同,嗅觉标注高度依赖个人的嗅觉敏感度和描述能力,普通人很难胜任。Osmo的创始团队来自学术界和大型科技公司,曾参与“主要气味地图”(Principal Odor Map)相关研究,试图用机器学习把分子结构与气味感知对应起来。该方向被认为是嗅觉AI领域的重要突破,也让外界第一次看到“用算法预测气味”的可行性。
值得一提的是,气味数据还有一个天然难点:同一个分子,在不同浓度下可能呈现完全不同的气味;而不同分子的组合,又会产生难以预测的“嗅觉涌现”效果。这意味着训练数据不仅要覆盖“是什么”,还要覆盖“多少”和“和谁在一起”。
从实验室到产业:气味AI能做什么
如果气味真的可以被数字化,应用场景将远超想象。在食品和饮料行业,AI可以辅助调配香精、控制风味一致性;在香水行业,它可以加速新香型的研发,甚至根据文字描述生成配方;在医疗领域,已有研究表明某些疾病会改变人体的气味特征,灵敏的“电子鼻”有望用于早期筛查;在环境和工业场景中,气味传感器可以监测泄漏、预警污染。
更长远地看,气味基础模型还可能成为机器人的“第五感”。当视觉和听觉让机器人理解世界时,嗅觉能让它们感知腐败、危险和细微的化学变化。Osmo所押注的,正是这一天的到来——届时,“闻一下”将成为机器理解物理世界的又一种基础能力。
质疑与挑战仍在
不过,“AI鼻子媲美人类”的说法仍需谨慎看待。人类嗅觉系统包含约400种受体,能够分辨上万种气味,而现有传感器在灵敏度、稳定性和小型化上仍有明显差距。此外,气味感知高度主观,受文化、记忆和情绪影响,“闻起来像什么”本身就是一个难以标准化的命题。Osmo的大规模数据策略能否真正跨越这道鸿沟,还需要时间和产业验证。
但至少,在那间纽瓦克机场附近的实验室里,30名嗅辨员正在用最朴素的方式,为机器补上人类最古老的一种感官。这或许是AI走向“五感俱全”的必经之路,也是一场关于数据、耐心与感官本质的长期实验。
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