How AI Learns to Smell with Alex Wiltschko - #771

嗅覺對地球99%的物種而言是唯一的交流語言。細菌、真菌、植物和昆蟲只能透過分子傳遞訊息，但與文本、影像不同，香氣從未被妥善數位化。Osmo創始人兼前Google DeepMind研究員Alex Wilczko正在改變這一現狀，建立olfactory intelligence——能夠建模、預測和設計香氛的AI系統。

理解嗅覺AI的第一道難關是建立表示法。視覺有RGB三個通道，聽覺有頻率一個維度，但人類嗅覺擁有300多種嗅覺感受體。這些感受體是嗅覺神經元，它們是穿出顱骨直接接觸世界的少數腦神經之一。當你聞到什麼時，你的大腦正在物理接觸另一生命體。人類的嗅覺驚人敏銳——對某些分子的檢測精度相當於在奧運游泳池中偵測一滴淚水，但這種超常能力長期被科學界忽視。

Google Brain的突破來自一個困擾科學界100年的基礎問題：給定分子的化學結構（原子和化學鍵），能否預測它聞起來是什麼？許多人認為此問題無法解決。Wilczko團隊採用圖神經網絡——一種擅長處理圖結構的架構，其中分子的原子是節點，化學鍵是邊。他們收集數千對分子-氣味描述符組合，成功訓練出預測模型。驗證方式是Odor-Turing Test：預測從未有人聞過的全新分子的氣味特徵，物理製造這些分子，讓經過八小時訓練的人類評估人員進行雙盲評估，比較人類小組平均水準與AI預測。結果令人驚訝：模型預測精度超越了任何單一人類評估者。

更深層發現在於神經網絡的embedding層——一個約300維的向量空間，高度可疑地與嗅覺感受體數量相符。當用主成分分析投影到二維可視化時，相同氣味的分子自然聚集成區域。花香、發酵、草本等氣味各占據一個空間區塊，且更驚人的是，子類型（如茉莉、玫瑰、紫羅蘭）自然形成花香區域內的子集——團隊從未告訴演算法這種嵌套關係存在。發酵香氛區域甚至在首次模型訓練時意外呈現瓶子形狀。這個Principal Odor Map似乎講述了自然製造氣味的故事：發酵香氛由酵母菌產生的生物過程創造，花香來自遺傳相關的植物物種。

從分子結構映射到商業應用需要數據規模。團隊初期透過創意資料授權、網際網路搜尋和Wilczko 15年的業界經驗積累了5000個分子的初始資料集。現已擴展到枚舉所有可能的有香氛分子（60億個），並收集543萬筆人類嗅覺標註數據——迄今最大的olfactory訓練集。數據類型多樣：分子結構配合人類描述符（甜、草本、香草）、真實產品（超市黃瓜）、化學感測器讀數。商業模式利用此基礎：客戶述說「我想要清新感受、吸引Gen Z男性」，系統將需求編碼到嗅覺感知空間，解碼回具體分子配方，交由校車大小的機器人工廠執行，每100秒生產一種新香氛。關鍵是每次商業應用都回饋數據：製造的香氛被人類評估、化學感測器掃描，結果重新訓練模型。

團隊最終願景是building an olfactory foundation model，類似大型語言模型但理解化學感知世界。這需要突破性的大規模數據收集——如癌症檢測、疟疾診斷。雖然犬隻能做到這些，計算機需要統計量級的數據和明確基準。目前可部署的傳感裝置已達人鼻水準（兩個鞋盒大小），長期目標是手機內芯片集成。