AI有鼻子了，还能远程传输气味，图像生成香水

2024-11-22 03:15 4 阅读 0 评论 3 点赞

声明：本文来自于微信公众号机器之心，授权靠谱客转载发布。

众所周知，图像、音乐能用 AI 生成，但出乎意料的是，气味也行。

最近，一个名叫 Osmo 的初创公司宣布，他们成功地将气味数字化了。第一个成功的案例是「新鲜的夏季李子」，而且复现出的味道「闻起来」很不错。整个过程依靠 AI 技术来完成，不需要人工干预。有了这项技术，你就可以像下载音乐一样下载香水了。

这个发帖的 Alex Wiltschko 是 Osmo 的 CEO 和联合创始人。「将气味数字化」进而「生成气味」最初只是他在谷歌工作期间的一个研究项目。但在2022年，他在 Lux Capital 和谷歌风投的支持下，将其作为一家独立的初创公司推出。

「我一直热衷于了解气味。它是一种非常强大的情绪感官，但我们对它却知之甚少」Wiltschko 在接受 CNBC 采访时说。

在复刻出李子的香味后，Wiltschko 非常激动，「带着这个香味去了很多地方」。

至于这项研究的用途，Osmo 的官方说法是「改善人类的健康和幸福」，因为嗅觉数字化对帮助医疗人员检测、治疗疾病至关重要。比如，医生可以用气味来触发患者记忆或减轻焦虑。

此外，它还有可能在 VR 游戏、电影中发挥作用，增加 VR 设备的沉浸感。

或者，你还可以用这项技术来留住亲人的气味，但「按月付费」就有点讽刺了。

当然，这些都是长期愿景。在近期，Wiltschko 希望 Osmo 能制造出更安全、更可持续的香味分子，用于香水、洗发水、驱虫剂和洗衣粉等日常用品中的香料。

用数千个香气分子训练 AI 模型

Osmo 的官网上简单列出了他们的研发历史:

0. 在 Osmo 建立之前，Alex Wiltschko 在谷歌研究院领导着这个团队，他们使用先进的机器学习技术构建了 Osmo 气味映射图的基础。

1. 取得了一项重大突破，可使用图神经网络根据分子结构预测其气味。

2. 创造了以前从未闻过的新分子并以超越人类的准确度进行了预测。

3. 设计出了蚊子觉得难闻的气味分子（例如驱虫剂），并且在人体试验中比避蚊胺(DEET)更有效。

而要更具体地了解 Osmo 的研发历程，我们还要从 Wiltschko 的早期经历说起。

Wiltschko2009年在密歇根大学获得了神经科学学士学位，并在哈佛大学学习嗅觉神经科学，于2016年获得博士学位。

第二年，他成为谷歌研究院的一名研究科学家，在那里，他花了五年时间领导一个团队，利用机器学习帮助计算机根据分子结构预测不同分子的气味，并使用机器学习软件开发了「主要气味映射图（principal odor map/POM）」。

这项研究发表在2023年9月的《科学》杂志上。据介绍，POM 坐标可以用于预测气味强度和感知相似性，即使这些感知特征并非模型训练的显式组成部分。这些结果已被用于构建多种嗅觉预测模型 —— 即使没有微调，其表现也优于以前的特征集。

来自 Science

为了构建这个气味地图，他的团队在一个包含5000个芳香分子的数据集上训练他们的 AI 模型，这些芳香分子涵盖了各种气味类别，如花香、果香或薄荷味。

Wiltschko 发现，由于分子结构复杂，计算机在分析分子时可能会比较棘手 —— 只要移动一个分子键，分子的气味就可能从玫瑰变成臭鸡蛋。

但得益于人工智能技术的进步，该模型能够捕捉到分子不同结构中的模式，并利用这些知识准确预测其他分子的气味。

值得一提的是，用来训练模型的数据集确实来之不易。

Wiltschko 说，大型语言模型可以通过「整个互联网」的数据进行训练，但当他们开始构建人工智能模型时，还没有类似的气味信息数字图书馆。

所以，他们花了大约一年的时间与香水行业的公司合作。起初，他们以为这些公司会有很棒的数据集，但事实并非如此。

这促使 Wiltschko 和他的团队创建了「一种新的数据」。

为此，他们收集了数千种分子以及调香大师对其气味的描述。然后，他们将这些数据输入图神经网络（GNN），该网络属于机器学习的范畴，使用强大的算法来检测和分析数据点之间的关系。

Wiltschko 说，他的团队可以使用 GNN 来帮助 AI 模型理解原子、连接它们的键以及分子结构如何决定其气味。

气味数字化大有用途

气味数字化可以开拓出前所未有的应用场景，最基础的就是气味的远程传输。Wiltschko 表示，Osmo 希望最终能够利用自己的技术，将一个地方的气味数字化，然后在另一个地方再造一个完全相同的副本，从而实现气味的远程传送。

事实上，该公司最新更新的博客表示，他们已经成功了。

具体来说，选择一种要传输的气味，并将其放入一台 GCMS（气相色谱 - 质谱）机。如果该气味的来源是液体，就直接注入;如果是固体样品(比如李子)，就使用顶空分析，也就是将气味困在物体周围的空气中，并通过管子吸收。

GCMS 会识别原始数据（可以视为分子），并将其上传到云。在那里，它会成为主要气味映射图上的坐标 —— 这是一种新颖、先进的人工智能驱动工具，可以预测特定分子组合的气味。

然后，这个配方会被发送到一台配方机器人，它会基于该配方来混合不同的气味，从而复现样品的气味。

在另一项成果展示中，Osmo 表示他们使用 AI 发现了前所未「嗅」的配方，并且他们一口气向欧美市场发布了三种前有未有的香水气味分子。他们将之分别命名为 Glossine、Fractaline、Quasarine。他们还为这三种香水气味编写了美妙的描述。举个例子，对于 Glossine，他们写到:「一种充满活力的花香，让人联想到茉莉花，后调和中调散发出耀眼的亮泽。这种迷人的分子可为之前的任何香水增添耀眼的拉斯维加斯式光彩。」

此外，Osmo 也在研究多模态 AI，具体来说，他们研究的是基于图像生成对应的气味，当然图像又可以进一步基于文本而生成。下面演示了一个案例: