智能語音助手、同聲傳譯、人臉識別、自動新聞撰寫等應用已經(jīng)在大眾用戶和產(chǎn)業(yè)端廣泛普及開來，AI模仿人類視覺、聽覺、觸覺的能力也在不斷精進，但在辨別“味道”方面，似乎很少聽到AI發(fā)光發(fā)熱的應用案例。

當然，這并不意味著AI就在味覺和嗅覺領域“開天窗”了，實際上，也有不少研究團隊試圖摘下這朵的“高嶺之花”。

有味道的AI：

噱頭營銷還是真功夫？

當機器人在看路、行走等應用上跌跌撞撞宛如幼兒的時候，可能很少有人知道，利用人工智能驅動的味覺測試機器人已經(jīng)在中國運行了三年。

中國輕工業(yè)聯(lián)合會在 4 月提交的一份報告顯示，自 2015 年以來，有超過 10 家傳統(tǒng)中國食品制造商參與了政府支持的“AI 試味”項目，在生產(chǎn)過程中通過AI驗證測試食品味道是否符合標準，保證食品安全。目前，測試對象包括干面條、米醋、茶和黃酒。

這些奇跡人配備了不少子和光學傳感器，可模擬眼睛，鼻子和舌頭。傳感器收集食物和配料的視覺和氣味信息，神經(jīng)網(wǎng)絡算法處理所有信息并查找數(shù)據(jù)中的模式，不斷進行學習。

這種能夠“辯味”的機器人，最早是由日本NEC公司和三重大學聯(lián)合開發(fā)的。它們可以在不吃，即不破壞實物的前提下，利用傳感器向食物發(fā)射不同波長的紅外線，結合反射數(shù)據(jù)畫出食物的“紅外指紋”，經(jīng)過與數(shù)據(jù)庫中的資料對比后，就可以準確地辨別出數(shù)十種實物的味道和名稱。

最近，日本一家“未來日本酒店”研發(fā)的全新儀器“Yummy Sake”，讓消費者在不認識產(chǎn)品的情況下，盲品10款不同味道的日本酒。AI則會快速記錄民眾的喜好，把人類味覺化成可以檢測的數(shù)值，利用大數(shù)據(jù)分析結果來調(diào)整食物的味道，以期提高競爭力。

類似的食物革命還包括了美國圣地亞哥的創(chuàng)業(yè)公司NotCo。它的創(chuàng)始人Pichara和Zamora開發(fā)了一款機器學習軟件，用來發(fā)現(xiàn)不同動物和植物蛋白之間的聯(lián)系。該軟件就會在七個數(shù)據(jù)庫中，通過描述食物和配料的分子數(shù)據(jù)，食物和配料的光譜圖像，以及一系列由公司內(nèi)部味覺測試人員收集的數(shù)據(jù)，如味覺、質(zhì)地、回味、辛辣和酸度等等，以幫助NotCo公司推出香腸、肉沫、冰淇淋等高熱量食物的純素植物替代品。目前，已經(jīng)為7000多株植物繪制了氨基乙酸結構圖譜。

既然AI已經(jīng)證明了自己的“辯味”實力，鑒別酸、甜、苦、咸、鮮等都不在話下，而且機器人的效率更高，可以在不到一秒的時間內(nèi)完成每次品嘗，每天24小時運行。

中國輕工業(yè)協(xié)會的報告顯示，味覺測試機器人在降低成本的同時，能夠有效提高食品行業(yè)的生產(chǎn)效率和質(zhì)量。加入試驗計劃的公司聲稱，自2015年以來，人工智能幫助制造商增加了超過4450萬美元的利潤。

那為什么，人們卻很少見到“AI取代米其林評審員”“機器人秒殺人類大廚”之類的炸裂新聞呢？

復雜的“味道”，

與困難重重的AI“辯味”

從上述應用中不難看出，味道的傳感器+神經(jīng)網(wǎng)絡，大多被應用在工業(yè)化實物的測試環(huán)節(jié)，亦或是未知味道的創(chuàng)新開發(fā)上，從某種意義上說明了AI在“辯味”這件事上，還存在哪些不足？

首先，AI“辯味”需要清晰的數(shù)據(jù)邊界，比如食物配方，化學成分，消費者口味信息等等，這顯然違背了味覺與嗅覺的基本邏輯。人類在感知氣味的時候，就不需要將其分解成各種成分來進行單獨感知，而是依賴于現(xiàn)場實時感受到的一種整體氛圍，比如香氛，就是以整體信息來進行表征的。

“味道”本身的整體性，會使得高度依賴結構化數(shù)據(jù)的AI模型準確度有待提升，只能應用在一些高度機械化的場景，比如食物測試當中。

另外，AI“辯味”依賴于交互感知、材料學、動力學等多種技術的集成和協(xié)作，比如電子舌、電子鼻、組合化學等等，AI起的作用并不十分突出。

韓國研究者做出了比人類味覺強 10000倍的 E-tongue（電子舌頭），需要先利用生物技術從與味覺相關的細胞中抽取基因信息，插入到其他細胞當中。再把改造后的細胞放到石墨烯材料上，感受到電流的變化。最后，才是借助深度神經(jīng)網(wǎng)絡對味道的電信號進行計算，來獲知E-tongue 到底獲得了什么樣的味道。

顯然，要保證AI機器人對味道有充足的感受，僅憑AI一己之力是無法搞定的，復雜可靠的傳感器陣列和其他學科的輔助也至為關鍵。

阻止AI“辯味”大規(guī)模應用的另一個關鍵問題，則是傳統(tǒng)深度神經(jīng)網(wǎng)絡在味覺和嗅覺上的捉襟見肘。關于“味道”的神經(jīng)機制與我們熟悉的以分層方式搭建的深度神經(jīng)網(wǎng)絡有著明顯的不同。

味覺和嗅覺的神經(jīng)元在識別味道的時候，關注那些特征是隨機采樣的，就像人類往往直接感知冰淇淋的香甜冷爽一樣，綜合感受很難給出結構化的數(shù)據(jù)和特征指向，因此與味道有關的神經(jīng)網(wǎng)絡往往也不會涉及非常多層級的架構。

2009年，英國斯科塞斯大學的研究者曾經(jīng)推出了一種基于昆蟲的嗅覺模型，用來識別氣味，以及手寫的數(shù)字。最后他們發(fā)現(xiàn)，即使去除了大部分神經(jīng)元，也不會過度影響模型性能。

訓練數(shù)據(jù)和樣本并不確定導向最終的訓練結果，這種特殊的仿生學現(xiàn)象，自然也進一步加大了算法開發(fā)的難度與門檻，從而進一步延緩了AI融入“味道”的進程。

和發(fā)展尚屬早期的AI“辯味”能力相比，人類對于“味道”的綜合感知力就顯得非常逆天了。2004年生理學諾貝爾獎得主理查德阿克塞爾和琳達巴克曾經(jīng)在嗅覺機理研究中發(fā)現(xiàn)，人類雖然只有1000種左右的嗅覺基因（細胞類型），但可以感受和辨識10000種以上的氣味化學物質(zhì)。

也難怪中國廚師協(xié)會（China Cuisine Association）國際事務主管孫琳會直接斷言，“不同廚師做同樣的菜，AI未來二三十年內(nèi)都可能分辨不出來其中的不同之處”。人類作為吃貨的尊嚴算是暫時保住了！

醉翁之意：食物之外才是新天地

關于AI在味道方面的應用顯然還處于初級探索階段，不外乎是檢測和判斷失誤的味道，幫助商家提高效率、改進配方、吸引顧客等等，又或者是加載在冰箱上，在食物變味時提醒主人。聽起來，好像都有點雞肋的樣子??？

反倒是那種與食物聯(lián)系并不緊密的領域，目前看來，卻有可能是AI“辯味”未來最能帶來驚喜的地方，比如：

1.環(huán)保監(jiān)測。隨著傳感器的發(fā)展，人工智能味覺系統(tǒng)也在向微型化、聲波型等發(fā)展，除了能夠對液體的物理味覺保持敏銳之外，還能夠精準地檢測出流體的質(zhì)量、密度等一系列物理特征。尤其是使用了BP算法的神經(jīng)網(wǎng)絡，識別準確率常能達到我94%以上。

因此，這類系統(tǒng)在工業(yè)廢水、地下水金屬離子含量分析、海水重金屬、工業(yè)生產(chǎn)的微生物數(shù)量等方面，得到了越來越廣泛的應用。

2.安全保障與救援。盡管在綜合味道感知上不如人類，但在識別單一味覺，亦或是特殊氣體方面，神經(jīng)機器卻有著得天獨厚的優(yōu)勢。這種特殊的能力也被集成到一些安保產(chǎn)品當中，替代人類去完成一些特殊任務。

像是嗅敏儀就可以或許分辨出大約40多種的氣體，其中就包括一氧化碳等一些人類都無法察覺的氣體，因此能夠很好地在一些危險情況中保護人類的安全。

3.降低機器學習模型的訓練成本。我們知道，傳統(tǒng)機器學習需要大量標注數(shù)據(jù)來完成訓練，但顯然，嗅覺和味覺AI系統(tǒng)都不是那么運作的。它們不需要辨認龐大規(guī)模的無用特征，就能夠得到比較高的性能效果。將這種方式應用到傳統(tǒng)機器學習模型的訓練當中，縮短訓練時間與算力成本，豈不是很棒？

4.仿生性幫助探尋更具潛力的算法。以果蠅的嗅覺系統(tǒng)為例，它們已經(jīng)知道接近成熟的香蕉味道，遠離醋味，但如果環(huán)境比較復雜，它感知到一種新味道后，會將當下的味道與之前聞過的味道相比對，選擇更接近的那個做出相應的反應。

有實驗室就利用這種嗅覺上的“相似性”創(chuàng)造了一種新的搜索算法。在圖片數(shù)據(jù)集中，基于生物嗅覺的算法要比傳統(tǒng)的非生物算法效果好到2-3倍。

讓AI幫助我們將世界看得更清楚，聽得更準確，已經(jīng)小有成就。而隱藏在舌尖和鼻端的玄妙世界，其實也很值得科技公司們?yōu)橹?。眼耳鼻舌身意，這些結合起來，才是我們想象中AI完整的樣子。