一个“有味道”的AI正在派送中，请查收……

听说读写，在如今的AI身上早已不是什么新鲜事了。

智能语音助手、同声传译、人脸识别、自动新闻撰写等应用已经在大众用户和产业端广泛普及开来，AI模仿人类视觉、听觉、触觉的能力也在不断精进，但在辨别“味道”方面，似乎很少听到AI发光发热的应用案例。

当然，这并不意味着AI就在味觉和嗅觉领域“开天窗”了，实际上，也有不少研究团队试图摘下这朵的“高岭之花”。

有味道的AI：

噱头营销还是真功夫？

当机器人在看路、行走等应用上跌跌撞撞宛如幼儿的时候，可能很少有人知道，利用人工智能驱动的味觉测试机器人已经在中国运行了三年。

中国轻工业联合会在 4 月提交的一份报告显示，自 2015 年以来，有超过 10 家传统中国食品制造商参与了政府支持的“AI 试味”项目，在生产过程中通过AI验证测试食品味道是否符合标准，保证食品安全。目前，测试对象包括干面条、米醋、茶和黄酒。

这些奇迹人配备了不少子和光学传感器，可模拟眼睛，鼻子和舌头。传感器收集食物和配料的视觉和气味信息，神经网络算法处理所有信息并查找数据中的模式，不断进行学习。

这种能够“辩味”的机器人，最早是由日本NEC公司和三重大学联合开发的。它们可以在不吃，即不破坏实物的前提下，利用传感器向食物发射不同波长的红外线，结合反射数据画出食物的“红外指纹”，经过与数据库中的资料对比后，就可以准确地辨别出数十种实物的味道和名称。

最近，日本一家“未来日本酒店”研发的全新仪器“Yummy Sake”，让消费者在不认识产品的情况下，盲品10款不同味道的日本酒。AI则会快速记录民众的喜好，把人类味觉化成可以检测的数值，利用大数据分析结果来调整食物的味道，以期提高竞争力。

类似的食物革命还包括了美国圣地亚哥的创业公司NotCo。它的创始人Pichara和Zamora开发了一款机器学习软件，用来发现不同动物和植物蛋白之间的联系。该软件就会在七个数据库中，通过描述食物和配料的分子数据，食物和配料的光谱图像，以及一系列由公司内部味觉测试人员收集的数据，如味觉、质地、回味、辛辣和酸度等等，以帮助NotCo公司推出香肠、肉沫、冰淇淋等高热量食物的纯素植物替代品。目前，已经为7000多株植物绘制了氨基乙酸结构图谱。

既然AI已经证明了自己的“辩味”实力，鉴别酸、甜、苦、咸、鲜等都不在话下，而且机器人的效率更高，可以在不到一秒的时间内完成每次品尝，每天24小时运行。

中国轻工业协会的报告显示，味觉测试机器人在降低成本的同时，能够有效提高食品行业的生产效率和质量。加入试验计划的公司声称，自2015年以来，人工智能帮助制造商增加了超过4450万美元的利润。

那为什么，人们却很少见到“AI取代米其林评审员”“机器人秒杀人类大厨”之类的炸裂新闻呢？

复杂的“味道”，

与困难重重的AI“辩味”

从上述应用中不难看出，味道的传感器+神经网络，大多被应用在工业化实物的测试环节，亦或是未知味道的创新开发上，从某种意义上说明了AI在“辩味”这件事上，还存在哪些不足？

首先，AI“辩味”需要清晰的数据边界，比如食物配方，化学成分，消费者口味信息等等，这显然违背了味觉与嗅觉的基本逻辑。人类在感知气味的时候，就不需要将其分解成各种成分来进行单独感知，而是依赖于现场实时感受到的一种整体氛围，比如香氛，就是以整体信息来进行表征的。

“味道”本身的整体性，会使得高度依赖结构化数据的AI模型准确度有待提升，只能应用在一些高度机械化的场景，比如食物测试当中。

另外，AI“辩味”依赖于交互感知、材料学、动力学等多种技术的集成和协作，比如电子舌、电子鼻、组合化学等等，AI起的作用并不十分突出。

韩国研究者做出了比人类味觉强 10000倍的 E-tongue（电子舌头），需要先利用生物技术从与味觉相关的细胞中抽取基因信息，插入到其他细胞当中。再把改造后的细胞放到石墨烯材料上，感受到电流的变化。最后，才是借助深度神经网络对味道的电信号进行计算，来获知E-tongue 到底获得了什么样的味道。

显然，要保证AI机器人对味道有充足的感受，仅凭AI一己之力是无法搞定的，复杂可靠的传感器阵列和其他学科的辅助也至为关键。

（视觉神经网络与嗅觉神经网络的不同架构）

阻止AI“辩味”大规模应用的另一个关键问题，则是传统深度神经网络在味觉和嗅觉上的捉襟见肘。关于“味道”的神经机制与我们熟悉的以分层方式搭建的深度神经网络有着明显的不同。

味觉和嗅觉的神经元在识别味道的时候，关注那些特征是随机采样的，就像人类往往直接感知冰淇淋的香甜冷爽一样，综合感受很难给出结构化的数据和特征指向，因此与味道有关的神经网络往往也不会涉及非常多层级的架构。

2009年，英国斯科塞斯大学的研究者曾经推出了一种基于昆虫的嗅觉模型，用来识别气味，以及手写的数字。最后他们发现，即使去除了大部分神经元，也不会过度影响模型性能。

训练数据和样本并不确定导向最终的训练结果，这种特殊的仿生学现象，自然也进一步加大了算法开发的难度与门槛，从而进一步延缓了AI融入“味道”的进程。

和发展尚属早期的AI“辩味”能力相比，人类对于“味道”的综合感知力就显得非常逆天了。2004年生理学诺贝尔奖得主理查德阿克塞尔和琳达巴克曾经在嗅觉机理研究中发现，人类虽然只有1000种左右的嗅觉基因（细胞类型），但可以感受和辨识10000种以上的气味化学物质。

也难怪中国厨师协会(China Cuisine Association)国际事务主管孙琳会直接断言，“不同厨师做同样的菜，AI未来二三十年内都可能分辨不出来其中的不同之处”。人类作为吃货的尊严算是暂时保住了！

醉翁之意：食物之外才是新天地

关于AI在味道方面的应用显然还处于初级探索阶段，不外乎是检测和判断失误的味道，帮助商家提高效率、改进配方、吸引顾客等等，又或者是加载在冰箱上，在食物变味时提醒主人。听起来，好像都有点鸡肋的样子啊？

反倒是那种与食物联系并不紧密的领域，目前看来，却有可能是AI“辩味”未来最能带来惊喜的地方，比如：

1.环保监测。随着传感器的发展，人工智能味觉系统也在向微型化、声波型等发展，除了能够对液体的物理味觉保持敏锐之外，还能够精准地检测出流体的质量、密度等一系列物理特征。尤其是使用了BP算法的神经网络，识别准确率常能达到我94%以上。

因此，这类系统在工业废水、地下水金属离子含量分析、海水重金属、工业生产的微生物数量等方面，得到了越来越广泛的应用。

2.安全保障与救援。尽管在综合味道感知上不如人类，但在识别单一味觉，亦或是特殊气体方面，神经机器却有着得天独厚的优势。这种特殊的能力也被集成到一些安保产品当中，替代人类去完成一些特殊任务。

像是嗅敏仪就可以或许分辨出大约40多种的气体，其中就包括一氧化碳等一些人类都无法察觉的气体，因此能够很好地在一些危险情况中保护人类的安全。

3.降低机器学习模型的训练成本。我们知道，传统机器学习需要大量标注数据来完成训练，但显然，嗅觉和味觉AI系统都不是那么运作的。它们不需要辨认庞大规模的无用特征，就能够得到比较高的性能效果。将这种方式应用到传统机器学习模型的训练当中，缩短训练时间与算力成本，岂不是很棒？

4.仿生性帮助探寻更具潜力的算法。以果蝇的嗅觉系统为例，它们已经知道接近成熟的香蕉味道，远离醋味，但如果环境比较复杂，它感知到一种新味道后，会将当下的味道与之前闻过的味道相比对，选择更接近的那个做出相应的反应。

（在果蝇嗅觉系统上获得灵感的Navlakha实验室成员）

 

有实验室就利用这种嗅觉上的“相似性”创造了一种新的搜索算法。在图片数据集中，基于生物嗅觉的算法要比传统的非生物算法效果好到2-3倍。

让AI帮助我们将世界看得更清楚，听得更准确，已经小有成就。而隐藏在舌尖和鼻端的玄妙世界，其实也很值得科技公司们为之努力。眼耳鼻舌身意，这些结合起来，才是我们想象中AI完整的样子。