一個“有味道”的AI正在派送中，請查收……

聽說讀寫，在如今的AI身上早已不是什麽新鮮事了。

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在大眾用戶和產業端廣泛普及開來，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發光發熱的應用案例。

當然，這並不意味著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：噱頭行銷還是真功夫？

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在中國運行了三年。

中國輕工業聯合會在 4 月提交的一份報告顯示，自 2015 年以來，有超過 10 家傳統中國食品製造商參與了政府支持的“AI 試味”項目，在生產過程中通過AI驗證測試食品味道是否符合標準，保證食品安全。目前，測試對象包括乾面條、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，神經網絡算法處理所有信息並查找數據中的模式，不斷進行學習。

這種能夠“辯味”的機器人，最早是由日本NEC公司和三重大學聯合開發的。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射不同波長的紅外線，結合反射數據畫出食物的“紅外指紋”，經過與數據庫中的資料對比後，就可以準確地辨別出數十種實物的味道和名稱。

最近，日本一家“未來日本酒店”研發的全新儀器“Yummy Sake”，讓消費者在不認識產品的情況下，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值，利用大數據分析結果來調整食物的味道，以期提高競爭力。

類似的食物革命還包括了美國聖地亞哥的創業公司NotCo。它的創始人Pichara和Zamora開發了一款機器學習軟體，用來發現不同動物和植物蛋白之間的聯繫。該軟體就會在七個數據庫中，通過描述食物和配料的分子數據，食物和配料的光譜圖像，以及一系列由公司內部味覺測試人員收集的數據，如味覺、質地、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，已經為7000多株植物繪製了氨基乙酸結構圖譜。

既然AI已經證明了自己的“辯味”實力，鑒別酸、甜、苦、鹹、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完成每次品嚐，每天24小時運行。

中國輕工業協會的報告顯示，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的生產效率和質量。加入試驗計劃的公司聲稱，自2015年以來，人工智能幫助製造商增加了超過4450萬美元的利潤。

那為什麽，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？

複雜的“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+神經網絡，大多被應用在工業化實物的測試環節，亦或是未知味道的創新開發上，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”需要清晰的數據邊界，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，而是依賴於現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據的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”依賴於互動感知、材料學、動力學等多種技術的集成和協作，比如電子舌、電子鼻、組合化學等等，AI起的作用並不十分突出。

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。再把改造後的細胞放到石墨烯材料上，感受到電流的變化。最後，才是借助深度神經網絡對味道的電信號進行計算，來獲知E-tongue 到底獲得了什麽樣的味道。

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，複雜可靠的傳感器陣列和其他學科的輔助也至為關鍵。

（視覺神經網絡與嗅覺神經網絡的不同架構）

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

味覺和嗅覺的神經元在識別味道的時候，關注那些特徵是隨機采樣的，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據和特徵指向，因此與味道有關的神經網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推出了一種基於昆蟲的嗅覺模型，用來識別氣味，以及手寫的數字。最後他們發現，即使去除了大部分神經元，也不會過度影響模型性能。

訓練數據和樣本並不確定導向最終的訓練結果，這種特殊的仿生學現象，自然也進一步加大了算法開發的難度與門檻，從而進一步延緩了AI融入“味道”的進程。

和發展尚屬早期的AI“辯味”能力相比，人類對於“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在嗅覺機理研究中發現，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。

也難怪中國廚師協會(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

關於AI在味道方面的應用顯然還處於初級探索階段，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啊？

反倒是那種與食物聯繫並不緊密的領域，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.環保監測。隨著傳感器的發展，人工智能味覺系統也在向微型化、聲波型等發展，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量、密度等一系列物理特徵。尤其是使用了BP算法的神經網絡，識別準確率常能達到我94%以上。

因此，這類系統在工業廢水、地下水金屬離子含量分析、海水重金屬、工業生產的微生物數量等方面，得到了越來越廣泛的應用。

2.安全保障與救援。儘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，神經機器卻有著得天獨厚的優勢。這種特殊的能力也被集成到一些安保產品當中，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，傳統機器學習需要大量標注數據來完成訓練，但顯然，嗅覺和味覺AI系統都不是那麽運作的。它們不需要辨認龐大規模的無用特徵，就能夠得到比較高的性能效果。將這種方式應用到傳統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。以果蠅的嗅覺系統為例，它們已經知道接近成熟的香蕉味道，遠離醋味，但如果環境比較複雜，它感知到一種新味道後，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。

（在果蠅嗅覺系統上獲得靈感的Navlakha實驗室成員）

有實驗室就利用這種嗅覺上的“相似性”創造了一種新的搜索算法。在圖片數據集中，基於生物嗅覺的算法要比傳統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為之努力。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。