机器学习技术通常基于视觉系统来处理信息。
现在，为了超越这一限制，科学家们开始从嗅觉中汲取灵感。
当今的人工智能系统（包括受神经元和神经系统之间的连接启发的人工神经网络）已经非常擅长完成具有已知约束的任务。
此外，这些系统通常需要大量的计算能力和大量的投资。
训练数据集即可生效。
凭借这些特性，它们在游戏领域，尤其是围棋领域取得了出色的表现，可以检测图像中车辆的存在，并成功区分猫和狗等不同的视觉对象。
但宾夕法尼亚大学计算神经科学家康纳德·科尔丁指出，“但他们在作曲或写短篇小说方面相当糟糕。
显然，当今的人工智能系统在以有意义的方式进行推理方面面临着重大挑战。
”为了克服这些限制，一组研究人员正在返回大脑寻找新的答案。
更令人惊讶的是，其中一些研究人员选择了一个看似不太可能的起点：气味。
科学家们希望更好地了解生物体如何处理化学信息，他们发现了相关的编码策略，这些策略似乎有望解决人工智能中的问题。
此外，嗅觉回路与其他更复杂的大脑区域显示出惊人的相似性，这可能会导致构建更强大的智能机器。
计算机科学家现在正在努力在机器学习环境中消化这些发现。
运气与革命 如今，最先进的机器学习技术至少在一定程度上仍然依赖于视觉系统的模拟结构，即基于信息的分层摄取。
当视觉层接收到感官数据时，它首先选择小但定义明确的特征，包括边缘、纹理、颜色和与空间映射相关的其他元素。
神经科学家 David Hubel 和 Torsten Wiesel 在 20 世纪 50 年代和 1960 年代发现，视觉系统中的特定神经元与视网膜中的特定像素位置之间存在一一对应的关系。
这一重要发现也使他们成功获得了贝尔奖。
当视觉信息通过皮层神经元传递时，边缘、纹理和颜色等详细信息聚集在一起，形成输入的越来越抽象的表达：例如，物体是人脸，面部特征表明该人是简.网络中的每一层都帮助有机体实现这个最终的判断目标。
深度神经网络以类似的分层方式运行，给机器学习和人工智能研究带来了深刻的革命。
为了让这些网络能够识别人脸等物体，研究人员将把数千张样本图像传递到网络中。
该系统加强或削弱各个人工神经元之间的连接，以更准确地确定由一组特定像素形成的更抽象的面部形状。
在足够样本的支持下，它可以识别新图像中包含的面部物体以及从未见过的场景中的面部图案。
研究人员利用这种类型的网络取得了巨大的成功，它不仅在图像分类方面表现良好，而且在语音识别、语言翻译和其他机器学习应用中也表现良好。
“我喜欢将深度网络视为货运列车，”华盛顿大学计算神经科学中心的研究员查尔斯·德拉亨特 (Charles Delahunt) 说。
“它们非常强大，但它们要求我们提供光滑的表面、铺设轨道并建造大规模的基础设施。
但我们都清楚，生物系统不需要这些——它们可以解决许多深层网络无法解决的难题今天解决。
”现在我们来谈谈人工智能领域的一个热门话题：自动驾驶汽车当汽车行驶在新的环境中时，周围的环境总是在变化，充满噪音和模糊性，因此，受视觉系统启发的深度学习技术。
事实上，基于视觉的松散方法可能无法很好地解决问题。
在这方面，麻省理工学院的生物物理学家 Adam Marblestone 表示，视觉处理本质上代表了一种基于机会的获得洞察力的能力，这是一种“历史的侥幸”。
” 正是这样的运气，让科学家们获得了人工智能领域最成熟的体系，即基于图像的机器学习应用方向。
加州索尔克生物研究所的计算机科学家 Saket Navlakha 提醒道， “每种类型的刺激都会以不同的方式进行处理。
例如，视觉和嗅觉使用完全不同的信号类型。
因此，大脑可能会使用许多不同的策略来处理不同类型的数据，我认为除了研究视觉系统如何工作之外，还有许多其他课题需要研究人员探索。
”图为：索尔克研究所计算机科学家 Saket Navlakha 开发的一、基于苍蝇的嗅觉回路算法，我们希望提高机器学习技术在类似搜索和新颖检测任务中的性能，直到 20 世纪 90 年代，他和其他研究人员才发现昆虫的嗅觉回路可能提供宝贵的经验。
哥伦比亚大学生物学家琳达·巴克（Linda Buck）和理查德·阿克塞尔（Richard Axel）发现了用于处理气味受体的基因，标志着气味研究的正式开始，从此嗅觉系统变得与众不同，并引导研究人员探索苍蝇和其他昆虫如何处理气味。
科学家相信它可以轻松解决视觉系统无法处理的许多常见计算挑战，“我们专注于嗅觉，因为它是一个有限的系统，因此可以用相对完整的方式表示。
这是一个值得争取的好机会。
英国赫特福德郡大学计算神经科学家迈克尔·施穆克 (Michael Schmuker) 补充道：“人们现在能够利用视觉来完成一些奇妙的任务。
或许我们用嗅觉也能达到同样神奇的效果。
“随机和稀疏网络嗅觉和视觉在很多层面上都存在本质区别。
首先，嗅觉是一种非结构化信息，它没有边缘；换句话说，我们无法对空间中的特定物体进行分组。
嗅觉属于不同成分和深度的混合物很难分类为彼此相似或不同，因此在探索过程中通常不清楚这些气味将由浅层三层网络进行分析。
嗅觉区域对整个感受器空间进行随机采样，而不是集中在层次结构中的特定区域。
查尔斯·史蒂文斯提出的所谓“反映射”机制在像视觉皮层这样的映射系统中，神经元的位置将指示类型。
但在嗅觉皮层的反映射系统中，情况并非如此，相反，信息分布在整个系统中，并且读取相关数据需要从非常少量的神经元中进行采样。
更具体地说，研究人员需要通过高维空间中的稀疏信息表示来实现这一目标。
背反射。
研究人员使用与果蝇相同的嗅觉回路，使用 50 个投射神经元（每个神经元对不同的分子敏感）来接收受体输入，这些输入将激发多个不同的神经元，每个神经元代表不同的分子。
不同的气味。
这是一组信息的重叠表示，在此示例中表示为 50 维空间。
之后，信息被随机投射到所谓的凯尼恩细胞中，并穿过它。
（在哺乳动物中，梨状皮层中的细胞负责这项任务。
）这将导致 40 倍的扩展，确保神经反应模式对气味辨别更加敏感。
Navlakha 说：“我们假设一个房间里有很多人，并尝试根据爱好将他们组织起来。
当然，在这个拥挤的空间里，你也许可以找到一些方法将其分成不同的团队。
但在真实的——在生活场景中，人们分布在一个巨大的足球场上，研究人员需要学会处理额外的空间并构建数据。
“一旦苍蝇的嗅觉回路建立起来，它就需要找到一种实用的方法来使用非重叠的方法。
神经元能够识别不同的气味。
该模型通过“稀疏”数据来实现这一点。
在凯尼恩细胞中，只有约 5%（占总数的 5%）对特定气味高度活跃（其他不太活跃的细胞则保持沉默），并为每种气味提供独特的标签。
简而言之，虽然传统的深层网络（再次从视觉系统获取线索）在“学习”时不断改变其连接的强度，但嗅觉系统似乎通常不会投射与凯尼恩成对的神经元。
以他们训练自己的方式进行调整。
随着研究人员在新世纪继续探索嗅觉系统，他们开发了算法来确定高维随机嵌入和稀疏性对计算效率的实际影响。
英国苏塞克斯大学的托马斯·诺沃特尼（Thomas Nowotny）和加州大学圣地亚哥分校的拉蒙·韦尔塔（Ramón Huerta）两位科学家甚至建立了另一种与机器学习模型的连接方法，并将其命名为支持向量机。
他们认为自然系统和人工系统处理信息的方式在形式上是等价的，并且都使用随机组织和维度扩展来有效地表达复杂数据。
就此而言，人工智能和生物进化在同一类型的解决方案上实现了独立收敛。
图片：苏塞克斯大学信息学教授托马斯·诺沃特尼 (Thomas Nowotny) 发现了嗅觉系统与一类称为支持向量机的模型之间的相似之处。
以此为基础，他进一步探索了气味的实现原理，希望能够引导更多潜在的人工智能应用方向。
借助这种联系，诺沃特尼和他的同事们继续探索气味与机器学习技术之间的关系，希望找到两者之间更深层次的联系。
2007年，他们证明，最初开发用于识别气味的昆虫气味模型也可以成功识别手写数字。
此外，去除大部分神经元（模拟脑细胞的死亡和不可替代）并没有对其性能产生太大影响。
诺沃特尼说，“这个系统的某些部分可能会中断，但整个系统可以继续工作。
”在他看来，未来的火星探测器等设备有望采用此类硬件，使其能够在恶劣条件下长时间运行。
继续跑。
然而，长期以来，研究人员并没有投入太多精力来跟进这些发现——直到最近，一些科学家重新审视了气味的生物结构，希望能够更深入地了解如何在某些特定的领域改进机器学习。
问题。
表现。
硬连线知识与快速学习 Delahunt 和他的同事重复了 Nowotny 提出的基于飞蛾嗅觉系统的实验，并将其与传统的机器学习模型进行了比较。
当样本数小于20时，基于蛾的模型可以更好地识别手写数字；但随着训练数据的增加，其他模型表现出更强大、更准确的判断能力。
Delahunt 指出，“机器学习方法擅长利用大量数据提供非常准确的分类器，而昆虫模型则非常擅长利用少量数据快速进行粗略分类。
”就学习速度而言，嗅觉系统似乎更好。
，因为在这种情况下，“学习”的目的不再是寻找特定任务的最佳特征和表达方式。
相反，基本目标简化为识别哪一组随机特征与正确结果相关，哪一组不相关。
南方医科大学生物学家彭飞表示：“一键完成训练的能力确实令人着迷，对吧？”事实上，嗅觉策略相当于结合了一些最基本、最原始的概念。
将其引入模型就像将一些对现实世界的一般理解硬连接到我们的大脑中。
此后，该结??构本身可以执行一些不需要指令的简单固有任务。
最引人注目的例子之一来自纳夫拉卡去年在他的实验室进行的研究。
他希望与加州大学圣地亚哥分校的计算机科学家 Stevenes 和 Sanjoy Dsgupta 一起，找到一种受嗅觉启发来搜索相似性的方法。
正如 YouTube 网站能够根据用户当前正在观看的内容生成推荐视频的侧边栏列表一样，生物体在识别气味时也必须能够进行快速而准确的比较。
苍蝇很快就会意识到它应该接近成熟水果的气味，并远离乙酸等刺激性气味的来源。
但考虑到它生活的环境复杂且充满干扰因素，它不太可能遇到完全相同的气味。
一旦检测到新的气味，苍蝇就会回忆起以前遇到过的最相似的气味，并选择适当的行为反应。
Navlakha 创建了一种基于气味的相似性探索算法，并将其应用于图像数据集的处理。
他和他的团队发现他们的算法实际上比传统的非生物方法表现得更好，有时甚至达到了两到三倍的降维性能。
（在这些更标准的技术中，通常通过关注一些基本特征或尺寸来进行对象比较。
）Navlakha 解释说，基于飞行的方法“可以达到类似的精度，而计算量比传统方法少大约一个数量级。
”无论是在成本还是性能上都能够带来质的飞跃。
” Nowotny、Navlakha 和 Delahunt 的实验结果表明，基本上未经训练的网络已经可以用于执行分类计算和其他类似任务。
采用这种编码方案构建的系统也可以更容易学习。
例如，这可以用于涉及导航或记忆的任务，其中系统可以成功应对条件变化（例如道路障碍物），而不需要更多的学习时间或大量示例。
彭和他的同事已经开始研究这个问题，他们创建了一个蚂蚁气味模型，以确定如何找到熟悉的路线并从一系列重叠的图像中进行导航。
在目前正在审查的工作中，Navlakha 使用了一种类似的、基于气味的方法来进行新颖性检测，即在接触数千个相似物体后成功识别新的相关物体。
诺沃特尼正在研究如何使用嗅觉系统来处理混合物。
他发现了此类应用中机器学习技术面临的挑战。
例如，生物体将某些气味视为源自单一物体，而有些气味则源自混合物：有些人在摄入数十种化学物质后能够准确地确定他们闻到的气味是玫瑰。
;或者也许闻到附近面包店散发出的相同量的化学物质，并意识到它们来自咖啡而不是羊角面包。
诺沃特尼和他的团队发现，人们在嗅闻时不会刻意分离气味；相反，咖啡和牛角面包之间的气味识别是以非常快速的交替方式完成的。
这种洞察力对于人工智能技术来说也非常重要。
例如，在鸡尾酒会的嘈杂环境中分离多个同时进行的对话通常是极其困难的。
如果房间里有多个扬声器，人工智能可以通过将声音信号切换到极小的时间窗口来解决这个问题。
如果系统识别出一个说话者的声音，它可能会尝试抑制其他说话者的输入。
通过这样的交替，神经网络就可以成功解析对话内容。
《进入昆虫机器人时代》上个月发表在科学论文预发表网站 arxiv 上。
org上的一篇文章指出，Delahunt和他来自华盛顿大学的同事J.。
内森·库茨（Nathan Kutz）创造的“昆虫机器人”进一步推进了这项研究。
他们使用基于飞蛾的模型的输出作为机器学习算法的输入，并在系统图像分类能力方面取得了显着的改进。
Delahunt 表示，“它为机器学习算法提供了强大的素材。
蛾神经给我们带来了一系列不同类型的结构，这种与传统结构有很大不同的结构有助于改进机器学习算法。
”图片：Washington Charles Delahunt（左图）和 J. Nathan Kutz（右图）将飞蛾的嗅觉网络结构移植到机器学习环境中，创造了他们所谓的“昆虫机器人”。
一些研究人员还希望利用气味研究来确定如何控制更深层次网络中的许多交互。
协调学习方式。
“但到目前为止，我们在这个领域只触及了表面，”彭说。
“我还不确定如何用它来改进深度学习系统。
”“除了实现基于气味的架构之外，该领域的另一个重要问题是如何明确定义系统输入。
在刚刚发表在《科学进展》期刊上的论文中，索尔克研究所的 Tatyana Sharpee 领导的团队正在尝试具体来说，不同的图像有一些共同点，需要基于“视觉空间”来表达像素之间的距离，但对于气味和多种不同的气味来说，这根本不是事实。
化学结构在表达和判断方面可能被认为是相似的。
图：索尔克研究所的神经生物学家 Tatyana Sharpee 最近发现，气味可以映射到双曲空间中。
她希望看看这种见解是否可以帮助研究人员弄清楚如何进行分析。
为深度学习系统构建最佳输入数据，根据气味分子在自然界中出现的频率来定义气味分子。
出于研究目的，他们检查了气味分子在各种类型的水果和其他样本中相互作用的频率。
之后，他们将气味分子结合起来构建了一张地图，包括观察哪些分子倾向于相互作用以及哪些分子相互作用。
保持明确的隔离。
他们发现，就像映射城市指向地球一样，气味分子的映射出现在双曲空间中，其中的负曲率球体是马鞍形的。
她解释说，将这种双曲线结构的输入输入机器学习算法有助于对结构化程度较低的对象进行分类。
“深度学习有一个关于输入是什么的起始假设。
应该用欧几里得几何度量来完成。
我认为你可以尝试将该指标更改为双曲线指标。
“也许这样的结构可以进一步优化深度学习系统。
共同点分析 目前，大多数关于嗅觉系统的研究成果还处于理论阶段。
Navlakha 和 Delahunt 的工作必须进一步扩展到更复杂的机器诺沃特尼说：“我认为这是一个新兴的挑战，我们期待看到它能走多远。
”“令研究人员兴奋的是，嗅觉系统确实与大脑的其他区域表现出惊人的结构相似性。
许多物种，特别是海马体，它涉及记忆和导航，以及小脑，它负责运动控制。
嗅觉 这是一个古老的系统，可以追溯到细菌生物体感知化学物质，所有生物体都使用某种形式的气味来探索它们的环境，马布尔斯通说。
来源。
“嗅觉可能为所有生物的学习系统提供了一条共同的线索。
神经科学家 Ashok Litwin-Kumar 认为，“嗅觉系统为我们提供了一个非常保守的结构，它广泛适用于各种生物体识别各种物体的方式。
其中一定有一些非常基本的原理，因此，值得进一步研究。
” “嗅觉回路可能成为更复杂的学习算法和计算方案的起点，试图了解海马体和小脑的工作原理，甚至可能导致相关见解在人工智能领域的应用。
研究人员开始关注注意力和记忆等各种认知过程，希望找到改进当前机器学习架构和机制的方法。
在这方面，气味可能提供一种更简单的方式来建立这些联系。
Marblestone 认为“这是一个有趣的关键切入点，可能成为下一代神经网络实现的基础”。