Top
首页 > 正文

AI“品尝”的难题

回望这些项目,我们可以归纳出几个关键词——新型传感器、新型算法、类脑计算和云计算。
发布时间:2020-04-16 10:32        来源:中国电子报        作者:李佳师

编者按:阿马拉法则说,我们往往高估技术的短期影响力,却低估技术的长期影响力。应该说这个法则只针对那些被“炒热”且正在开启“商用旅程”的技术,而事实上很多信息技术还在萌芽的阶段,我们常常忽略它们的影响力。因此,本报开辟“影响未来5~10年的信息技术”系列报道,报道那些正在处于探索阶段的未来信息技术,解剖其背后的创新逻辑以及产业设计路径,希望对信息技术未来的发展产生更多启示价值。

在各种“感觉”上,AI科学家们一直在探索,在视觉和听觉方面已取得相当丰硕成果,但对于人类的味觉和嗅觉,AI探索进展似乎并不大。

不过,最近有了突破。3月16日,英特尔与康奈尔大学在《自然-机器智能》杂志上联合发表论文,宣布其利用英特尔神经拟态芯片“Loihi”可以识别10种有害气体。而在2019年7月,IBM研究院的科学家宣布其研发的“电子舌头”能在1分钟内识别多种液体,可以用于食品安全、工厂质检、疾病诊断、环保检测等用途。

为什么AI识别嗅觉、味觉的脚步要远远慢于识别视觉和听觉?AI味觉和嗅觉的解题为什么难?嗅觉和味觉的解题背后有什么样的商业价值?

识别气味与味道的挑战

“人类的味觉是几千年进化的结果。它让我们享受愉快的食物和饮料,并警告我们不要摄入有害物质。另一方面,人造传感器还没实现接近味蕾识别物质的程度。这是一个重大的技术差距,因为有许多物质,我们想‘品尝’却没有真正敢把它们放进我们的嘴里。”Patrick Ruch是IBM苏黎世研究院的研究员,2019年7月5日他在IBM研究院博客上以这样的开篇来讲述IBM要做Hypertaste的原因。

在识别有毒有害的气体与液体上,人类有很多种解题的方法,人造传感器是其中之一,但人造传感器并不十分给力,通常只能识别某种液体。当然,对气体的判断也可以用警犬,不过训练警犬需要花费很多时间。因为前面的办法有局限性,于是科学家们想到了AI。

这些年将AI用于味觉与嗅觉的识别,其进展其实远远落后于视觉和听觉。为什么视觉和听觉的进展更快?

“其一是视觉、听觉两类数据相对容易获得而且数据量较大。其二是这两类数据的标注相对容易。”英特尔中国研究院院长宋继强在接受《中国电子报》记者采访时表示。

深度学习做得比较好的领域都具备了这样的特征——数据量足够、有标注好的数据、有训练的数据池和未来要处理这个问题的真正测试集合。然而嗅觉和味觉的数据量很少,且不易被标注。

“利用信息技术识别气味与味道的挑战主要来自两方面:一是人类对嗅觉和味觉的机理研究和了解还远远不够,既不能充分知道它们自身的机理,也不了解人类是如何对它们感知的;二是还没有一套完全的体系和方法能对嗅觉和味觉进行数字化的建模和分析处理。”IBM全球副总裁、中国研究院院长、大中华区首席技术官谢东在接受《中国电子报》记者采访时表示。

“电子舌头”和“电子鼻子”

在2014年IBM的“未来5年的五大技术”(简称five in five)项目里,有这样的描述:未来传感器将无处不在,传感器可能会出现在手机和车里。所以Hypertaste的研究应该是从2014年或者更早时间开始的。

据了解,“电子舌头”使用电化学传感器,每个电极会通过电压信号对分子组合的存在作出响应,且电压信号易于测量。其中的关键是电化学传感器中覆盖了每个电极的聚合物涂层。这些涂层被设计用来捕捉一系列化学信息,并允许高度微型化。Patrick Ruch和其团队在苏黎世的实验室合成了这些涂层。

电化学传感器并非今天才有,事实上从上世纪50年代就已经出现,但目前很多手持式电化学传感器都只能检测一种液体成分。而“电子舌头”则不相同,它真的就像人类的舌头一样,通过组合检测,识别出多种不同类型的液体,并且无需专门针对某种液体对设备进行重新调整。

谢东认为,“电子舌头”的创新工作主要有两部分:一是掌握快捷的液体分子组成检测设备和方法;二是用AI的方法预测具有这种分子组成的液体最可能的气味和味道。“电子舌头”从测试上传到获得答案不超过一分钟,它的实现除了凭借带有特殊涂层的电化学传感器,还利用了AI与云。

这次康奈尔大学与英特尔公司合作的项目,是利用英特尔神经拟态芯片“Loihi”来识别爆炸物和毒品,它的灵感来源于人脑对于气味的识别过程。

“英特尔与康奈尔的‘电子鼻’构造出了一个类似于人的鼻腔通道,里面放了化学传感器、有机物传感器,通过感知气体流过时的分子接触传感细胞的时间、空间序列,形成一个时间上的脉冲序列,它有空间上的分布。再对这些数据进行模型匹配,通过这一测试能把它的模式很好地记录下来,记录下来后再碰到这样一种气味,就能够产生最高响应。”宋继强解释道。

在英特尔与康奈尔的“电子鼻”项目中,核心是传感器+算法+神经拟态芯片。在一个“Loihi”芯片上构造这样的系统,它的功耗非常低,往往只是毫瓦级别,无论是训练还是识别都不需要耗费太多电,因此可以把它做成类似于“电子鼻”的小设备。

无论是IBM、英特尔还是康奈尔,其“电子舌头”和“电子鼻”解决方案,都有一些共同的特征——高效率、识别多样性、低成本和易用性。这是我们检验“创新”的核心关键。

事实上,并不只有英特尔、IBM等公司在进行探索。去年5月,有媒体报道了微软公司与酿酒厂及科技公司的三方合作,推出了全球上第一款由AI制造出来的威士忌。根据微软的说法,这是由微软Azure云端及Azure认知服务提供的Mackmyra酒厂的机器学习模型,并结合了现有的配方、销售数据以及客户喜好,让AI透过大数据从超过7000万个方式及口味中挑选出来制作。

与此同时,日本NEC公司与三重大学也曾利用传感器向食物发射不同波长的红外线,结合反射数据来勾勒出食物的“指纹”,然后将其与数据库资料对比,可以辨别出数十种食物的味道和名称。

中国轻工业联合会在去年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测试食品味道是否符合标准,保证食品安全。

AI识别味觉嗅觉的未来探索

回望这些项目,我们可以归纳出几个关键词——新型传感器、新型算法、类脑计算和云计算。味觉、嗅觉AI的突破需要交互感知、材料学、动力学、分子化学、生物信息学等多种技术集成协作,通过感知不同的材料和电流的变化来获得信息,结合AI算法、模型以及更适配的计算力,与数据库的数据配对,获得结果。总结这些味觉与嗅觉AI的项目,可以给我们未来的创新带来更多启示。

其一,当我们希望突破更难的题目,多学科技术集成协作成为必要手段。事实上在IBM的“电子舌头”项目中,神秘武器之一就是聚合物涂层,这些聚合物涂层捕捉一系列化学信息,并具有高度微型化,是复合材料领域的突破。

其实,IBM研究院很多项目的突破都基于其深厚的多学科融合底蕴。比如今年1月IBM宣布将基于海水研发电池,新型电池在多个方面的表现均超越锂离子电池。

在多学科融合的解题中,“计算机科学并不仅仅是工具,更是方法论、理念、定律”。中国科学院院士李国杰表示,计算机科学家与其他领域的科学家密切合作,已成为当代科学研究的特点。计算机科学技术不仅仅是其他领域的“工具”,也是认识未知世界的知识源泉之一。

其二,对于算力的选择已经进入“好马配好鞍”的时代。有人说,这一轮人工智能的浪潮大举进入各个领域,是得益于算法模型的成熟。其实它是数据丰盈、算力澎湃、算法成熟三者交汇的结果。这一次康奈尔大学与英特尔联合的“电子鼻”项目中,神经拟态芯片“Loihi”是一个关键。为什么解题嗅觉、味觉要采用类脑计算,而不是基于量子计算或是传统计算?

宋继强给出了答案:第一,神经拟态计算不需要依赖于大量的数据,其从一个样本的训练中就可以达到比较高的准确率;第二是低功耗,这样可以在很小的设备上做成“电子鼻”;第三是可扩展,能够做更多种类的气体识别。

“在传统的CPU上当然可以模拟各种各样的计算场景,但执行效率肯定不如在‘Loihi’上这么直接、这么低功耗。而量子计算是适合做大规模有并行选项和验证的事情,并不适合做嗅觉识别,因为嗅觉识别是针对只有少量的、有时间序列的数据,进行快速判别。”宋继强说。

类脑计算跟量子计算有着完全不同的理论基础和技术路线。谢东表示:“类脑计算是要模仿人脑神经元的模式进行计算。从算力上看,它不仅专注于超强的算力,还希望通过模仿人脑的结构模式实现超低功耗的计算。量子计算则是基于量子物理现象和过程实现的信息表达和计算。至于说哪个更适合解决嗅觉和味觉的问题,二选一的话,我选类脑计算。”

其三,学术机构+创业公司+大企业的“社区化”运作,让生态快速生成。英特尔的“Loihi”芯片从3月16日至3月19日连续爆出两大突破:一是识别了十种有毒有害气味,二是用“Loihi”构造出了一个超过1亿个神经元的新神经拟态研究系统“Pohoiki Springs”,突破了历史规模。谈及英特尔神经元芯片为什么可以那么快速取得连续性突破,宋继强透露了其中的关键——“Loihi社区”的建立。社区中不仅有神经拟态计算研究的学术机构,也吸纳了非常多不同种类的创业公司和全球五百强企业,希望大家一起来探讨神经拟态计算能够很好地解决哪些类型应用领域问题,由此来驱动神经拟态计算的发展。

IBM也同样擅长此道。事实上IBM在量子计算领域就组建了这样的社区,IBM的量子计算社区里同样是“学术机构+创业公司+500强企业”的配置。中国的量子计算创业公司——本源量子公司副总裁张辉曾对《中国电子报》记者表示,本源量子公司在研发量子计算推动生态联盟时,就学习了IBM的量子计算社区模式。

专题访谈

合作站点
stat