機(jī)器學(xué)習(xí)技術(shù)通常以視覺系統(tǒng)為基礎(chǔ)進(jìn)行信息處理，現(xiàn)在為了超越這一局限，科學(xué)家們開始從嗅覺當(dāng)中汲取靈感。

如今的人工智能系統(tǒng)（包括受到神經(jīng)元與神經(jīng)系統(tǒng)連接而啟發(fā)的人工神經(jīng)網(wǎng)絡(luò)），已經(jīng)能夠很好地完成具有已知約束條件的任務(wù)，此外，這些系統(tǒng)往往還需要配合大量計(jì)算能力與可觀的訓(xùn)練數(shù)據(jù)集才能起效。憑借這些特質(zhì)，它們在對弈、特別是圍棋領(lǐng)域獲得了出色表現(xiàn)，能夠檢測圖像中是否存在車輛，并成功區(qū)分貓與狗等不同視覺對象。不過賓夕法尼亞大學(xué)計(jì)算神經(jīng)科學(xué)家Konard Kording指出，“但它們在創(chuàng)作音樂或者撰寫短篇小說方面卻表現(xiàn)得相當(dāng)糟糕。顯然，如今的人工智能系統(tǒng)在以有意義的方式進(jìn)行推理時(shí)面臨著重大的挑戰(zhàn)。”

為了克服這些局限性，一部分研究小組正在回歸從大腦中尋求新答案的方法。更令人稱奇的是，其中一些研究人員選擇了看似不太可能的起點(diǎn)：嗅覺?？茖W(xué)家們希望更好地理解有機(jī)體如何處理化學(xué)信息，并發(fā)現(xiàn)了似乎有望解決人工智能問題的相關(guān)編碼策略。此外，嗅覺回路與其它更為復(fù)雜的大腦區(qū)域間存在驚人的相似性，而后者則可能指引我們構(gòu)建起更強(qiáng)大的智能機(jī)器。

計(jì)算機(jī)科學(xué)家們現(xiàn)在正著手在機(jī)器學(xué)習(xí)環(huán)境當(dāng)中對上述發(fā)現(xiàn)進(jìn)行消化。

僥幸與革命

時(shí)至今日，最為先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)至少在某種程度上仍然依賴于視覺系統(tǒng)模擬結(jié)構(gòu)，即以信息為基礎(chǔ)進(jìn)行分層攝取。當(dāng)視覺層接收到感官數(shù)據(jù)時(shí)，其首先會選擇小的但定義明確的特征，包括邊緣、紋理、顏色等與空間映射相關(guān)的元素。神經(jīng)科學(xué)家David Hubel與Torsten Wiesel在上世紀(jì)五十年代到六十年代發(fā)現(xiàn)，視覺系統(tǒng)中的特定神經(jīng)元與視網(wǎng)膜中的特定像素位置屬于一一對應(yīng)關(guān)系，這一重大發(fā)現(xiàn)亦使他們成功拿下諾貝爾獎。

當(dāng)視覺信息通過皮層神經(jīng)元進(jìn)行傳遞時(shí)，邊緣、紋理與顏色等細(xì)節(jié)信息匯集在一起共同形成愈發(fā)抽象的輸入表達(dá)：例如對象為人臉，且面部特征顯示其身份為Jane。網(wǎng)絡(luò)中的每一層都有助于有機(jī)體實(shí)現(xiàn)這一最終判斷目標(biāo)。

深層神經(jīng)網(wǎng)絡(luò)會以類似的分層方式運(yùn)作，并給機(jī)器學(xué)習(xí)與人工智能研究帶來了一場深遠(yuǎn)的革命。為了都會這些網(wǎng)絡(luò)識別人臉等物體，研究人員會向網(wǎng)絡(luò)當(dāng)中傳入數(shù)以千計(jì)的樣本圖像。該系統(tǒng)會加強(qiáng)或削弱各人工神經(jīng)元之間的連接，從而更準(zhǔn)確地判斷特定像素集合所形成的更為抽象的人臉圖形。在充足樣本的支持之下，其能夠識別新圖像當(dāng)中包含的人臉對象，以及此前從未見過的場景中的人臉模式。

研究人員在此類網(wǎng)絡(luò)當(dāng)中取得了巨大成功，除了圖像分類方面，其亦可在語音識別、語言翻譯以及其它機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域帶來良好表現(xiàn)。華盛頓大學(xué)計(jì)算神經(jīng)科學(xué)中心的研究人員Charles Delahunt表示，“我喜歡將深層網(wǎng)絡(luò)視為貨運(yùn)列車。其非常強(qiáng)大，但要求我們提供平坦的路面，從而鋪設(shè)軌道并建立龐大的基礎(chǔ)設(shè)施。但我們都很清楚，生物系統(tǒng)并不需要這些——它們能夠解決很多深層網(wǎng)絡(luò)如今尚無法解決的難題。”

下面再來聊聊人工智能領(lǐng)域的熱門話題：自動駕駛汽車。在汽車立足新環(huán)境進(jìn)行導(dǎo)航時(shí)，周邊環(huán)境將始終不斷變化，且充滿噪音與模糊性因素。如此一來，受到視覺系統(tǒng)啟發(fā)的深度學(xué)習(xí)技術(shù)可能無法正常發(fā)揮作用。事實(shí)上，基于視覺的松散方法恐怕也不能很好地解決問題。在這方面，麻省理工學(xué)院的生物物理學(xué)家Adam Marblestone表示，視覺處理所代表的是一種在根本層面以偶然性為基礎(chǔ)的洞察獲取能力，這是一種“歷史的僥幸”。正是這種僥幸讓科學(xué)家們獲得了目前人工智能領(lǐng)域最為成熟的系統(tǒng)，即基于圖像的機(jī)器學(xué)習(xí)應(yīng)用方向。

加州索爾克生物研究所的計(jì)算機(jī)科學(xué)家Saket Navlakha則提醒稱，“每種類型的刺激都會以不同的方式進(jìn)行處理。舉例來說，視覺與嗅覺就采用完全不同的信號類型。因此，大腦可能會使用多種不同的策略來處理不同類型的數(shù)據(jù)。我認(rèn)為除了研究視覺系統(tǒng)如何運(yùn)作之外，研究人員還有很多其它課題需要探索。”

圖：索爾克研究所計(jì)算機(jī)科學(xué)家Saket Navlakha開發(fā)出一種基于飛蠅的嗅覺回路算法，希望改善機(jī)器學(xué)習(xí)技術(shù)在相似搜索與新型檢測任務(wù)中的表現(xiàn)。

他和其他一些研究人員們發(fā)現(xiàn)，昆蟲的嗅覺回路可能會帶來一些值得參考的經(jīng)驗(yàn)。直到上世紀(jì)九十年代，哥倫比亞大學(xué)的生物學(xué)家Linda Buck與Richard Axel才發(fā)現(xiàn)用于處理氣味受體的基因，這標(biāo)志著嗅覺研究工作正式起步。從那時(shí)開始，嗅覺系統(tǒng)開始變得極具特色，并指導(dǎo)著更多研究人員探索蒼蠅與其它昆蟲對氣味的處理方式。一部分科學(xué)家認(rèn)為，其能夠輕松解決視覺系統(tǒng)所不能處理的多種常見計(jì)算挑戰(zhàn)。

Delahunt解釋稱，“我們之所以關(guān)注嗅覺，是因?yàn)檫@是一套有限的系統(tǒng)，因此能夠以相對完整的方式實(shí)現(xiàn)表征。這是個(gè)值得為之奮斗的好機(jī)會。”

英國赫特福德大學(xué)計(jì)算神經(jīng)科學(xué)家Michael Schmuker補(bǔ)充稱，“人們現(xiàn)在已經(jīng)能夠利用視覺完成一些奇妙的任務(wù)。也許我們也能夠通過嗅覺實(shí)現(xiàn)同樣神奇的效果。”

隨機(jī)與稀疏網(wǎng)絡(luò)

嗅覺與視覺在很多層面存在著本質(zhì)性的區(qū)別。首先，氣味是一種非結(jié)構(gòu)化信息，其不存在邊緣; 換言之，我們無法在空間當(dāng)中對具體對象進(jìn)行分組。氣味屬于具備不同組成及深度的混合物，我們難以將其歸類為彼此相似或不同。因此，研究人員在探索中往往并不清楚應(yīng)該對哪些特征加以關(guān)注。

這些氣味將由淺層三層網(wǎng)絡(luò)進(jìn)行分析，該網(wǎng)絡(luò)在結(jié)構(gòu)上比視覺皮層復(fù)雜得多。此外，嗅覺區(qū)域的神經(jīng)元會隨機(jī)對整個(gè)受體空間進(jìn)行采樣，而非關(guān)注層次結(jié)構(gòu)中的特定區(qū)域。研究人員們利用索爾克研究所神經(jīng)生物學(xué)家Charles Stevens提出的所謂“反映射（antimap）”機(jī)制。在像視覺皮層這樣的映射系統(tǒng)當(dāng)中，神經(jīng)元的位置將提示其所攜帶的信息類型。但在嗅覺皮層的反映射體系下，情況則并非如此。相反，信息會在整個(gè)系統(tǒng)中分布，且對相關(guān)數(shù)據(jù)的讀取需要立足一些極低數(shù)量的神經(jīng)元進(jìn)行采樣。更具體地講，研究人員需要通過高維空間內(nèi)的稀疏信息表達(dá)來實(shí)現(xiàn)反映射。

采取與果蠅相同的嗅覺回路，研究人員利用50個(gè)各自對不同分子具有敏感性的投射神經(jīng)元接收受體輸入。單一氣味會激發(fā)多個(gè)不同神經(jīng)元，而每個(gè)神經(jīng)元都代表著不同的氣味。這是一組信息的重疊表示，并在本示例中以50維空間表現(xiàn)。在此之后，該信息會被隨機(jī)投射至200個(gè)所謂凱尼恩（Kenyon）細(xì)胞中，該細(xì)胞通過編碼識別對應(yīng)的特定氣味。（對哺乳動物而言，其體內(nèi)的梨狀皮質(zhì)細(xì)胞即負(fù)責(zé)處理此項(xiàng)任務(wù)。）其將形成40倍規(guī)模擴(kuò)展，從而確保神經(jīng)反應(yīng)模式以更敏銳的方式實(shí)現(xiàn)氣味區(qū)分。

Navlakha表示，“我們假設(shè)有1000個(gè)人齊聚于某一房間當(dāng)中，并嘗試根據(jù)業(yè)余愛好對其進(jìn)行分類組織。當(dāng)然，在這個(gè)擁擠的空間內(nèi)，大家或許能夠找到一些方法將其劃分成不同的團(tuán)隊(duì)。但在實(shí)際場景中，人們相當(dāng)于分散在廣闊的足球場上，研究人員需要學(xué)會處理這些額外的空間并構(gòu)建起數(shù)據(jù)。”

飛蠅的嗅覺回路構(gòu)建完成之后，其需要找到一種切實(shí)可行的方法以利用非重疊神經(jīng)元識別不同氣味。這套模型通過數(shù)據(jù)“稀疏化”實(shí)現(xiàn)這一點(diǎn)。在2000個(gè)凱尼恩細(xì)胞當(dāng)中，只有約100個(gè)（占總體數(shù)量的5%）對于特定氣味具有高活性（其它活性較低的細(xì)胞處于靜默狀態(tài)），并為各氣味提供唯一的標(biāo)注。

簡而言之，雖然傳統(tǒng)的深層網(wǎng)絡(luò)（同樣是從視覺系統(tǒng)中獲取線索）在“學(xué)習(xí)”時(shí)會不斷改變其連接強(qiáng)度，但嗅覺系統(tǒng)似乎通常不會以這種對投射神經(jīng)元與凱尼恩細(xì)胞間連接進(jìn)行調(diào)整的方式進(jìn)行自我訓(xùn)練。

隨著研究人員在新世紀(jì)中對嗅覺系統(tǒng)的不斷探索，他們開發(fā)出相應(yīng)算法以確定更高維度的隨機(jī)嵌入與稀疏性對計(jì)算效率造成的實(shí)際影響。英國蘇塞克斯大學(xué)的Thomas Nowotny與加利福尼亞大學(xué)圣迭戈分校的Ramón Huerta兩位科學(xué)家甚至建立起另一種與機(jī)器學(xué)習(xí)模型間的連接方式，并將其命名為支持向量機(jī)（support vector machine）。他們認(rèn)為，自然與人工系統(tǒng)對信息的處理方式在形式上是等同的，二者都會利用隨機(jī)組織與維度擴(kuò)展的方式有效表達(dá)復(fù)雜數(shù)據(jù)。在這方面，人工智能與生物進(jìn)化在同一類解決方案上實(shí)現(xiàn)了獨(dú)立融合。

圖：蘇塞克斯大學(xué)信息學(xué)教授Thomas Nowotny發(fā)現(xiàn)了嗅覺系統(tǒng)與一類所謂支持向量機(jī)的模型之間的相似之處。以此為基礎(chǔ)，他進(jìn)一步探索嗅覺的實(shí)現(xiàn)原理并希望借此指導(dǎo)更多潛在的人工智能應(yīng)用方向。

憑借著這種連接方式，Nowotny和他的同事持續(xù)探索嗅覺與機(jī)器學(xué)習(xí)技術(shù)之間的關(guān)系，希望尋求二者之間更深層次的聯(lián)系。2009年，他們表示最初用于識別氣味的昆蟲嗅覺模型也可成功識別手寫數(shù)字。此外，除去其中的大部分神經(jīng)元——用以模擬腦細(xì)胞的死亡與無替換過程——并不會對其表現(xiàn)造成太大影響。Nowotny表示，“這套系統(tǒng)中的某些部分可能會中斷，但系統(tǒng)整體仍能夠繼續(xù)工作。”在他看來，未來火星探測器等設(shè)備有望采用這種硬件類型，從而在惡劣的條件下長期保持運(yùn)行。

不過在相當(dāng)長的一段時(shí)間內(nèi)，研究人員并沒有投入太多精力來跟進(jìn)這些發(fā)現(xiàn)——直到最近，才有部分科學(xué)家重新審視嗅覺的生物結(jié)構(gòu)，希望深入了解如何改善機(jī)器學(xué)習(xí)在某些具體問題上的表現(xiàn)。

硬連線知識與快速學(xué)習(xí)

Delahunt和他的同事們重復(fù)了Nowotny提出的實(shí)驗(yàn)，以飛蛾的嗅覺系統(tǒng)為基礎(chǔ)，并將其與傳統(tǒng)的機(jī)器學(xué)習(xí)模型進(jìn)行了比較。在樣本數(shù)量少于20個(gè)的情況下，基于飛蛾的模型能夠更好地識別手寫數(shù)字; 但隨著訓(xùn)練數(shù)據(jù)的增加，其它模型則表現(xiàn)出更為強(qiáng)大且準(zhǔn)確的判斷能力。Delahunt指出，“機(jī)器學(xué)習(xí)方法擅長在具備大量數(shù)據(jù)的前提下提供非常精確的分類器，而昆蟲模型則非常擅長利用少部分?jǐn)?shù)據(jù)快速進(jìn)行粗略分類。”

在學(xué)習(xí)速度方面，嗅覺系統(tǒng)的效果似乎更好，因?yàn)樵谶@種情況下，“學(xué)習(xí)”的目的不再是尋找對于特定任務(wù)而言最佳的特征與表達(dá)。相反，其基本目標(biāo)會簡化為識別哪一組隨機(jī)特征與正確結(jié)果間存在相關(guān)性，而哪些不存在相關(guān)性。中國南方醫(yī)科大學(xué)的生物學(xué)家Fei Peng表示，“只需一次點(diǎn)擊即可完成訓(xùn)練，這樣的能力當(dāng)然令人神往，對吧？”

實(shí)際上，嗅覺策略相當(dāng)于把一些最基本、最原始的概念引入到模型當(dāng)中，就像是把對真實(shí)世界中的某些一般性理解硬性接入我們的大腦之內(nèi)。在此之后，結(jié)構(gòu)本身即可執(zhí)行一些簡單且無需指令引導(dǎo)的先天性任務(wù)。

其中一項(xiàng)最引人注目的例子來自Navlakha去年在他實(shí)驗(yàn)室中得出的研究成果。他與加州大學(xué)圣迭戈分校的計(jì)算機(jī)科學(xué)家Stevenes及Sanjoy Dsgupta一道，希望找到一種以嗅覺激發(fā)的相似性搜索方式。正如YouTube網(wǎng)站能夠根據(jù)用戶目前正在觀看的內(nèi)容生成側(cè)邊欄推薦視頻列表一樣，有機(jī)體也必須有能力在識別氣味時(shí)進(jìn)行快速且準(zhǔn)確的比較。一只飛蠅會很快意識到其應(yīng)該趨近成熟水果的味道，而遠(yuǎn)離醋酸等刺激性氣味的來源。但考慮到其所處的環(huán)境復(fù)雜且充滿干擾因素，因此其不可能遇到完全相同的氣味。一旦檢測到新的氣味，飛蠅會據(jù)此回憶起其此前遇到過的最相似的氣味，從而選擇出適用的行為反應(yīng)。

Navlakha創(chuàng)建出一種基于嗅覺的相似性探索算法，并將其應(yīng)用于圖像數(shù)據(jù)集的處理領(lǐng)域。他和他的團(tuán)隊(duì)發(fā)現(xiàn)，他們的算法在實(shí)際表現(xiàn)上遠(yuǎn)優(yōu)于傳統(tǒng)非生物學(xué)方法，有時(shí)其降維效能甚至可達(dá)兩到三倍。（在這些較為標(biāo)準(zhǔn)的技術(shù)中，往往通過關(guān)注一些基本特征或維度來進(jìn)行對象比較。）Navlakha解釋稱，基于飛蠅的方法“可利用低于傳統(tǒng)方法約一個(gè)數(shù)量級的計(jì)算量獲得類似的準(zhǔn)確度，因此其將能夠在成本或者性能方面帶來質(zhì)的飛躍”。

Nowotny、Navlakha以及Delahunt的實(shí)驗(yàn)結(jié)果表明，基本未經(jīng)訓(xùn)練的網(wǎng)絡(luò)已經(jīng)可用于執(zhí)行分類計(jì)算與其它類似的任務(wù)。在這類編碼方案中構(gòu)建出的系統(tǒng)也能夠更容易地完成后續(xù)學(xué)習(xí)工作。舉例來說，其可用于涉及導(dǎo)航或記憶的任務(wù)，且在這種情況下，系統(tǒng)能夠無需更多學(xué)習(xí)時(shí)間或大量示例即可順利應(yīng)對條件的變更（例如道路阻塞）。

Peng和他的同事們已經(jīng)開始研究這個(gè)問題，即通過創(chuàng)建一套螞蟻嗅覺模型以決定如何從一系列重疊的圖像當(dāng)中找到熟悉的路線并實(shí)現(xiàn)導(dǎo)航功能。

在目前正在接受審查的工作當(dāng)中，Navlakha采用了類似的、基于嗅覺的方法進(jìn)行新奇檢測——即在接觸過數(shù)千個(gè)類似物體之后，成功識別出新的、具有關(guān)聯(lián)性的物體。

而Nowotny則在研究如何利用嗅覺系統(tǒng)處理混合物。他已經(jīng)發(fā)現(xiàn)機(jī)器學(xué)習(xí)技術(shù)在此類應(yīng)用方向上面臨的挑戰(zhàn)。舉例來說，有機(jī)體會將某些氣味視為來自單一對象，而某些氣味則源自混合物：某些人能夠在攝入數(shù)十種化學(xué)物質(zhì)后，準(zhǔn)確判斷出其嗅到的是一朵玫瑰; 或者可能會聞到來自附近面包店的同等數(shù)量的化學(xué)物質(zhì)并意識到其分別來自咖啡與牛角面包。Nowotny和他的團(tuán)隊(duì)發(fā)現(xiàn)，人們在進(jìn)行嗅聞時(shí)不會刻意對氣味進(jìn)行分離; 相反，咖啡與牛角面包間的氣味識別將以非常迅速的交替方式完成。

這種洞察能力對人工智能技術(shù)而言同樣非常重要。舉例來說，在酒會上的嘈雜環(huán)境中對多段同時(shí)進(jìn)行的對話進(jìn)行分離往往極為困難。如果房間中存在多位發(fā)言者，那么人工智能可以通過將聲音信號切換為極小的時(shí)間窗加以解決。而如果系統(tǒng)識別出來自某一發(fā)言者的聲音，其可能會嘗試抑制來自其他發(fā)言者的輸入信息。通過這樣的交替，神經(jīng)網(wǎng)絡(luò)即可順利解析對話內(nèi)容。

邁入昆蟲機(jī)器人的時(shí)代

在上個(gè)月發(fā)表在科學(xué)論文預(yù)發(fā)表網(wǎng)站arxiv.org上的一篇文章指出，Delahunt和他來自華盛頓大學(xué)的同事J. Nathan Kutz所創(chuàng)造出的“昆蟲機(jī)器人”進(jìn)一步推動了這項(xiàng)研究的進(jìn)展。他們利用其基于飛蛾的模型輸出結(jié)果作為機(jī)器學(xué)習(xí)算法的輸入內(nèi)容，并借此實(shí)現(xiàn)了系統(tǒng)對圖像分類能力的大幅改進(jìn)。Delahunt表示，“其為機(jī)器學(xué)習(xí)算法提供了強(qiáng)大的素材。飛蛾神經(jīng)給我們帶來一系列不同類型的結(jié)構(gòu)，而這種迥異于傳統(tǒng)的結(jié)構(gòu)有助于機(jī)器學(xué)習(xí)算法的提升。”

圖：華盛頓大學(xué)的Charles Delahunt（圖左）與J. Nathan Kutz（圖右）將飛蛾嗅覺網(wǎng)絡(luò)的結(jié)構(gòu)移植到機(jī)器學(xué)習(xí)環(huán)境當(dāng)中，從而創(chuàng)造出他們所謂的“昆蟲機(jī)器人。”

一部分研究人員還希望利用嗅覺研究來確定如何在更深層的網(wǎng)絡(luò)當(dāng)中對多種學(xué)習(xí)形式加以協(xié)調(diào)。Peng表示，“但截至目前，我們在這方面只能說是略有涉獵。目前我還不太確定要如何借此改進(jìn)深度學(xué)習(xí)系統(tǒng)。”

除了實(shí)現(xiàn)基于嗅覺的架構(gòu)之外，這一領(lǐng)域中的另一大重要課題在于如何對系統(tǒng)輸入進(jìn)行明確定義。在剛剛發(fā)表在《科學(xué)進(jìn)展》雜志上的一篇論文當(dāng)中，由索爾克研究所的Tatyana Sharpee所領(lǐng)導(dǎo)的小組正想方設(shè)法對氣味做出描述。具體來講，不同圖像在一定程度上存在著共性，即要求立足“視覺空間”對像素間的距離進(jìn)行表達(dá)。但這種所謂距離概念對于嗅覺則完全不適用，且多種具有不同化學(xué)結(jié)構(gòu)的氣味在表達(dá)與判斷方面可能被認(rèn)為彼此相近。

圖：索爾克研究所神經(jīng)生物學(xué)家Tatyana Sharpee最近發(fā)現(xiàn)，氣味可以映射至雙曲線空間之內(nèi)。她希望了解這種洞察結(jié)論能否幫助研究人員找到為深度學(xué)習(xí)系統(tǒng)構(gòu)建最佳輸入數(shù)據(jù)的辦法。

Sharpee和她的同事們希望根據(jù)在自然界中共同發(fā)現(xiàn)的頻率進(jìn)行氣味分子定義（出于研究的目的，他們檢查了氣味分子在各類水果及其它樣品中共同作用的頻率）。在此之后，他們將氣味分子結(jié)合起來構(gòu)建圖譜，包括觀察哪些分子傾向于共同作用，而哪些分子之間保持著涇渭分明的隔離性。他們發(fā)現(xiàn)，這就像是將城市點(diǎn)位映射到地球上一樣，氣味分子的映射呈現(xiàn)在一個(gè)雙曲線空間之內(nèi)，其中的負(fù)曲率球體則為馬鞍狀。

Sharpee推測，將這種具有雙曲線結(jié)構(gòu)的輸入饋送至機(jī)器學(xué)習(xí)算法內(nèi)，有助于對結(jié)構(gòu)性較低的對象進(jìn)行分類。她解釋稱，“深度學(xué)習(xí)當(dāng)中存在著一項(xiàng)起始性的假設(shè)，即輸入內(nèi)容應(yīng)該以歐幾里德幾何度量完成。我認(rèn)為可以嘗試將此項(xiàng)指標(biāo)改為雙曲線指標(biāo)。”也許這樣的結(jié)構(gòu)能夠進(jìn)一步優(yōu)化深度學(xué)習(xí)系統(tǒng)。

共同點(diǎn)解析

就目前來講，嗅覺系統(tǒng)的大部分研究成果仍然處于理論階段。Navlakha與Delahunt的工作必須進(jìn)一步擴(kuò)展至更為復(fù)雜的機(jī)器學(xué)習(xí)問題當(dāng)中，方能確定嗅覺模型是否有能力切實(shí)發(fā)揮作用。Nowotny表示，“我認(rèn)為這是一項(xiàng)新興挑戰(zhàn)，我們期待觀察其能夠走多遠(yuǎn)。”

令研究人員們感到振奮的是，嗅覺系統(tǒng)在結(jié)構(gòu)上確實(shí)與許多物種大腦內(nèi)的其它區(qū)域表現(xiàn)出驚人的相似度，特別是與記憶及導(dǎo)航相關(guān)的海馬體，以及負(fù)責(zé)運(yùn)動控制的小腦。嗅覺是一種古老的系統(tǒng)，其歷史可以追溯到細(xì)菌生物對化學(xué)物質(zhì)的感受，且所有生物都會利用某種形式的嗅覺探索周邊環(huán)境。

Marblestone指出，“這似乎更接近我們提出的所謂皮層概念的進(jìn)化源點(diǎn)。”嗅覺很可能為一切生物的學(xué)習(xí)體系提供了共同點(diǎn)。神經(jīng)學(xué)家Ashok Litwin-Kumar認(rèn)為，“嗅覺系統(tǒng)為我們提供了一套非常保守的架構(gòu)，且廣泛適用于各類生物體對多種物體的識別方式。其中一定存在著某些非?；A(chǔ)的原理，因此值得加以深入探索。”

嗅覺回路有望成為嘗試?yán)斫夂ｑR體與小腦工作原理的、更為復(fù)雜的學(xué)習(xí)算法及計(jì)算方案的解讀起點(diǎn)，甚至有可能引導(dǎo)我們將相關(guān)見解應(yīng)用于人工智能領(lǐng)域。研究人員已經(jīng)開始關(guān)注注意力以及記憶等各類認(rèn)知過程，希望借此找到能夠改進(jìn)當(dāng)前機(jī)器學(xué)習(xí)架構(gòu)與機(jī)制的方法。在這方面，嗅覺有可能提供一種更為簡單的方式，用以建立這些連接。Marblestone認(rèn)為，“這是一個(gè)有趣的關(guān)鍵切入點(diǎn)，并可能成為下一代神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)基礎(chǔ)。”