本文来自PRO会员通讯内容，文末关注「机器之心PRO会员」，查看更多专题解读。
近年来，AI 主要通过文本、图像、音频与视频等数字化模态进行学习。然而，人们希望 AI 解决的许多问题实际上存在于物理世界之中。地球上 99% 的物种依赖化学分子而非光波或声波进行交流，气味是生命体探测疾病、识别食物、导航环境的核心媒介。但在计算技术的演进中，气味却因缺乏可行的规模化数字化方案而一直停留在计算技术的边缘。
Osmo 公司的创始人兼 CEO Alex Wiltschko 近期在访谈中围绕「如何赋予计算机嗅觉」的问题，讨论了从嗅觉的生物学基础到计算建模的突破、从实验室验证到商业化落地的完整路径，以及嗅觉智能在未来医疗检测、消费级应用前景，并提出人们应该以「哥白尼式智能观」重新审视智能的边界，不再将视觉与听觉视为智能的唯一标尺，而是承认化学感知同样是生命乃至机器理解世界的基础能力。
目录
01. 机器嗅觉如何破解「气味数字化」的百年难题？
Wiltschko 将「气味数字化」拆解为哪三个环节？...
02. 嗅觉智能如何从实验室走向市场？
Osmo 为何将香精香料行业作为嗅觉智能的首个商业化赛道？...
03. 嗅觉智能未来发展方向在哪？
消费级「电子鼻」普及后可能催生哪些场景应用？...
机器嗅觉如何破解「气味数字化」的百年难题？
1、Osmo 公司的创始人兼 CEO Alex Wiltschko 近期接受访谈，对话梳理了 Wiltschko 从 Google Brain 时期到创立 Osmo 的技术探索历程，并介绍了「主气味图」（Principal Odor Map）的构建过程，同时从数据获取、商业落地、硬件演进等维度剖析嗅觉 AI 从实验室走向产业化的现实路径。
① Alex Wiltschko 是一名嗅觉神经科学家、AI 研究者与连续创业者。他本科毕业于密歇根大学神经科学专业，于哈佛大学取得嗅觉神经科学博士学位，在 2017 年加入谷歌并在 Google Brain 创建并领导 Alphabet 数字嗅觉研究小组，主攻机器学习 + 嗅觉神经科学交叉方向。
② Osmo 是 2022 年 Wiltschko 在谷歌许可下，从 Google Brain 分部拆分独立出来的 AI 数字嗅觉初创企业，核心目标是实现气味的数字化建模、预测与复现，打通从分子预测到实物合成的完整链路。
2、Wiltschko 指出当前 AI 的进步主要依赖于从数字世界（文本、图像、音频）中学习，但许多人们希望 AI 解决的问题存在于物理世界中，气味便是最典型的例子，然而气味却一直未能进入计算领域。
① Wiltschko 援引陶哲轩提出的「哥白尼式智能观」指出，地球上 99% 的物种依靠化学分子完成信息交互，研究者不应将人类智能视作人工智能研究的唯一中心，还需要接纳自然界其他形态的智能表现，理解化学信号承载的生物信息。
3、Wiltschko 类比视觉、听觉的成熟体系，认为视觉拥有完备的色彩空间，听觉可用一维频率描述，而嗅觉却始终没有一套标准化表征体系。为实现「气味数字化」，Wiltschko 将气味数字化拆解为「读取」「映射」「写入」三个核心步骤。
① 「读取」为将现实世界中的原子、分子转化为比特数字信息的能力；「映射」为完成气味的数字化表征、编辑、存储与传输的能力；「写入」为数字信息重新还原为真实气味的能力，相当于屏幕、打印机这类输出硬件。
4、Wiltschko 认为，搭建气味的数字化「映射」体系，核心瓶颈在于「结构‑气味」关系难题。Wiltschko 团队在 Google Brain 期间就开始着手于攻克「结构‑气味」难题，并在访谈中分享了 2019 年到 2023 年的相关研究成果。
①「结构‑气味」关系难题内容为如何使用数学和计算来表征分子结构与其气味之间的关系。这一难题在过去一个世纪中一直未被解决。
5、在 2019 年，Wiltschko 团队发表论文 「Machine Learning for Scent」，首次证实图神经网络（Graph Neural Network）能够高效解决 QSOR（定量结构‑气味关系）的映射问题。[2-1]
① Wiltschko 团队收集数千组 「分子结构‑气味描述」配对数据，训练了一个专为化学领域设计的图神经网络（Graph Neural Network）。模型以分子结构为输入，通过信息传播提取分子中的宏观结构特征，最终将其转化为一个固定长度的向量。
② 论文结果显示，在多标签分类任务上，图神经网络显著优于传统化学信息学基线。以平均 AUROC 衡量，GCN 达到 0.894（95% CI: 0.888–0.902），MPNN 为 0.890，而随机森林结合 Mordred 特征为 0.850、结合 count-based Morgan 指纹为 0.845。
6、在 2023 年，Wiltschko 团队于《Science》发表论文「A principal odor map」。Wiltschko 团队利用图神经网络，首次构建了一个能够统一描述多种嗅觉任务的「主气味地图」（Principal Odor Map， POM），实现了对未知气味分子气味的精准预测。
① Wiltschko 团队在论文中设计了一个「气味图灵测试」。针对自然界不存在的全新分子，由 AI 提前预测气味特征，再由经培训的人类评审小组进行双盲测评。结果显示，模型的平均预测准确率优于评审组内任意单个人类受试者，达到人类水平。
② 论文中主成分分析（PCA）可视化显示，基于 POM 的分子分布高度重现了基于真实气味标签的感知空间结构。在 POM 空间中，具有相同广义气味类别（如「花香」、「肉香」、「酒香」）的分子会聚集在一起；更精细的标签（如「茉莉」、「薰衣草」）也形成了各自的子簇。Wiltschko 认为这一结果反映出生物演化与气味感知之间的内在联系。
嗅觉智能如何从实验室走向市场？
1、针对嗅觉智能如何从实验室走向市场的问题，Wiltschko 以 Osmo 的产品落地实践为起点，系统梳理了 Osmo 在数据积累与模型架构两方面的实践。...
关注👇🏻「机器之心PRO会员」，前往「收件箱」查看完整解读
更多往期专题解读内容，关注「机器之心PRO会员」服务号，点击菜单栏「收件箱」查看。