在气味识别方面，“神经形态”的人工智能比其他人工智能更胜一筹。

 

新的人工智能学习识别气味比其他算法更有效、更可靠。研究人员于3月16日在《自然机器智能》(Nature Machine Intelligence)在线版上发表报告称，与其他人工智能不同，这个系统可以持续学习新的香味，而不会忘记其他香味。该程序成功的关键是它的神经形态结构，与其他人工智能设计相比，它更像哺乳动物大脑中的神经回路。

 

这种算法擅长于检测背景噪声中的微弱信号，并在工作中不断学习，沐鸣平台登陆线路有一天可能会用于空气质量监测、有毒废物检测或医疗诊断。

 

新的人工智能是一个人工神经网络，由许多模拟神经细胞处理气味信息的计算元素组成(SN: 5/2/19)。人工智能通过从风洞里的化学传感器获取电压读数来“嗅探”，沐鸣平台登陆线路这些化学传感器暴露在甲烷或氨等不同气味的烟流中。当人工智能闻到一种新的气味时，它的神经细胞或神经元就会发生一连串的电活动，而这些神经细胞或神经元是系统能够记住并在未来识别的。

 

就像哺乳动物大脑中的嗅觉系统一样，人工智能的一些神经元被设计成通过发出不同时间的脉冲来对化学传感器的输入做出反应。其他神经元学习识别那些构成气味电信号的光点的模式。

 

这一大脑启发的设置为神经形态的人工智能学习新闻起来比传统的人工神经网络更香，传统的人工神经网络一开始是一个由相同的、空白的石板神经元组成的统一网络。如果一个神经形态的神经网络就像一个运动队，它的队员已经分配了位置，并且知道比赛的规则，那么一个普通的神经网络最初就像一群随机的新手。

 

因此，神经形态系统是一个更快、更灵活的研究。就像一个运动队可能只需要看一场比赛一次，就可以理解策略并在新的情况下实施，神经形态的人工智能可以嗅出一种新气味的一个样本，在未来识别气味，即使是在其他未知的气味中。

 

相比之下，一群新手可能需要看很多遍才能重新编排舞蹈，而且还要努力适应未来的游戏场景。同样，沐鸣平台登陆线路一个标准的人工智能必须多次研究单一的气味样本，但当气味与其他气味混合时，仍然可能无法识别它。

 

康奈尔大学(Cornell University)的托马斯•克莱兰(Thomas Cleland)和旧金山英特尔公司(Intel)的纳比尔•伊玛目(Nabil Imam)在对10种气味的嗅觉测试中，将他们的神经形态人工智能与传统的神经网络进行了对比。为了训练，神经形态系统嗅出每种气味的单一样本。传统的人工智能通过数百次训练试验来学习每种气味。在测试过程中，每一个人工智能嗅闻的样本中，一种习得的气味只占总体气味的20%到80%——模拟真实世界的情况，目标气味通常与其他气味混合在一起。神经形态的人工智能识别正确气味的准确率为92%。标准人工智能的准确率达到了52%。

 

耶鲁大学(Yale University)的神经形态工程师普里亚达什尼•潘达(Priyadarshini Panda)对神经形态人工智能在混沌样本中敏锐的嗅觉印象深刻。新的人工智能的一次性学习策略也比传统的人工智能系统更节能，而传统的人工智能系统“往往非常耗电，”她说(SN: 9/26/18)。