仿果蝇嗅觉机制的新型算法：学新气味不忘旧气味
了解详情
果蝇的大脑并不以聪明著称；你可能曾在庭院桌上放久了的酒杯里淹死过不止一只。然而，仅拥有约 14 万个人类神经元——比虞美人种子还小的脑容量——黑腹果蝇却能在瞬息之间辨别出种类繁多的气味，并将这种记忆长久保留。
在这方面，它们远比当下的“电子鼻”表现出色。即便市场上最先进的那些，也往往价格昂贵、检测范围狭窄得令人痛苦，且在学习新气味后瞬间遗忘旧气味。
那为何不直接模仿果蝇？这正是越来越多研究人员提出的一个问题——包括冲绳科学技术大学院大学的 Kevin Max 和杨沈，他们的新算法 Spi-Fly 在一篇最近发表于《神经形态计算与工程》期刊的 论文中进行了介绍。
一种相当晦涩的感官
从机械层面来说，嗅觉是一种奇特的感官。
视觉和听觉都可以简化为可在图表上绘制的单一物理维度——波长——这使得研究相对整洁。相比之下，气味分子无法被归结为任何单一物理维度。生物学因此只能寻找一种更复杂的解决方案：数百种不同的受体蛋白，每种蛋白的形状都专为抓取特定的分子特征而设计，它们以组合方式激发，大脑随后必须对这些信号进行解码。这套系统复杂到组合爆炸的程度，以至于琳达·巴克（Linda Buck）和理查德·阿克塞尔（Richard Axel）直到 1991 年才识别出其后隐藏的受体基因家族，这项工作为他们赢得了 2004 年诺贝尔生理学或医学奖。
Ars Video
当 AI 能写代码时，开发者会怎样？| Ars Frontiers
尽管我们对嗅觉的理解仍有困难，但"电子鼻"已上市。Alpha MOS、Aryballe 和 Odotech 等公司将其用于食品质量管控、环境监测和安检。
这些电子鼻的弱点在于泛化能力。一款调校用于检测橄榄油变质的设备，与一款在机场安检口识别特定爆炸物的设备并非同一回事。要让它适应新任务，通常意味着几乎要从头重新训练其软件。
这一局限背后有两个技术瓶颈。首先，这类系统通常需要大量人工标注的样本，才能可靠地区分不同气味。其次，教它们一种新气味往往会扰乱已有知识——研究者称之为"灾难性遗忘"，相当于刚学会游泳就把骑车忘了。
气味条形码
果蝇——以及许多其他昆虫——没有这个问题，尽管它们的大脑极其微小。它们凭什么用这么少的脑细胞就能区分并记住气味？论文作者称，秘诀叫作"稀疏编码"。
可以把这理解为果蝇大脑为每种气味分配一个条形码。它的嗅觉系统依赖约 2,000 个特化细胞——叫作 Kenyon 细胞——接收来自果蝇气味受体的稀疏、随机接线的信号。这些 Kenyon 细胞全部汇总到一个中继点：前侧对侧神经元（APL）——实际上是左右各一对，每侧大脑半球一个。APL 会以强烈的全局抑制同时反馈给所有 Kenyon 细胞，抑制其中绝大多数。打击后仍保持活跃的细胞，就是 Max 和 Shen 所称的该气味的"条形码"。
Spi-Fly 只从传感器完成工作之后接上——一切都在仿真中进行，使用预录的传感器数据，算法本身根本不参与气味的采集。
在 Max 和 Shen 的研究中，传感器读数被转换成一串尖峰信号，稀疏而随机地投射到一个隐藏层，用来替代 Kenyon 细胞的功能——这里的神经元会互相抑制，而不是依赖类似 APL 的单一“裁判”。隐藏层再连接到一个输出层，每个已标记的气味对应一个神经元，等着学习哪个条形码对应哪种气味。
一条简单的规则
真正要学习的，是条形码和标签之间的连接，遵循一条已有几十年历史的简单神经网络规则：每当某个隐藏神经元和正确答案同时激活，这条连接就稍微增强一点。
仅此而已。完全不需要反向传播——这项由 2024 年物理学诺贝尔奖得主 Geoffrey Hinton 参与发明的技术，是当前大多数神经网络的标准训练方法，它要逐层回溯，精确算出每个环节对错误该负多少责任。
测试结果显示，这套简化系统确实有效。在一组用常见气体传感器采集的气味数据上，Spi-Fly 只需每种气味接触三次就达到性能峰值，而反向传播大约需要 70 次。
再向网络一批一批地喂入新气味——这对“灾难性遗忘”是一次压力测试——Spi-Fly 几乎毫发无损，旧气味的识别准确率基本不降；反向传播则崩溃到接近瞎猜的水平。
还有一个现实障碍：内存。把网络设计得这么简单，最终目的就是要在神经形态芯片上运行——这种快速发展的技术直接用模拟大脑的方式构建硬件，通过处理尖峰信号来工作，而不是运行传统软件。这类芯片的内存通常非常有限，跑在上面的算法只能使用普通计算机内存的一小部分。在这些约束条件下，Spi-Fly 的性能衰减远小于反向传播。
不过正如 Max 本人承认的那样，存在一个瓶颈。“如果稀疏编码层包含 100 个神经元，且每个气味由 5 个神经元表示，那么气味的理论容量上限是‘从 100 中选 5’，”他在电子邮件中解释道——大约是 7500 万种可能的“条形码”。但现实世界的噪声几乎抹去了所有的余量。“由于噪声、气流条件等因素，同一种气味在两次暴露中几乎不会由相同的稀疏编码表示，”Max 写道。“根据我们模型的参数，它应该能表示几百种气味，但这还取决于气味的类型以及它们之间的相似程度。”
测试本身也是同样的情况：该研究的所有测试都像其余部分一样，完全在模拟环境中运行，使用的是单一、孤立的气味——与实际厨房、森林或机场航站楼中那团交织竞争的复杂气味毫无相似之处。一旦真实分子在计算机外相互干扰，无法保证 Spi-Fly 还能保持原有表现。
有争议的比较
还有 EPL 网络，论文将其列为最接近的竞争对手。它在气体传感器数据集上取得了中等结果，但在合成果蝇数据上表现不佳。Max 将这一差距归因于诸多原因中的时间问题：EPL 网络以离散快照的方式采样气味，模仿动物实际嗅探的过程，而 Spi-Fly 读取的是连续流，丢弃为零。
与 EPL 网络共同设计的康奈尔大学心理学教授 Thomas Cleland 对这种比较本身提出了质疑。在他看来，EPL 网络和 Spi-Fly 从未被设计用于解决相同的问题。EPL 网络旨在过滤掉突然且不可预测的背景气味，例如陌生人香烟的烟雾飘入房间中的气味。它是通过单次学习规则来实现这一点的，并未设计用于学习 Spi-Fly 所训练的渐进式、可重复的变化。“EPL 和 Spi-Fly 基于嗅觉系统的不同层次，并针对不同的噪声模型构建，”他在电子邮件中写道。他直截了当地指出：在他看来，这种比较没什么说服力。
Spi-Fly 纯粹是一段代码，其测试基于预录数据集而非真实气味。下一步计划是将其集成到 Max 与他在埃因霍温理工大学和基尔大学的合作者正在开发的嗅觉感知硬件中——这些是真正的物理神经形态芯片，制造过程中会带有实际物理构建所特有的微小不一致性，而非模拟环境。
Max 没有给出具体时间表，仅表示很快会有更多进展。不过眼下，你酒杯里那只能飞却没逃掉的苍蝇依然更胜一筹。
Neuromorphic Computing and Engineering, 2026. DOI: 10.1088/2634-4386/ae9177
Federica Sgorbissa 是科学记者，为意大利及国际媒体撰写神经科学与认知科学相关文章。