115/10/21
計畫處
咖啡香和烤麵包香，你可能一下就能分辨。
但如果有人問：
「這兩種味道到底差多少？」
這就沒那麼容易回答了。
顏色可以用數值表示，聲音可以用頻率分析，但「聞起來像不像」長久以來很難變成可以計算的資料。
最近，研究人員開始讓AI挑戰這件事。
👃 這次AI不是認氣味，而是比較氣味
現實生活中的氣味，通常不是來自單一分子。
一杯咖啡、一朵花，甚至人體散發的氣味，都可能是許多不同分子共同形成的複雜結果。
因此這項研究沒有只問AI：
「這是花香嗎？」
而是換了一個更難的問題：
「給你兩組由許多分子混合而成的氣味，人類會覺得它們有多相似？」
研究資料包含168種單一氣味分子、731種混合氣味，以及507組混合氣味的配對測量資料，讓機器學習模型從中找出規律。
🧠 把「聞起來差多少」變成數字
這項研究最特別的地方，就是試著把原本很主觀的嗅覺感受，轉換成可以計算的「感知距離」。
可以把它想成一把專門量氣味差異的尺。
研究將兩組氣味之間的感知差異放在0到1的尺度上：
越接近0，代表兩種氣味越難區分；
越接近1，代表兩者聞起來差異越明顯。
AI要做的，就是根據氣味中各種分子的資訊，預測人類最後會給出多大的「感知距離」。
也就是說，AI不是自己在「聞」味道，而是在學習：
人類會覺得這兩組氣味有多像。
🤖 不是只有一個AI模型在猜
這項研究源自一場國際嗅覺預測挑戰，共有26支團隊參與，使用不同的機器學習方法來預測混合氣味之間的感知差異。
最後有4支團隊並列第一。
研究人員後續再加入另外2個表現良好的模型，把共6個模型的預測結果整合起來，建立新的整合模型。
簡單來說，就是不只聽一個AI的答案，而是讓多個模型一起判斷，再綜合它們的結果。
🌸 光看化學結構還不夠，「怎麼形容氣味」也很重要
照理來說，要分析氣味，似乎應該先研究分子的化學結構。
但研究發現，另一類資訊也非常重要：
人類平常怎麼形容一種氣味。
例如：
「花香」
「甜味」
「水果味」
「像西瓜」
「像臭雞蛋」
這些描述可以轉換成所謂的「嗅覺語意特徵」，成為模型分析氣味時的重要線索。
更有趣的是，研究進一步測試後發現，只利用這類嗅覺語意特徵，模型仍然能有效預測不同混合氣味在人類感受上的差異。
換句話說，AI學習氣味，不一定只是在分析分子的化學結構。
它也在學習：
人類如何感覺、又如何描述一種氣味。
🗺️ 所以，為什麼叫「氣味地圖」？
這裡說的「地圖」，不是一張真的地圖。
比較接近一個「氣味座標系」。
如果兩種氣味聞起來很像，就可以想像它們在這個空間裡離得比較近；如果差異很大，彼此的距離就比較遠。
當研究人員能夠估算許多氣味彼此之間的「感知距離」，就有機會逐步建立一個可以比較氣味關係的空間。
原本只能靠鼻子感覺的「像不像」，也就開始有機會變成電腦可以分析的資料。
💡 AI真的會「聞」了嗎？
還沒有。
這項研究並不是讓AI真的擁有像人類一樣的鼻子，也不是讓電腦直接聞出眼前是咖啡、花朵還是麵包。
它真正做到的是：
利用機器學習，預測人類對複雜混合氣味的相似性感受。
這也是「數位化嗅覺」研究很重要的一步。
照片可以轉成像素，聲音可以轉成數位訊號，而氣味一直是比較難數位化的人類感官之一。
現在，AI開始試著替「聞起來像不像」找到一把可以計算的尺。
或許有一天，除了照片和聲音之外，連我們熟悉的花香、果香與咖啡香，也能在電腦裡擁有自己的「數位座標」。
使用工具:chatgpt、Google Gemini
資料整理:南投縣政府計畫處
