如今，大多数人口袋里的智能手机都具备基于声光科学的内置功能，包括语音助手、面部识别和照片增强。嗅觉科学却无法提供任何可比的功能。但这种情况正在改变，机器嗅觉（也称为“数字化嗅觉”）的发展也拥有了一些进展。
一所大学研究原型人工鼻子可以区分咖啡和威士忌
由于人类嗅觉的复杂性，机器嗅觉的研究面临着巨大的挑战。人类视觉主要依赖于 视网膜中的受体细胞 ——视杆细胞和三种视锥细胞——而嗅觉则通过鼻子中大约 400 种受体细胞来感知。
机器嗅觉始于检测和识别空气中分子的传感器。这些传感器的作用与鼻子中的受体相同。
但要想对人类有用，机器嗅觉还需要更进一步。系统需要知道某种分子或一组分子对人类来说是什么味道。为此，机器嗅觉需要机器学习。
机器学习，特别是深度学习，是语音助手和面部识别应用等重大进步的核心。
机器学习也是数字化气味的关键，因为它可以学习将引起气味的化合物的分子结构映射到文本气味描述符上。机器学习模型会学习人类倾向于使用的词语（例如“甜”和“甜点”）来描述他们在遇到特定引起气味的化合物（如香兰素）时所经历的感觉。
然而，机器学习需要大量数据集。网络上有难以想象的大量音频、图像和视频内容，可用于训练识别声音和图片的人工智能系统。但机器嗅觉长期以来一直面临数据短缺的问题，部分原因是大多数人无法像描述视觉和声音那样轻松、清晰地用语言描述气味。如果无法访问网络规模的数据集，研究人员就无法训练真正强大的机器学习模型。
然而，2015 年，研究人员发起了DREAM 嗅觉预测挑战赛，情况开始发生变化。该比赛公布了 研究嗅觉的生物学家Andreas Keller 和 Leslie Vosshall收集的数据，并邀请世界各地的团队提交他们的机器学习模型。这些模型必须根据分子结构预测引起气味的化合物的气味标签，如“甜”、“花”或“水果”。
表现最佳的模型发表在 2017 年的《科学》杂志上的一篇论文中。最终，一种名为随机森林的经典机器学习技术成为了赢家，它结合了多个决策树流程图的输出。
DREAM 挑战赛结束后，机器嗅觉研究开始取得进展。在 COVID-19 疫情期间，报告了许多嗅觉失明或嗅觉缺失病例。嗅觉通常被忽视，但如今却引起了公众的关注。此外，一项名为 Pyrfume 项目的研究项目向公众开放了更多、更大的数据集。
到 2019 年，最大的数据集已从 DREAM 挑战赛中的不到 500 个分子增加到约 5,000 个分子。Alexander Wiltschko领导的 Google 研究团队 终于能够将深度学习革命带入机器嗅觉。他们的模型基于一种称为 图神经网络的深度学习，在机器嗅觉方面取得了 最先进的成果。Wiltschko 现在是Osmo 的创始人兼首席执行官，其使命是“让计算机拥有嗅觉”。
最近，威尔奇科和他的团队利用图神经网络创建了一个“主要气味图”，其中感知相似的气味彼此之间的距离比不相似的气味更近。这并不容易，因为分子结构的微小变化会导致嗅觉感知的巨大变化。相反，两个分子结构非常不同的分子闻起来却几乎相同。
破解嗅觉密码的进展不仅在智力上令人振奋，而且具有非常有前景的应用，包括个性化香水和香料、更好的驱虫剂、新型化学传感器、疾病的早期检测以及更逼真的增强现实体验。机器嗅觉的未来一片光明。它也有望闻到好闻的味道。
