作者：中联科创特约嘉宾尹智

AI 鼻子预示了，多模态AI会成为一个"感官"比人类丰富得多的智能体 —— 我以前写过几篇东西讨论，人类相对AI有感知和认知上的优势，因为人类有五感，有触觉，嗅觉和味觉，这些暂时AI还不具备 —— 这个话现在看来不能再讲了，已经有好几款不同技术路线的AI NOSE出现了: 如附图，其中一种做法是让试纸去和气体反应，气体中不同成分（比如腐烂物质产生的化学物质）的含量会让试纸呈现不同颜色的视觉特性，用这种图形特性去训练一个视觉卷积神经网络，就能分辨出不同气味特性（当然这需要能对不同化学成分产生不同反应的试纸）；另一种，微软的AI  NOSE更直接，把气体传感器的数据输入到一个机器学习模型，训练这个机器学习模型根据传感器数据来分辨不同的气体。这两种方式，据说精准率都有98%以上。

这让我几乎看到人类的感知优势将不复存在，我们原以为多模态的感知信号需要复杂的系统来获取和融汇，对人体来说，确实如此。我们的器官和神经系统经过亿万年进化，成为极为精巧的传感器和反馈系统，让我们能把五感和激素，内分泌，神经元激活等等机制融合打通，用感觉实现自反省自监督学习。我以前也认为，这个系统是AI非常难以复制的，而我忽略的是，AI并不需要像人类那样分泌激素，调动情感，联通血脉，就可以完成任务 —— 只要任务是能转换为可计算形态的。而人类的生理反应和情绪有时候是一种学习力和创造力的来源，有时候其实对学习或者完成客观任务，并没有什么实质帮助，这种情况下，不依赖这种生理机制，反而成为了机器的优势，AI只需要把任何对完成任务有用的信息 —— 不管是视觉，听觉，还是触觉，热度，等等；不管是来自于传感器采集还是摄像头，声音设备  ——  统统数字化，转化到"隐性空间"，在低向量维度上打通这些不同模态的信息，并用模态融合数据来关联，分析，特征提取和模式发现或创作 —— 文生图的模型就是一个最常见的把文字信息和图像信息打通的例子，前一阵Meta那个Imagebind，更是把声音视觉和传感器的惯性动量，热力学数据都"绑"到了一起。现在的AI NOSE，必然也会成为AI感知认知世界的一个模态，加入到多模态大模型中。不难想象，未来我们会用尽各种办法，把人类能感知，或者人类都无法感知的信息，转化为带特征的数字化信号，让AI来学习。AI也会成为一个更多维，更精细感知的智能体。—— 仅代表尹智个人观点 Ken's personal view only