人类大脑在处理大量感官信息时表现出惊人的能力。例如，当你走进一家繁忙的餐厅时，能够迅速分辨出披萨酱的气味。然而，对于人工智能系统来说，这样的大规模未加处理的数据输入却是一个巨大的挑战。为了解决这一问题，康奈尔大学的心理学计算生理学实验室和康奈尔大学AI科学研究所的研究人员开发了一种新的策略，旨在使AI系统能够像人脑一样高效地处理嗅觉和其他感官数据。 该研究的关键在于模仿人类大脑对感官输入的处理机制。人类大脑能够快速有效地组织来自外部世界的杂乱信息，形成可靠的感知表征，从而帮助我们理解、记住并建立长期联系。项目负责人托马斯·克利兰（Thomas Cleland）教授表示，大脑能够在实时情况下以极低的能耗完成复杂的认知任务，包括从嘈杂、部分遮挡或退化的感官信息中识别重要信息，并根据上下文和以往经验进行解释。这一过程同样可以在人工物理系统中实现，一旦科学家们弄清楚其工作原理。 博士后研究员罗伊·莫亚尔（Roy Moyal）是这项研究的第一作者和共同通讯作者。他指出，目前机器学习领域的顶尖技术依赖于大型基础模型，这些模型需要大量的计算资源来训练和运行。相比之下，他们的目标是开发轻量级、自主的AI代理，可以在小型、专用设备上部署，如检测危险物质。这些设备能够在现场快速适应环境变化，而不需要通过网络传输可能敏感的数据。 具体而言，研究团队重点关注了嗅觉系统的早期计算过程，特别是嗅觉上皮和嗅觉球外层如何处理来自外部世界的感官信息。嗅觉上皮是一层感知化学物质的神经元，位于鼻腔内部；嗅觉球是一个大脑区域，这层神经元直接向其投射信号。研究发现，嗅觉上皮和嗅觉球外层通过某些计算过程创建了一个“防火墙”，将外界的感官输入转换成一种形式，使得深层嗅觉球和其他下游区域能够处理而不失信息完整性。 这个“防火墙”机制不仅对嗅觉系统至关重要，还适用于其他感官输入的处理。例如，在使用化学传感器进行检测时，这种机制可以帮助AI系统更好地包装和组织复杂输入，保留关键信息。此外，研究还揭示了大脑中尖峰相位编码（spike-phase coding）的方法，即神经元通过精确调节通信脉冲的时机来传递信息。这种能量节约策略可以用于数据稀少和噪声较大的情况，提高稳定学习和正则化的效果。 研究人员表示，这项研究不仅对嗅觉系统的理解和优化有重要意义，还将广泛应用于机器人和其他AI系统。克利兰教授强调，他们的算法无需预知外部世界的任何信息即可工作，能够适应任何可编码的输入。但如果有相关领域的知识，可以进一步提升性能。 康奈尔大学的研究团队成员还包括Kyrus Mama（2021届）、Matthew Einhorn（计算生理学实验室研究人员）以及印度理工学院Guwahati分校的Ayon Borthakur。 业内人士评价，康奈尔大学的这项研究为开发更高效、低功耗的AI设备奠定了理论基础。通过深入解析生物嗅觉系统的工作机制，研究团队有望在未来推出更多具有实际应用价值的技术。康奈尔大学在神经科学和AI领域的交叉研究中处于领先地位，其研究成果常被业界视为前沿技术的方向标。