仿生AI突破！科學家模擬大腦嗅覺系統打造高效感測技術

人類大腦擅長處理大量感官資訊，例如走進熱鬧餐廳時能立即辨識番茄醬的香氣，但人工智慧系統面對突發性雜亂輸入時卻顯得力不從心。康乃爾大學心理學系計算生理實驗室與AI科學研究所的團隊，近期開發出仿生策略，讓AI系統能像大腦般高效處理嗅覺等感官資料。

哺乳動物大腦能將外界雜亂資訊轉化為可理解、記憶的穩定表徵。研究團隊以此為靈感，正在開發低耗能、高效率的仿生機器系統，具有廣泛應用潛力。心理學教授Thomas Cleland指出：「大腦能以驚人低能耗實時完成認知任務，包括從遮蔽或受損的感官資訊中篩選重要訊息，並結合情境線索與過往經驗進行解讀。」

這項發表於《Scientific Reports》的研究，由博士後研究員Roy Moyal擔任第一作者。團隊目標是開發與大腦同等高效的「神經形態設計」AI裝置。Moyal表示：「現行機器學習需依賴龐大基礎模型與運算資源，我們希望開發輕量級自主AI代理，例如能即時偵測危險物質的微型裝置。」

研究聚焦嗅覺系統初期運算機制，發現嗅上皮與嗅球外層能建立「大腦與世界的防火牆」，將餐廳氣味等複雜輸入轉化為深層神經可處理的格式。Cleland解釋：「嗅球深層專精氣味學習，但需要經過妥善整理的輸入資料。」

這項研究不僅適用化學感測，也適用其他感官系統。團隊更發現大腦「脈衝相位編碼」的節能策略，可應用於資料稀缺的實務場景。Moyal補充：「這與機器學習中的量化感知訓練存在有趣關聯，我們正在最佳化相關演演算法。」

雖然研究以嗅覺迴路為主，但Cleland強調這套機制適用任何相似結構的資料處理，在機器人與AI領域具有廣泛應用潛力。研究團隊成員還包括康乃爾大學計算生理實驗室的Kyrus Mama與Matthew Einhorn，以及印度理工學院的Ayon Borthakur。

[end]