果蝇的脑子只有大约14万个神经元,体积比一颗芥菜籽还小,却能在几百毫秒内分辨出成百上千种气味,还能记很久不忘。市面上的电子鼻正好反着来——学会闻橄榄油变质,换个任务去闻炸药,基本等于从头再训一遍,而且往往学了新气味就忘了旧的,业内管这个叫"灾难性遗忘"。
冲绳科学技术大学院大学(Okinawa Institute of Science and Technology)的Kevin Max和Yang Shen最近把果蝇的诀窍搬进了算法,取名Spi-Fly,论文发在《Neuromorphic Computing and Engineering》上。结果确实好看:同一套气体传感器数据,Spi-Fly只需要看3次就能学到峰值水平,靠反向传播训练的传统模型要看70次。但这篇论文更值得细看的,不是这个漂亮对比,而是OIST官方新闻稿自己承认的几件"扫兴"事实。
果蝇怎么给气味打条形码
果蝇的嗅觉系统靠约2000个Kenyon细胞接收气味受体传来的稀疏信号,再统一交给一对APL神经元处理。APL的做法很粗暴:对所有Kenyon细胞发出全局抑制,一次性压掉大约95%的活跃度。剩下那一小撮没被压住的细胞,就是这个气味的"条形码"。
Spi-Fly照着这套逻辑搭了一个仿真网络:传感器数据变成脉冲流,随机稀疏投影到一个1000个神经元的隐藏层,神经元之间互相抑制,不靠单一裁判。输出层每个神经元对应一种气味标签,学习规则简单到近乎原始——隐藏神经元和正确答案同时放电,连接就加强一点,没有反向传播那套逐层算账的机制。
3次和70次,差的是什么
传统电子鼻多靠反向传播训练,需要逐层反算误差,数据量吃得多、更新也慢。Spi-Fly的关联规则不用回头算账,学得快是真的:同一套气体传感器数据集上,3次曝光就到峰值,反向传播要70次才追平。
连续学习测试更能看出差别——依次喂入新气味,是给"灾难性遗忘"下战书。Spi-Fly基本不掉分,反向传播模型则崩到近乎瞎猜。这也是整篇论文最想讲的卖点:学得快、忘得慢。
三次学会是真的,但没说全的,是它到底学得准不准。
官方自己也承认的几件事
OIST的新闻稿里,自己点破了三处"扫兴":
- 整体准确率不如最强的传统分类器。学得快、忘得慢,不等于分得准,论文没有回避这一点。
- 容量算得漂亮,用起来打折得厉害。作者给的示例是:100个隐藏神经元、每种气味激活5个,理论上可以编出约7500万种不同的条形码。但真实世界里同一种气味两次闻到的信号几乎不会完全一样,噪声和气流会吃掉大部分冗余,作者自己估算实际可用容量大概只有几百种气味的量级。
- 所有测试都停在仿真里.用的是预先录制的单一气味传感器数据,没有混合气味,也没有真正跑在神经形态芯片上。这套算法设计的最终目标就是塞进低功耗神经形态芯片,但目前离那一步还有一段距离。
- 提醒.所有对比都在单一、非混合气味的仿真数据上完成,真实厨房、机场或森林里气味互相干扰的场景,目前完全没有验证过。
论文还挑了一个"最接近的对手"EPL net来做对照,结果它在果蝇合成数据上表现不佳。但EPL net的共同设计者、康奈尔大学心理学教授Thomas Cleland直接反驳这个比较——两套算法针对的是嗅觉系统的不同层级、不同噪声模型,EPL net本来就是为过滤突发的背景气味设计的,不是拿来学Spi-Fly那种渐进重复的气味变化。他的说法很直白:这个对比说明不了太多。
我怎么看
大自然做嗅觉,讲的是"够用就好"——果蝇的条形码机制不追求给每种气味都建精确档案,能找到花、找到腐肉、找到配偶就够了。人类工程要的从来是另一个标准:能上生产线判定食品变质,能在安检口认出特定炸药,错判的代价不是饿一顿,是出安全事故。
这也是为什么"学得快、忘得慢"这个卖点,拿到产品化的语境里立刻缩水。神经形态芯片这个赛道讲低功耗仿生故事讲了不止一轮,但从实验室仿真到真实部署,中间隔着噪声、隔着混合信号、隔着芯片制造本身的不一致性——论文作者也承认,下一步是把Spi-Fly放进真实的神经形态硬件里跑,时间表还没定。
理论容量7500万种条形码这个数字很好看,但支撑它的前提是没有噪声的理想世界。真实环境把这个数字砍到几百量级,恰恰说明"够用"和"好用"之间还有一大段距离要走。这段距离,不是靠一次漂亮的3比70就能填平的。
下次看到有只苍蝇淹死在你没喝完的酒杯里,不妨想一想:就凭它那颗比芥菜籽还小的脑子,现在依然赢着市面上大多数电子鼻。