像果蝇一样，新算法永不遗忘旧气味

果蝇的智商向来不算出名——你可能不止一次在露台桌上放置太久的酒杯里淹死过一只果蝇。然而，仅凭大约14万个神经元——一个比罂粟籽还小的大脑，果蝇（Drosophila）却能在极短时间内分辨大量气味，并将这些气味的记忆长久保存下来。

在这方面，果蝇的表现远远超过目前的"电子鼻"。即便是市面上最先进的电子鼻，也往往价格昂贵、能检测的气味种类极为有限，而且一旦学习新气味，就会迅速遗忘旧气味。

那么，为什么不直接模仿果蝇呢？这正是越来越多研究人员正在探索的方向——包括冲绳科学技术大学院大学的凯文·马克斯（Kevin Max）和杨深（Yang Shen），他们提出的新算法Spi-Fly近日发表于期刊《神经形态计算与工程》（Neuromorphic Computing and Engineering）。

一种颇为神秘的感官

从机械角度来看，嗅觉是一种奇特的感官。

视觉和听觉都可以归结为图表上的单一物理维度——波长，这使得它们相对容易研究。相比之下，气味分子无法归结为任何单一的物理维度。生物进化不得不找到一种更复杂的解决方案：数百种不同的受体蛋白，每一种都专门识别特定的分子特征，以不同组合方式激活，大脑随后需要对这些组合信号进行解码。这套系统的组合复杂程度极高，以至于直到1991年，琳达·巴克（Linda Buck）和理查德·阿克塞尔（Richard Axel）才鉴定出背后的受体基因家族，这项工作使他们在2004年获得诺贝尔奖。

尽管人类对嗅觉的理解仍存在诸多困难，市面上依然存在"电子鼻"产品。Alpha MOS、Aryballe和Odotech等公司出售此类设备，用于食品质量控制、环境监测和安全检查等领域。

这些电子鼻的短板在于泛化能力差。一台经过训练用于嗅探变质橄榄油的设备软件，与用于在机场安检点识别特定爆炸物的设备软件截然不同。要将其中一种设备改造用于新任务，通常意味着几乎要从零开始重新训练软件。

这一局限背后存在两个技术瓶颈。首先，这些系统通常需要大量人工标注的样本，才能可靠地区分不同气味。其次，教会它们识别新气味往往会打乱它们已经学到的知识，研究人员将这一问题称为"灾难性遗忘"——相当于电子设备版本的"刚学会游泳就忘了怎么骑自行车"。

气味条形码

果蝇——以及许多其他昆虫——尽管大脑极其微小，却不存在这个问题。它们究竟是如何用如此有限的脑力来区分和记忆气味的？据论文作者称，秘密在于一种叫做"稀疏编码"的机制。

可以将其理解为果蝇大脑为每种气味分配了一个条形码。果蝇的嗅觉系统依赖大约2000个被称为蘑菇体细胞（Kenyon cells）的特化细胞，这些细胞接收从果蝇气味受体传递而来的稀疏、随机连接的信号。所有这些蘑菇体细胞都向一个中继点汇报：前成对侧神经元（APL，实际上是一对对称结构，每个大脑半球各有一个）。APL接收信号后会向所有蘑菇体细胞同时施加强烈、全局性的抑制，使几乎所有细胞都陷入沉默。在这轮"镇压"后仍保持活跃的细胞，就是马克斯和沈所称的该特定气味的"条形码"。

Spi-Fly算法接手的环节是在传感器已完成工作之后——这里的一切都是在模拟环境中进行的，使用预先录制的传感器数据，算法本身并不参与最初的气味捕捉过程。

在马克斯和沈的研究中，传感器读数被转化为一串脉冲信号，稀疏且随机地投射到代表?744蘑菇体细胞的隐藏层上，其中神经元之间相互抑制，而不是依赖单一的类APL"裁判"。此后，隐藏层与输出层相连，输出层中每个神经元对应一种已标记的气味，等待学习哪个条形码对应哪种气味。

一条简单规则

真正需要学习的，是条形码与其标签之间的关联，遵循的是一条历史悠久、极为简单的神经网络规则：每当一个隐藏神经元与正确答案同时激活时，这条连接就会略微增强。

仅此而已。这里不需要反向传播——这项由2024年诺贝尔物理学奖得主杰弗里·辛顿（Geoffrey Hinton）共同发明的技术，通过逐层反向计算来精确找出每个错误的责任所在，目前大多数现代神经网络都依赖这一技术进行训练。

在测试中，这套简化系统表现良好。在一组由常见气体传感器采集的气味数据上，Spi-Fly仅需三次接触每种气味即可达到峰值表现，而反向传播方法则需要约70次才能达到同样效果。

以每次两种的速度将新气味输入网络——这是对灾难性遗忘的一次压力测试——Spi-Fly几乎不受影响，几乎不损失准确率地保留了旧气味的记忆，而反向传播方法的表现则崩溃至接近随机猜测的水平。

还有一个实际难题：内存。设计这样一套简单网络的初衷，是最终能够运行在神经形态芯片上——这是一种快速发展的技术，通过直接模拟大脑处理脉冲信号（而非运行传统软件）来构建硬件。这类芯片通常内存有限。任何运行在其上的算法都必须在远低于普通计算机标准的条件下运作。在这种限制条件下，Spi-Fly的性能下降幅度远小于反向传播方法。

不过，马克斯本人也承认存在上限。"如果稀疏编码层包含100个神经元，每种气味由5个神经元表示，那么气味容量的理论上限就是'100选5'，"他在邮件中解释道——大约是7500万种可能的"条形码"。但现实世界中的噪声几乎抹去了所有这些理论空间。"由于噪声、气流条件等因素，同一种气味在两次接触中几乎从不会被表示为相同的稀疏编码，"马克斯写道。"根据我们模型的参数设置，它应该能够表示几百种气味，但这也取决于气味的类型以及它们之间的相似程度。"

测试本身也存在同样的局限：与整项研究一样，所有测试都完全在模拟环境中进行，使用的是单一、孤立的气味——完全不同于设备在实际厨房、森林或机场航站楼中会遇到的各种气味交织混杂的情况。目前尚无法保证，一旦真实分子在计算机之外相互干扰，Spi-Fly依然能够保持良好表现。

一场存在争议的比较

论文中还提到了EPL net，将其列为最接近的竞争对手。该算法在气体传感器数据集上表现平平，但在合成的果蝇数据上表现不佳。马克斯将这一差距归因于多种因素，其中之一是时序问题：EPL net以离散快照的方式采样气味，模仿动物实际的嗅闻方式，而Spi-Fly则读取连续数据流，不丢弃任何信息。

康奈尔大学心理学教授托马斯·克莱兰（Thomas Cleland）是EPL net的共同设计者，他对这一比较本身提出了质疑。在他看来，EPL net和Spi-Fly从未被设计用来解决同一个问题。EPL net旨在过滤突发的、不可预测的背景气味——例如陌生人的香烟烟雾突然飘入房间这类情况。它通过使用单次学习规则来实现这一目标，并非为学习Spi-Fly所训练的那种渐进、可重复的变化而设计。"EPL和Spi-Fly基于嗅觉系统的不同层级，并且针对不同的噪声模型而构建，"他在邮件中写道。他的态度十分直接：在他看来，这种比较说明不了太多问题。

Spi-Fly目前仅以代码形式存在，通过预先录制的数据集进行测试，尚未接触过任何真实气味。下一步是将其整合进马克斯及其合作者正在埃因霍温理工大学和基尔大学研发的气味传感硬件中——这将是真实的、物理形态的神经形态芯片，制造过程中会带来各种微小的不一致性，这是模拟环境所不具备的。

马克斯没有给出具体时间表，只是承诺不久后会有更多进展。不过就目前而言，那只在你酒杯中淹死的果蝇，依然是赢家。

《神经形态计算与工程》，2026年。DOI: 10.1088/2634-4386/ae9177

Q&A

Q1：Spi-Fly是什么？它能解决什么问题？

A：Spi-Fly是冲绳科学技术大学院大学研究人员开发的一种新算法，模仿果蝇的嗅觉处理机制。它能够像果蝇一样快速学习和识别气味，并且几乎不会因学习新气味而遗忘旧气味，解决了传统电子鼻普适性差、容易"灾难性遗忘"的问题。

Q2：Spi-Fly和传统电子鼻相比有什么优势？

A：传统电子鼻学习一种新气味通常需要约70次训练，而Spi-Fly只需3次即可达到同等效果。此外，在学习新气味时，传统方法容易大幅遗忘旧气味，而Spi-Fly几乎不受影响，且更适合内存有限的神经形态芯片运行。

Q3：Spi-Fly目前是否已经应用于真实设备？

A：目前还没有。Spi-Fly仅通过模拟环境和预录制数据集进行测试，尚未接触真实气味。研究人员计划将其整合到埃因霍温理工大学和基尔大学正在研发的实体神经形态芯片中，但具体时间尚未确定。