如同果蝇一般，新算法永不遗忘旧气味

# 像果蝇一样，新算法永不遗忘旧气味 来源：https://arstechnica.com/science/2026/09/just-like-a-fruit-fly-a-new-algorithm-never-forgets-old-scents/ 受昆虫启发的"稀疏编码"实现快速学习，避免灾难性遗忘。 果蝇的脑力并不出名；你可能不止一次将它们溺毙在露天餐桌上放太久的酒杯里。然而，凭借约14万个神经元——一颗比罂粟籽还小的大脑——果蝇能在不到一秒的时间内解析海量气味，并长期保留对该气味的记忆。 在这方面，它们远胜于当前的"电子鼻"。即便是市面上最先进的设备，也往往价格昂贵、检测范围极其狭窄，并且一旦学习新气味就会立即遗忘旧气味。 那么为何不直接效仿果蝇呢？这是越来越多研究者正在思考的问题，包括冲绳科学技术大学院大学的Kevin Max（https://groups.oist.jp/ocnc/tutors-and-participants-1）和杨申。他们开发的新算法Spi-Fly在最近发表于期刊《Neuromorphic Computing and Engineering》的论文（https://iopscience.iop.org/article/10.1088/2634-4386/ae9177）中进行了描述。 ## 相对隐晦的感官 从机制上看，嗅觉是一种奇特的感官。 视觉和听觉都可归结为能在图表上绘制的单一物理维度——波长，这使它们的研究相对规整。而气味分子则无法简化为任何单一物理维度。生物学不得不寻找更复杂的解决方案：数百种不同的受体蛋白，每种都具有抓取特定分子特征的结构，通过组合方式激发信号，再由大脑进行解码。这是一个组合复杂度极高的系统，以至于Linda Buck和Richard Axel直到1991年才识别出背后的受体基因家族，这项工作使他们获得了2004年诺贝尔生理学或医学奖（https://www.nobelprize.org/prizes/medicine/2004/7438-the-nobel-prize-in-physiology-or-medicine-2004-2004-5/）。 尽管理解嗅觉存在困难，但"电子鼻"已存在于市场中。Alpha MOS（https://www.alpha-mos.com/）、Aryballe（https://aryballe.com/our-products/neose/）和Odotech（https://www.rcp.veoliawatertechnologies.com/en/technologies/odowatch）等公司将其用于食品质量控制、环境监测和安全筛查。 这类设备的缺陷在于泛化能力。一台为检测变质橄榄油而调校软件的设备，与机场安检点识别特定爆炸物的设备完全不同。将设备改造用于新任务通常意味着几乎从头重新训练其软件。 两个技术瓶颈导致了这种限制。首先，这些系统通常需要海量人工标注的样本才能可靠区分不同气味。其次，教授新气味往往会扰乱已有知识，研究者将此问题称为"灾难性遗忘（https://www.ibm.com/think/topics/catastrophic forgetting）"——相当于刚学会游泳就忘了如何骑自行车。 ## 气味条形码 果蝇及其他许多昆虫则没有这个问题，尽管它们的大脑微小。它们是如何在如此有限的脑力下区分并记忆气味的？根据论文作者的观点，秘密在于所谓的"稀疏编码"。 可以将其视为果蝇大脑为每种气味分配的条形码。其嗅觉系统依赖约2000个特化细胞（称为Kenyon细胞），这些细胞接收从果蝇嗅觉受体传递来的稀疏、随机连接的信号。所有Kenyon细胞都向单个中继点报告：前侧成对侧神经元，即APL（实际上是两侧半球各一个对称配对的神经元）。APL通过向每个Kenyon细胞同时发送强烈的全局抑制信号作出响应，从而静默几乎全部细胞。在抑制浪潮后仍保持活跃的细胞，就是Max和杨申所称的该特定气味的"条形码"。 Spi-Fly从传感器完成工作后才介入——整个过程在模拟中进行，使用预先记录的传感器数据，算法本身与初始气味捕捉无关。 在Max和杨申的研究中，传感器读数转化为脉冲流，稀疏且随机地投射到代表Kenyon细胞的隐藏层。该层中神经元相互抑制，而非依赖单一的类APL裁判。从隐藏层再连接至输出层，每个标注气味对应一个神经元，等待学习哪种条形码对应哪种气味。 ## 简单规则 实际学习的是条形码与标签之间的关联，遵循一条简单且已有数十年历史的神经网络规则：每当隐藏神经元与正确答案同时激活时，该连接就略微增强。 仅此而已。无需反向传播——这项由2024年诺贝尔物理学奖得主Geoffrey Hinton（https://www.nobelprize.org/events/nobel-prize-dialogue/tokyo-2025/panellists/geoffrey-hinton/）共同发明的技术，是通过逐层回溯精确计算错误责任来训练大多数现代神经网络的方法。 在测试中，这个简化系统有效运作。在使用常见气体传感器采集的一组气味测试中，Spi-Fly仅需每种气味三次暴露即可达到峰值性能，而反向传播需要约70次才能达到相同水平。 当向网络连续输入新气味时（这是灾难性遗忘的压力测试），Spi-Fly几乎不受影响，在几乎无精度损失的情况下保留旧气味记忆，而反向传播则崩溃至接近随机猜测的状态。 另一个实际障碍是内存。设计如此简单网络的最终目的是在神经形态芯片上运行——这是一项快速发展的技术，通过处理脉冲而非运行传统软件来构建直接模拟大脑的硬件。这类芯片通常内存有限，运行其上的任何算法都必须用远低于常规计算机的内存来完成任务。在限制条件下，Spi-Fly的性能下降远小于反向传播。 不过Max承认存在上限。"如果稀疏编码层包含100个神经元，且每种气味由5个神经元表示，气味容量的理论上限是'从100中选5'"，他在邮件中解释道——这大约是7500万种可能的"条形码"。但实际噪声几乎耗尽了所有余量。"由于噪声、气流条件等因素，同一气味在两次暴露中几乎从不使用相同的稀疏编码表示，"Max写道，"根据我们模型的参数，它应该能表示数百种气味，但这也取决于气味类型及其相似性。" 测试本身也面临相同情况：所有测试都完全在模拟中进行，使用单一、分离的气味——这与设备在真实厨房、森林或机场航站楼中遇到的复杂竞争气味群完全不同。无法保证Spi-Fly在真实分子开始相互干扰时仍能保持性能。 ## 存在争议的对比 此外还有EPL net（https://www.nature.com/articles/s42256-020-0159-4），该论文特别指出它是其最接近的竞争对手。它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。Max将这种差距主要归因于时序问题：EPL net采用离散快照采样气味（模拟动物实际嗅探方式），而Spi-Fly读取连续流且不丢弃任何信息。 共同设计EPL net的康奈尔大学心理学教授Thomas Cleland（https://psychology.cornell.edu/thomas-cleland）对此比较提出质疑。他认为EPL net和Spi-Fly从未被设计用于解决相同问题。EPL net旨在过滤突发、不可预测的背景气味（例如陌生人飘入房间的烟味），它采用一次性学习规则设计，并非用于学习Spi-Fly训练所针对的渐进、可重复变化。"EPL和Spi-Fly基于嗅觉系统的不同层次，为不同的噪声模型而构建，"他在邮件中写道。他直言不讳地指出：在他看来，这种比较几乎无法说明任何问题。 Spi-Fly仅以代码形式存在，通过预录数据集测试而非实际气味样本。下一步是将其整合进Max与合作者在埃因霍温理工大学和基尔大学构建的嗅觉传感硬件——真正的物理神经形态芯片，具有实际制造而非模拟带来的所有微小不一致性。 Max未给出具体日期，仅承诺很快会有更多进展。不过目前，在你葡萄酒杯中溺亡的果蝇仍然胜出。 Neuromorphic Computing and Engineering, 2026. DOI:10.1088/2634-4386/ae9177 (https://doi.org/10.1088/2634-4386/ae9177) *Federica Sgorbissa是科学记者，为意大利及国际媒体撰写神经科学与认知科学相关内容。* 3条评论（https://arstechnica.com/science/2026/09/just-like-a-fruit-fly-a-new-algorithm-never-forgets-old-scents/#comments） 1. 热门阅读首篇故事列表图：我租了辆车，几小时后驾照竟在暗网被出售（https://arstechnica.com/security/2026/09/my-drivers-license-is-one-of-153-million-for-sale-on-a-new-dark-website/）