إحضار حس الشم إلى تطوير الذكاء الاصطناعي

تُعلّم مجموعة بيانات جديدة للذكاء الاصطناعي الآلاتَ الشم عبر ربط بيانات الروائح بالصور، بحيث تستطيع النماذج مطابقة الرائحة بالأشياء والمشاهد والمواد.

ظل الشم حاسة مهملة نسبياً في أبحاث الذكاء الاصطناعي، ربما بسبب التاريخ المتعثر لأجهزة إنتاج الروائح. وبعيداً عن محاولات «السينما ذات الرائحة» الممتدة منذ أكثر من قرن، بدت الاستخدامات أضيق من تطبيقات مجموعات بيانات الصور والصوت والفيديو.

مع ذلك، فإن أتمتة القدرات التي توفرها كلاب كشف المتفجرات والجثث والأمراض يمكن أن تحقق فائدة كبيرة للخدمات البلدية والأمنية. فالطلب على هذه الكلاب يفوق المعروض، كما أن تدريبها ورعايتها مكلفان ولا يقدمان دائماً قيمة مناسبة.

اقتصرت معظم الدراسات السابقة على المختبرات ومجموعات منتقاة تعتمد على خصائص مصممة يدوياً، وهو نهج أقرب إلى حلول مخصصة صغيرة النطاق منه إلى تطبيقات صناعية.

متقدم بفارق أنف

جاء تعاون أكاديمي وصناعي جديد من الولايات المتحدة ليغير هذا الوضع. أمضى الباحثون أشهراً في فهرسة روائح متنوعة داخل مبانٍ وفي الهواء الطلق بمدينة نيويورك، وجمعوا للمرة الأولى صوراً مرتبطة بالروائح المسجلة.

المستشعر المركزي هو «أنف» الجهاز. بعد تدريبه على الروائح فقط، يخمن النموذج ما إذا كان يشم الغرانيت أو البلاستيك أو الجلد، بل يحدد الغرفة من دون رؤية أي بكسل. المصدر

طوّر الباحثون نسخة مستوحاة من إطار التدريب المسبق التقابلي للغة والصورة (CLIP)، الذي يربط النصوص بالصور. أطلقوا عليها التدريب المسبق التقابلي للشم والصورة (COIP)، وهي تربط الروائح بالصور.

في الأعلى تُجمع بيانات الفيديو ومستشعر الشم المتزامنة في بيئات طبيعية. وفي الأسفل يُتعلم تمثيل مشترك، ثم تُسترجع صور اعتماداً على رائحة فقط، وتُصنف البيئة والأشياء والمواد، ويُفرَّق بين روائح متشابهة مثل نوعين من العشب من دون صورة. المصدر

تضم مجموعة البيانات الجديدة، المسماة New York Smells، سبعة آلاف زوج من الرائحة والصورة تغطي 3,500 جسم مختلف. وتفوقت في الاختبارات على الخصائص اليدوية المستخدمة في مجموعات البيانات القليلة السابقة.

يأمل المؤلفون أن تمهد هذه البداية لأنظمة شم تعمل في البيئات الطبيعية مثل الكلاب البوليسية. فالإنسان يستخدم الشم يومياً لتقييم الطعام واكتشاف الأخطار والأشياء غير المرئية، بينما تمتلك حيوانات كالكلاب والدببة والفئران قدرات تتجاوز البشر، ما يدل على أن حاسة الإنسان ليست الحد الأعلى لقدرات الآلات.

تحمل الورقة عنوان New York Smells: A Large Multimodal Dataset for Olfaction. ووعد المؤلفون بإتاحة البيانات والشفرة، فيما يتوفر بالفعل ملف بيانات بحجم 27 غيغابايت عبر موقع المشروع. شارك في العمل تسعة باحثين من جامعة كولومبيا وجامعة كورنيل وOsmo Labs.

المنهج

استخدم الباحثون الأنف الإلكتروني Cyranose 320، وثبتوا هاتف iPhone فوق مدخله الأمامي لالتقاط صورة لما كان الجهاز يشمه.

منظومة محمولة تجمع الفيديو والرائحة عبر كاميرا iPhone مثبتة على Cyranose 320. يوجَّه المدخل نحو الجسم، بينما تدير فتحات الطرد والتنقية تدفق الهواء. وتسجل كاميرا RGB-D العمق، كما تسجل المستشعرات المركبات العضوية المتطايرة والحرارة والرطوبة.

يعمل Cyranose بمعدل 2 هرتز ويسجل خطوات شمية ذات 32 بُعداً، فيما قِيس تركيز المركبات العضوية المتطايرة بمستشعر MiniPID2 PPM WR. كانت الوحدة المحمولة ترسل البيانات إلى محطة متنقلة أقوى حوسبياً لمعالجتها.

سُجلت أولاً «رائحة أساسية» لوضع الجسم في سياقه، ثم وُجّه مدخل الجهاز مباشرة نحو الجسم. وأُخذت عينة الهواء المحيط من منفذ جانبي بعيد عن المصدر لتجنب التلوث.

التقط الباحثون عينتين مدة كل منهما عشر ثوانٍ من موضعين مختلفين حول الجسم لتحسين كفاءة البيانات. ودُمجتا مع خط أساس محيط من 14 إطاراً في مصفوفة 28×32 تمثل القياس الشمي الكامل.

إشارة وصورة مقابلة لزهرة. تتكون الإشارة الشمية الكاملة من مصفوفة 28×32 تجمع خط أساس محيط من 14 إطاراً وعينتين مدة كل منهما عشر ثوانٍ ومن زاويتين مختلفتين.

البيانات والاختبارات

استُخدمت نماذج الرؤية واللغة لتسمية الأشياء والمواد التي صورها iPhone تلقائياً، وتولى GPT-4o المهمة، بينما سُمّيت فئات المشاهد يدوياً.

عينة صغيرة من رسم واسع في الورقة يوضح تنوع مصادر الروائح والبيئات التي سجلها المشروع.

قُسمت البيانات إلى مجموعتي تدريب وتحقق، ووُضعت العينتان المأخوذتان من الجسم نفسه في القسم ذاته لمنع تسرب البيانات. تشمل المجموعة النهائية 7,000 زوج شمي بصري من 3,500 جسم غير موسوم، و70 ساعة من الفيديو، و196 ألف خطوة زمنية من بيانات الشم الخام في مرحلتي خط الأساس والعينة.

جُمعت البيانات في 60 جلسة خلال شهرين داخل حدائق ومبانٍ جامعية ومكاتب وشوارع ومكتبات وشقق وقاعات طعام، مع تكرار الجلسات في كل موقع. كانت 41% من البيئات خارجية و59% داخلية.

درّب المؤلفون نموذجاً تقابلياً على ربط أزواج الصورة والرائحة المتزامنة. يستخدم COIP دالة خسارة مقتبسة من CLIP لمحاذاة تمثيلات الإشارات البصرية والشمية في فضاء مشترك. ويتيح ذلك استرجاع الصور من الروائح والتعرف إلى المشاهد والأشياء وتصنيف المواد والتمييز الدقيق بين الروائح.

استخدم التدريب شكلين من المدخلات الشمية: الإشارة الخام الكاملة، وملخصاً يدوياً مضغوطاً يسمى smellprint. تختزل هذه الخصائص الشائعة استجابة كل مستشعر إلى رقم واحد بمقارنة ذروة المقاومة أثناء أخذ العينة بمتوسط المقاومة في خط الأساس المحيط.

أما البيانات الخام فتحتوي سلسلة زمنية من 32 مستشعراً كيميائياً داخل Cyranose، وتسجل تغير المقاومة الكهربائية مع تفاعل كل مستشعر مع الرائحة. أُدخلت الإشارة غير المعالجة مباشرة إلى شبكة عصبية للتعلم من البداية إلى النهاية، باستخدام عمود فقري تلافيفي أو قائم على المحولات، ثم قورنت بالخصائص اليدوية عبر التعلم التقابلي.

الاسترجاع عبر الوسائط

وُضعت كل عينة رائحة وصورتها المقابلة في فضاء تمثيل مشترك، ثم اختُبر ما إذا كان بالإمكان استرجاع الصورة الصحيحة من الرائحة وحدها. رُتبت الصور وفق قرب تمثيلها من رائحة الاستعلام، وقيس الأداء بمتوسط الرتبة ووسيطها والاستدعاء عند حدود متعددة.

دقة الاسترجاع عبر الوسائط لمشفّرات روائح مختلفة، ومقارنة البنى المدربة على الإشارات الخام بتلك التي تستخدم smellprints.

أدى التدريب التقابلي على smellprints أداءً أفضل من الصدفة في جميع المقاييس، لكن تدريب مشفّر الشم على الإشارة الخام حسن النتائج كثيراً بصرف النظر عن البنية. وهذا يكشف غنى البيانات الخام وقدرتها على إنشاء روابط أقوى بين البصر والشم.

يبدأ كل صف باستعلام رائحة تليه الصور الأعلى ترتيباً في الفضاء المشترك، وتحدد الصورة الصحيحة بإطار أخضر. تجذب روائح الكتب والنباتات ومواد البناء النموذج نحو مشاهد مرتبطة بصرياً ودلالياً.

ظهرت أنماط دلالية واضحة: فرائحة كتاب تسترجع صور كتب أخرى، ورائحة الأوراق تسترجع صور نباتات. ويشير ذلك إلى أن التمثيل المتعلم يلتقط بنية ذات معنى عبر الوسائط.

التعرف إلى المشاهد والأشياء والمواد

قُيّمت قدرة النموذج على التعرف من دون صور عبر تدريبه على تحديد المشهد والجسم والمادة من بيانات الرائحة وحدها. استُخدم مسبار خطي، أي مصنف بسيط يتعلم فوق تمثيلات مجمدة، لقياس المعلومات المشفرة في تمثيلات الشم.

اشتُقت التسميات من الصور المقترنة في بيانات التدريب باستخدام GPT-4o، لكن التصنيف نفسه استخدم الإشارة الشمية فقط. اختُبرت مشفّرات بأوزان عشوائية وأخرى مدربة من الصفر وأخرى مدربة تقابلياً لمحاذاة الشم والبصر، مع مقارنة البيانات الخام وsmellprints.

تفوقت الإشارات الخام على smellprints، وحققت الشبكات التلافيفية المدربة من الصفر أعلى النتائج، ومنها 99.5% للمشاهد. ساعد التدريب الذاتي أحياناً، لكنه كان غالباً أقل من التدريب المراقب، وأظهرت خطوط الأساس العشوائية أن سعة النموذج وحدها لا تكفي.

كانت الدقة أعلى بكثير مع البيانات الشمية الخام، ولا سيما في النماذج ذات الإشراف المتقاطع. ويؤكد المؤلفون أن التعلم العميق من الإشارات الخام أفضل بوضوح من الخصائص المصممة يدوياً.

التمييز الدقيق

بنى الباحثون معياراً من نوعين من العشب ينموان في الحديقة الجامعية نفسها. جُمعت عينات بالتناوب خلال ست جلسات مدة كل منها 30 دقيقة، بإجمالي 256 مثالاً. ودُرب مصنف خطي على خصائص تعلم شمّي بصري تقابلي، ثم اختُبر على 42 عينة محجوبة.

مقارنة smellprints والبيانات الخام مع أوزان عشوائية أو تدريب من الصفر أو تعلم ذاتي. بلغت أعلى دقة 92.9% باستخدام الإشارات الخام والتعلم الذاتي، ما يبين أن الفروق الدقيقة تُلتقط أفضل بالمدخل الخام والتوجيه البصري.

حقق التدريب على إشارة المستشعر الخام أعلى دقة وتفوق على جميع نسخ smellprints. وتدل النتائج على أن التعلم الشمي البصري يحفظ معلومات أدق، وأن الإشراف البصري يوفر إشارة تساعد على استغلالها.

الخلاصة

قد يظل تصنيع الروائح مشكلة غير محلولة لفترة طويلة، لكن نظاماً فعالاً وميسور التكلفة لتحليل الروائح في البيئات الطبيعية يملك إمكانات هائلة للشرطة والأمن والطب، وكذلك لتحسين جودة الحياة ومراقبة المدن.

المعدات الحالية متخصصة ومكلفة غالباً. لذلك قد يتطلب التقدم الحقيقي في «الذكاء الاصطناعي الشمي» مستشعراً مبتكراً منخفض التكلفة بروح Raspberry Pi.

* حوّل الكاتب إحالات المؤلفين داخل النص إلى روابط.

** تتوفر رسوم إضافية، ومنها الشكل 8، في الورقة الأصلية ومن الأفضل مشاهدتها ضمن سياقها.

نُشر أول مرة يوم الجمعة 28 نوفمبر 2025.