一、技术基石：破解 “气味 - 分子” 的映射密码

气味复现的核心难题在于建立 “化学结构 - 嗅觉感知” 的精准关联，而 2023 年以来的两大突破为此奠定了基础：

1. 高维嗅觉表征的工程化实现

Science 发表的研究提出 **“主气味图（POM）”** 概念，通过图神经网络将气味分子投射到高维嵌入空间，使气味相近的分子形成邻近聚类。这一突破的关键价值在于：

预测可靠性跨越门槛：对 400 个未知分子的盲测显示，模型生成的气味描述与专业嗅评小组均值的一致性超过人类中位嗅评员，首次实现 “看分子知其味” 的工程化可能。

解决结构 - 感知不连续性：传统模型在分子结构微小变化却导致气味巨变的 “困难样本” 上表现糟糕，而 POM 模型通过捕捉隐藏的化学 - 感知关联，准确率显著高于传统基线。

2. 生成式 AI 驱动配方创新

东京科学研究所的OGDiffusion 扩散模型将图像生成技术迁移至气味领域，实现从描述符到配方的全自动转化：

技术路径：以 166 种精油的质谱数据和 9 类气味描述符（如 “柑橘”“木本”）为训练基础，用户输入目标特征后，模型先生成匹配的化学质谱图谱，再通过非负最小二乘法计算精油混合比例。

验证效果：双盲测试中，14 名参与者能 100% 识别 AI 生成香水的目标气味特征，且能清晰区分添加特定描述符的改良版本与原始气味。

二、路线分化：从实验室模型到场景化复现

当前气味复现技术形成两大主流路线，分别聚焦 “分子创制” 与 “设备释放”，在不同场景中实现突破：

1. 分子 - 感知建模路线：聚焦精准创制

以 Osmo 公司为代表，依托 POM 等嗅觉表征技术构建 “读写闭环”，核心进展包括：

文本 / 图像到配方的转化：2025 年 3 月发布的 “Generation” 系统，可将抽象灵感（如 “雨后森林” 的文字描述）转化为具体香料配方，并开发出三种算法发现的独家分子成分。

解决产业痛点：通过 AI 优化配方，将传统香氛创制周期从 1-2 年缩短至数月，同时自动匹配 IFRA 原料限制等合规要求，解决供应链波动下的配方稳定性问题。

数据支撑：依赖 GoodScents、Leffingwell 等行业数据库训练，但私域数据垄断也带来数据治理挑战，推动 Pyrfume 等开放项目建立标准化嗅觉数据集。

2. 传感 - 场景系统路线：聚焦精准释放

以日本 Aromajoin 和法国 Aryballe 为代表，侧重 “将嗅觉接入设备与场景”，实现气味的可控复现：

XR 沉浸式复现：Aromajoin 在 2024-2025 年推出可穿戴气味释放设备与 “气味音箱”，通过同步气味时间轴与虚拟场景（如游戏中 “火焰燃烧” 对应焦糊味释放），构建沉浸式媒体体验。

工业级检测与复现：Aryballe 的 NeOse™电子鼻采用 64 通道生物功能化硅光子芯片，将气味指纹转化为光学信号，在车内空气监测、共享出行风控等场景实现 “气味基线 - 异常 - 复现” 的全流程管理。

便携化突破：新加坡南洋理工大学的仿生电子鼻通过 “变色条码 + CNN 算法” 组合，30 秒内即可完成肉类新鲜度检测，准确率达 98.5%，其条码材料生物可降解，适配食品、危险品等多场景。

三、核心挑战：从技术可行到规模化落地

气味复现的产业化仍面临三大关键瓶颈，最新研究正从多维度寻求突破：

1. 传感信号的稳定性难题

电子鼻的实际应用长期受困于 “信号漂移”—— 温湿度变化、传感器老化、复杂混合物干扰均会导致同一气味的检测结果差异。当前解决方案呈现两大方向：

器件路线优化：金属氧化物传感器成本低但抗干扰弱，石墨烯与激光诱导石墨烯传感器灵敏度高但量产难，表面声波（SAW）传感器响应速度快但功耗较高，行业正探索多材料复合的折中方案。

算法补偿机制：通过 “自适应学习 + 标准化采集协议” 动态修正漂移，例如在食品检测电子鼻中嵌入环境参数传感器，实时校准气味信号与温湿度的关联误差。

2. 多模态对齐的标准化缺失

嗅觉长期滞后于视觉、听觉的核心原因是缺乏统一基准：

数据层面：不同实验室的气味描述词汇不统一，如 “木质调” 在不同数据库中对应分子范围差异达 40%，导致模型泛化能力差。2025 年 Pyrfume 项目在 Nature Scientific Data 发布标准化数据集，首次实现 “气味词汇 — 分子 — 传感信号” 的跨域对齐。

评估层面：人类嗅觉存在个体差异，如何将主观感知与客观数据关联仍是难题。SmellNet 项目正尝试将便携式传感数据与 GC-MS 高分辨谱图做对比学习，虽 50 类任务准确率仍偏低，但为多模态校准提供了思路。

3. 复杂气味的复现精度限制

单一分子气味复现已相对成熟，但天然香气（如 “玫瑰香” 含数百种挥发性成分）的精准复现仍存挑战：

成分解析不全：部分微量成分对整体气味感知至关重要却难以检测，导致复现气味 “形似神不似”。

比例控制严苛：成分比例的微小偏差可能导致气味特征完全改变，当前 OGDiffusion 模型在多成分混合时的比例误差率仍达 8%-12%。

四、未来展望：从技术突破到产业变革

2024-2025 年的技术演进显示，气味复现正从实验室走向规模化应用，呈现三大趋势：

1. 三层工程化体系加速成型

行业普遍认可将 AI 嗅觉拆解为阶梯式目标：

表征层：深化 POM 模型的跨语种、多群体适配，解决英语语料导致的投射偏移问题，参与制定国际统一的气味数据 Schema。

传感层：结合 MEMS 制造优势，开发可量产的多通道传感器平台，固化 “温湿度补偿 — 在线自校准 — 标准样本盒” 维护流程，适配非洁净场景。

应用层：优先突破高频场景，医疗端聚焦呼气筛查与影像多模判读，消费端打造香氛供需协同平台，工业端发力假货鉴别与空气治理。

2. 具身智能推动嗅觉标准化

随着机器人、元宇宙等领域对 “具身智能” 的需求提升，嗅觉正成为核心能力之一：

设备集成：可穿戴气味设备与智能手环、XR 头显的融合加速，2025 年已有原型产品实现 “健康监测（如呼气 VOCs）+ 场景交互（如虚拟社交气味分享）” 双功能。

标准共建：国际学界正推动将嗅觉纳入 “多模态智能” 评估体系，制定设备互操作、数据共享的统一标准，为跨行业应用奠定基础。

3. 中国机会：制造优势与场景创新

国内在传感器件制造与应用场景上具备独特优势：

硬件端：MEMS 封装、纳米材料制备等制造业基础雄厚，有望在低成本、高稳定性传感器领域实现突破。

场景端：食品溯源、中医药气味鉴别、车内空气治理等特色场景需求旺盛，可形成 “技术研发 — 场景验证 — 迭代优化” 的快速闭环。

结语

气味复现的研究进展，本质是一场 “将主观嗅觉客观化、模糊感知精准化” 的技术革命。从 POM 模型破解分子 - 感知密码，到 OGDiffusion 实现全自动配方生成，再到场景化设备的落地应用，机器嗅觉正逐步补齐 “视觉 - 听觉 - 嗅觉” 智能感知的最后一块短板。尽管信号稳定性、标准化等挑战仍存，但随着 AI 与传感技术的深度融合，未来 3-5 年，气味复现或将像图像显示、声音播放一样，成为智能设备的基础功能，重塑消费体验、医疗诊断与工业风控的行业格局。