Trí Tuệ Nhân Tạo Có Một Nguồn Cảm Hứng Mới Kỳ Lạ: Giác Quan Mùi Của Chúng Ta

Hôm nay, các hệ thống trí tuệ nhân tạo, bao gồm các mạng nơ-ron nhân tạo rộng rãi được lấy cảm hứng từ các nơ-ron và kết nối của hệ thống thần kinh, hoạt động tuyệt vời ở những nhiệm vụ với các ràng buộc đã biết. Chúng cũng thường đòi hỏi một lượng lớn công suất tính toán và lượng lớn dữ liệu huấn luyện. Tất cả đều làm cho chúng xuất sắc trong việc chơi cờ hoặc Go, phát hiện xem có một chiếc xe ô tô trong hình ảnh, phân biệt giữa các hình ảnh miêu tả chó và mèo. “Nhưng chúng khá tệ trong việc soạn nhạc hoặc viết truyện ngắn,” nói Konrad Kording, một nhà khoa học thần kinh tính toán tại Đại học Pennsylvania. “Chúng gặp rất nhiều khó khăn trong việc suy luận có ý nghĩa trong thế giới.”

To overcome those limitations, some research groups are turning back to the brain for fresh ideas. But a handful of them are choosing what may at first seem like an unlikely starting point: the sense of smell, or olfaction. Scientists trying to gain a better understanding of how organisms process chemical information have uncovered coding strategies that seem especially relevant to problems in AI. Moreover, olfactory circuits bear striking similarities to more complex brain regions that have been of interest in the quest to build better machines.

Những nhà khoa học máy tính hiện đang bắt đầu khám phá những phát hiện đó trong ngữ cảnh học máy.

Các kỹ thuật học máy tiên tiến được sử dụng ngày nay được xây dựng ít nhất là để mô phỏng cấu trúc của hệ thống thị giác, dựa trên việc trích xuất thông tin theo cấp độ. Khi vỏ thị giác nhận dữ liệu giác quan, nó đầu tiên chọn ra các đặc trưng nhỏ, xác định rõ ràng: mép, kết cấu, màu sắc, đồng thời liên quan đến bản đồ không gian. Những nhà thần kinh học David Hubel và Torsten Wiesel phát hiện vào những năm 1950 và 1960 rằng các nơ-ron cụ thể trong hệ thống thị giác tương ứng với vị trí pixel cụ thể trên võng mạc, phát hiện mà họ đã đoạt giải Nobel.

Khi thông tin hình ảnh được chuyển qua các tầng nơ-ron vỏ não, chi tiết về mép, kết cấu và màu sắc hội tụ để tạo ra những biểu diễn trừu tượng ngày càng cao về đầu vào: rằng đối tượng đó là khuôn mặt người, và rằng danh tính của khuôn mặt là Jane, ví dụ. Mỗi tầng trong mạng nơ-ron giúp cơ thể đạt được mục tiêu đó.

Mạng nơ-ron sâu được xây dựng để hoạt động theo một cách tương tự như cấp độ phân cấp, dẫn đến một cuộc cách mạng trong nghiên cứu máy học và trí tuệ nhân tạo. Để dạy cho những mạng này nhận biết các đối tượng như khuôn mặt, chúng được cung cấp hàng nghìn hình ảnh mẫu. Hệ thống củng cố hoặc làm yếu liên kết giữa nơ-ron nhân tạo để xác định chính xác hơn rằng một tập hợp pixel nhất định tạo thành mẫu trừu tượng hơn của một khuôn mặt. Với đủ mẫu, nó có thể nhận diện khuôn mặt trong hình ảnh mới và trong bối cảnh mà nó chưa từng thấy trước đây.

Những nhà nghiên cứu đã đạt được thành công lớn với những mạng này, không chỉ trong việc phân loại hình ảnh mà còn trong nhận dạng giọng nói, dịch ngôn ngữ và các ứng dụng học máy khác. Tuy nhiên, “Tôi thích nghĩ về những mạng sâu như những chuyến tàu hàng,” nói Charles Delahunt, một nghiên cứu viên tại Trung tâm Sinh học Thần kinh Tính toán tại Đại học Washington. “Chúng rất mạnh mẽ, miễn là bạn có một mặt đất khá phẳng, nơi bạn có thể đặt đường sắt và có một hạ tầng lớn. Nhưng chúng ta biết rằng các hệ thống sinh học không cần tất cả điều đó—rằng chúng có thể giải quyết các vấn đề khó khăn mà mạng sâu hiện tại không thể làm được.”

Hãy xem một chủ đề nóng trong trí tuệ nhân tạo: ô tô tự lái. Khi một chiếc ô tô điều hướng trong môi trường mới trong thời gian thực—một môi trường luôn thay đổi, đầy tiếng ồn và mơ hồ—các kỹ thuật học sâu được lấy cảm hứng từ hệ thống thị giác có thể không đủ. Có lẽ các phương pháp dựa chủ yếu vào thị giác không phải là con đường đúng. Việc thị giác là nguồn hiểu biết qu dominant mà không phải do thiết bị được phát triển dựa trên thị giác, “một sự cố lịch sử,” theo lời của Adam Marblestone, một nhà sinh lý học tại Viện Công nghệ Massachusetts. Đó là hệ thống mà các nhà khoa học hiểu rõ nhất, với các ứng dụng rõ ràng cho các nhiệm vụ học máy dựa trên hình ảnh.

Nhưng “mọi loại kích thích không được xử lý theo cùng một cách,” nói Saket Navlakha, một nhà khoa học máy tính tại Viện Sinh học học tại Salk ở California. “Thị giác và khứu giác là những loại tín hiệu rất khác nhau, ví dụ. … Vì vậy có thể có các chiến lược khác nhau để xử lý với các loại dữ liệu khác nhau. Tôi nghĩ có thể có nhiều bài học hơn ngoài việc nghiên cứu cách hệ thống thị giác hoạt động.”

Anh và những người khác đang bắt đầu chỉ ra rằng các mạch khứu giác của côn trùng có thể chứa đựng một số bài học đó. Nghiên cứu về khứu giác không phát triển cho đến những năm 1990, khi các nhà sinh học Linda Buck và Richard Axel, cả hai đều làm việc tại Đại học Columbia vào thời điểm đó, đã phát hiện ra các gen cho các receptor mùi. Tuy nhiên, từ đó, hệ thống khứu giác đã trở nên đặc biệt được mô tả rõ, và đó là một điều có thể nghiên cứu dễ dàng trong ruồi và các loại côn trùng khác. Nó có thể giải quyết một cách dễ dàng theo cách mà hệ thống thị giác không thể nghiên cứu về các thách thức tính toán chung, theo lời của một số nhà khoa học.

“Chúng tôi nghiên cứu về khứu giác vì đó là một hệ thống hữu hạn mà bạn có thể miêu tả tương đối đầy đủ,” Delahunt nói. “Bạn có cơ hội chiến đấu.”

“Mọi người đã có thể thực hiện những điều tuyệt vời với thị giác,” thêm Michael Schmuker, một nhà nghiên cứu thần kinh tính toán tại Đại học Hertfordshire ở Anh. “Có lẽ chúng ta cũng có thể thực hiện những điều tuyệt vời với khứu giác.”

Khứu giác khác biệt so với thị giác ở nhiều khía cạnh. Mùi không có cấu trúc. Chúng không có mép; chúng không phải là đối tượng có thể được nhóm lại trong không gian. Chúng là sự pha trộn của các thành phần và nồng độ đa dạng, và chúng khó phân loại là giống hay khác nhau lẫn nhau. Do đó, không luôn rõ ràng những đặc trưng nào nên được chú ý.

Những mùi này được phân tích bởi một mạng nơ-ron cấp ba nông, ít phức tạp hơn nhiều so với vỏ thị giác. Nơ-ron trong các khu vực khứu giác ngẫu nhiên lấy mẫu toàn bộ không gian receptor, không phải là các khu vực cụ thể trong một hệ thống phân cấp. Chúng sử dụng điều gì mà Charles Stevens, một nhà sinh học thần kinh tại Viện Salk, gọi là một “bản đồ không đối xứng.” Trong một hệ thống được ánh xạ như vỏ thị giác, vị trí của một nơ-ron cho biết một điều gì đó về loại thông tin nó mang. Nhưng trong bản đồ không đối xứng của vỏ khứu giác, điều này không phải là sự thật. Thay vào đó, thông tin được phân phối trong toàn bộ hệ thống, và đọc dữ liệu đó liên quan đến việc lấy mẫu từ một số lượng tối thiểu nơ-ron. Một bản đồ không đối xứng được đạt được thông qua điều được biết đến là một biểu diễn thưa thớt thông tin trong không gian chiều cao.

Hãy xem mạch khứu giác của ruồi trái cây: 50 nơ-ron chiếu nhận đầu vào từ các receptor mỗi cái đều nhạy cảm với các phân tử khác nhau. Một mùi duy nhất sẽ kích thích nhiều nơ-ron khác nhau, và mỗi nơ-ron đại diện cho một loạt các mùi hương. Đó là một tạp nham thông tin, của những biểu diễn chồng lắp, được đại diện ở thời điểm này trong một không gian 50 chiều. Thông tin sau đó được chiếu ngẫu nhiên đến 2,000 tế bào Kenyon, được mã hóa theo mùi cụ thể. (Ở động vật có vú, tế bào trong cái được biết đến là vỏ cầu piriform xử lý điều này.) Điều đó tạo thành một mở rộng 40 lần về chiều, làm cho việc phân biệt mùi hương dễ dàng hơn thông qua các mô hình phản ứng thần kinh.

“Hãy nói bạn có 1,000 người và bạn chúng vào một phòng rồi cố gắng tổ chức họ theo sở thích,” Navlakha nói. “Chắc chắn, trong không gian đông đúc này, bạn có thể tìm thấy một cách nào đó để tổ chức những người này thành các nhóm của họ. Nhưng giờ đây, hãy nói bạn phân chúng ra trên một sân bóng đá. Bạn có thêm nhiều không gian để tận hưởng và tổ chức dữ liệu của bạn.”

Khi mạch khứu giác của ruồi đã làm điều đó, nó cần phải tìm cách xác định mùi hương riêng biệt với các nơ-ron không chồng lắp. Nó làm điều này bằng cách “thưa thớt” dữ liệu. Chỉ có khoảng 100 trong 2,000 tế bào Kenyon — 5% — hoạt động mạnh mẽ đối với mùi hương cụ thể (các tế bào ít hoạt động hơn sẽ bị tắt tiếng), cung cấp mỗi cái một nhãn duy nhất.

Nói một cách ngắn gọn, trong khi các mạng sâu truyền thống (lấy cảm hứng từ hệ thống thị giác) liên tục thay đổi sức mạnh của kết nối khi chúng “học,” hệ thống khứu giác nói chung dường như không tự đào tạo bằng cách điều chỉnh kết nối giữa các nơ-ron chiếu và tế bào Kenyon của nó.

Khi các nhà nghiên cứu nghiên cứu về khứu giác vào đầu những năm 2000, họ phát triển thuật toán để xác định làm thế nào việc nhúng ngẫu nhiên và tính thưa thớt trong các chiều cao giúp hiệu suất tính toán. Một cặp nhà khoa học, Thomas Nowotny của Đại học Sussex ở Anh và Ramón Huerta của Đại học California, San Diego, thậm chí đã vẽ liên kết với một loại mô hình học máy khác, gọi là máy hỗ trợ vector. Họ lập luận rằng cách cả hai hệ thống tự nhiên và nhân tạo xử lý thông tin, sử dụng tổ chức ngẫu nhiên và mở rộng chiều cao để biểu diễn dữ liệu phức tạp một cách hiệu quả, là bằng nhau theo cách chính thức. Trí tuệ nhân tạo và tiến hóa đã hội tụ, độc lập, vào cùng một giải pháp.

Tò mò về kết nối đó, Nowotny và đồng nghiệp của ông tiếp tục khám phá giao diện giữa khứu giác và học máy, tìm kiếm một liên kết sâu sắc hơn giữa hai hệ thống. Năm 2009, họ đã chỉ ra rằng một mô hình khứu giác dựa trên côn trùng, ban đầu được tạo ra để nhận biết mùi, cũng có thể nhận biết chữ số viết tay. Hơn nữa, việc loại bỏ hầu hết các nơ-ron của nó — để mô phỏng cách các tế bào não chết và không được thay thế — không ảnh hưởng đến hiệu suất của nó quá nhiều. “Một số phần của hệ thống có thể sập, nhưng hệ thống như một tổng thể vẫn tiếp tục hoạt động,” Nowotny nói. Ông dự đoán triển khai loại phần cứng đó vào một thứ gì đó như một xe thám hiểm Mars, phải hoạt động dưới điều kiện khắc nghiệt.

Nhưng trong một thời gian dài, không nhiều công việc được thực hiện để theo dõi những phát hiện đó — cho đến gần đây, khi một số nhà khoa học bắt đầu xem xét lại cấu trúc sinh học của khứu giác để tìm hiểu cách cải thiện các vấn đề học máy cụ thể hơn.

Delahunt và đồng nghiệp của ông đã lặp lại cùng loại thí nghiệm mà Nowotny thực hiện, sử dụng hệ thống khứu giác của bướm như là nền tảng và so sánh nó với các mô hình học máy truyền thống. Với ít hơn 20 mẫu, mô hình dựa trên bướm nhận biết chữ số viết tay tốt hơn, nhưng khi được cung cấp thêm dữ liệu đào tạo, các mô hình khác đã chứng minh mạnh mẽ và chính xác hơn. “Phương pháp học máy tốt trong việc tạo ra các bộ phân loại rất chính xác, với một lượng lớn dữ liệu, trong khi mô hình côn trùng rất giỏi trong việc thực hiện một phân loại đồ rough một cách rất nhanh chóng,” Delahunt nói.

Khứu giác có vẻ hoạt động tốt hơn khi nói đến tốc độ học bởi vì, trong trường hợp đó, “học” không còn liên quan đến việc tìm kiếm các đặc trưng và biểu diễn lý tưởng cho nhiệm vụ cụ thể đang thực hiện. Thay vào đó, nó được giảm xuống việc nhận biết xem trong một loạt các đặc trưng ngẫu nhiên, cái nào là hữu ích và cái nào không. “Nếu bạn có thể đào tạo chỉ với một cú nhấp chuột, điều đó sẽ đẹp hơn nhiều, phải không?” Fei Peng, một nhà sinh học tại Đại học Y Dược Nam Kỳ ở Trung Quốc, nói.

Trong thực tế, chiến lược của khứu giác gần như giống như việc nung một số khái niệm cơ bản, nguyên thủy vào mô hình, giống như sự hiểu biết tổng quan về thế giới mà có vẻ như đã được kết nối cứng vào não của chúng ta. Bản thân cấu trúc có khả năng thực hiện một số nhiệm vụ đơn giản, bẩm sinh mà không cần hướng dẫn.

Một trong những ví dụ ấn tượng nhất về điều này xuất phát từ phòng thí nghiệm của Navlakha năm ngoái. Ông, cùng với Stevens và Sanjoy Dasgupta, một nhà khoa học máy tính tại Đại học California, San Diego, muốn tìm một cách lấy cảm hứng từ khứu giác để thực hiện các tìm kiếm dựa trên sự tương đồng. Giống như YouTube có thể tạo ra một danh sách video ở thanh bên cho người dùng dựa trên những gì họ đang xem, các hệ thống sống cần có khả năng so sánh nhanh chóng và chính xác khi nhận diện mùi. Một con ruồi có thể học sớm rằng nó nên tiếp cận mùi của một quả chuối chín và tránh mùi giấm, nhưng môi trường của nó phức tạp và đầy tiếng ồn — nó sẽ không bao giờ trải qua cùng một mùi đồng nhất. Khi phát hiện một mùi mới, ruồi cần phải xác định xem mùi đó giống nhất với những mùi đã trải qua trước đây nào, để nó có thể gọi lại phản ứng hành vi thích hợp.

Navlakha đã tạo ra một thuật toán tìm kiếm sự tương đồng dựa trên khứu giác và áp dụng nó vào các bộ dữ liệu hình ảnh. Anh và đội ngũ của mình đã phát hiện rằng thuật toán của họ hoạt động tốt hơn, đôi khi là hai đến ba lần so với các phương pháp phi sinh học truyền thống chỉ liên quan đến giảm chiều số chiều một cách độc lập. (Trong những kỹ thuật tiêu biểu hơn này, các đối tượng được so sánh dựa trên vài đặc trưng cơ bản hoặc chiều.) Phương pháp dựa trên ruồi cũng “sử dụng khoảng một thứ bậc ít tính toán để đạt được cùng mức độ chính xác”, Navlakha nói. “Vì vậy, nó đã chiến thắng trong chi phí hoặc hiệu suất.”

Nowotny, Navlakha và Delahunt đã chỉ ra rằng một mạng học không đào tạo chủ yếu có thể hữu ích cho các phép toán phân loại và công việc tương tự. Xây dựng một hệ thống mã hóa như vậy làm cho việc học sau này trở nên dễ dàng hơn. Nó có thể được sử dụng trong các nhiệm vụ liên quan đến điều hướng hoặc trí nhớ, ví dụ như các tình huống mà trong đó các điều kiện thay đổi (ví dụ, con đường bị chắn) có thể không để lại cho hệ thống nhiều thời gian để học hoặc nhiều ví dụ để học từ.

Peng và đồng nghiệp đã bắt đầu nghiên cứu về vấn đề này, tạo mô hình khứu giác của kiến để đưa ra quyết định về cách điều hướng trên một con đường quen thuộc từ một loạt các hình ảnh chồng chéo.

Trong công việc hiện đang được đánh giá, Navlakha đã áp dụng một phương pháp dựa trên khứu giác tương tự để phát hiện sự mới lạ, việc nhận biết một thứ gì đó là mới ngay cả sau khi đã tiếp xúc với hàng nghìn đối tượng tương tự trong quá khứ.

Và hiện nay, Nowotny đang xem xét cách hệ thống khứu giác xử lý các hỗn hợp. Anh ấy đã thấy những khả năng ứng dụng cho các thách thức học máy khác. Ví dụ, các hợp chất hóa học có thể được cảm nhận là một mùi và các hợp chất khác nhau có thể được phân biệt nhau: Một người có thể hít thở hàng chục hóa chất và biết cô ấy đã ngửi thấy mùi hoa hồng, hoặc cô ấy có thể cảm nhận cùng số lượng hóa chất từ một cửa hàng bánh gần đó và phân biệt giữa cà phê và croissants. Nowotny và nhóm của anh ấy đã phát hiện ra rằng mùi hương có thể phân biệt không được cảm nhận cùng một lúc; thay vào đó, mùi cà phê và croissant được xử lý rất nhanh chóng xen kẽ nhau.

Thông điệp đó có thể hữu ích cho trí tuệ nhân tạo nếu được áp dụng. Ví dụ, vấn đề bữa tiệc hóa chất đề cập đến việc làm thế nào để tách rời nhiều cuộc trò chuyện trong một môi trường ồn ào. Với một số người nói trong một phòng, một trí tuệ nhân tạo có thể giải quyết vấn đề này bằng cách cắt các tín hiệu âm thanh thành cửa sổ thời gian rất nhỏ. Nếu hệ thống nhận ra âm thanh đến từ một loa, nó có thể cố gắng ngăn chặn đầu vào từ các loa khác. Bằng cách xen kẽ như vậy, mạng có thể giải quyết được các cuộc trò chuyện.

Trong một bài báo được đăng vào tháng trước trên trang web tiền in khoa học arxiv.org, Delahunt và đồng nghiệp tại Đại học Washington J. Nathan Kutz đã đưa nghiên cứu này một bước xa hơn bằng cách tạo ra những gì họ gọi là “cyborg côn trùng”. Họ sử dụng đầu ra của mô hình dựa trên con bướm của họ làm đầu vào cho một thuật toán học máy và thấy cải thiện trong khả năng phân loại hình ảnh của hệ thống. “Nó mang lại cho thuật toán học máy nguyên liệu mạnh mẽ hơn để làm việc”, Delahunt nói. “Có một loại cấu trúc khác nhau đang được rút ra bởi não con bướm, và việc có cấu trúc khác nhau đó giúp cho thuật toán học máy.”

Một số nghiên cứu viên hiện nay cũng hy vọng sử dụng các nghiên cứu về khứu giác để tìm hiểu cách làm thế nào nhiều hình thức học có thể được phối hợp trong các mạng sâu hơn. “Nhưng hiện tại, chúng tôi chỉ đề cập đến một phần nhỏ của điều đó,” Peng nói. “Tôi không chắc làm thế nào để cải thiện các hệ thống học sâu vào lúc này.”

Một nơi để bắt đầu có thể không chỉ nằm ở việc triển khai kiến trúc dựa trên khứu giác mà còn ở việc xác định cách định nghĩa đầu vào của hệ thống. Trong một bài báo vừa được xuất bản trên tạp chí Science Advances, một nhóm do Tatyana Sharpee của Viện Salk dẫn đầu tìm cách mô tả mùi. Hình ảnh khá giống nhau tùy thuộc vào khoảng cách giữa các pixel của chúng trong một loại “không gian thị giác”. Nhưng kiểu khoảng cách đó không áp dụng cho khứu giác. Cũng không thể kết hợp cấu trúc cung cấp một sự chịu đựng đáng tin cậy: Mùi có cấu trúc hóa học tương tự có thể được cảm nhận khác nhau, và mùi có cấu trúc hóa học rất khác nhau có thể được cảm nhận như nhau.

Sharpee và đồng nghiệp của cô ấy thay vào đó xác định các phân tử mùi dựa trên tần suất chúng được tìm thấy cùng nhau trong tự nhiên (với mục đích của nghiên cứu, họ kiểm tra tần suất phân tử xuất hiện cùng nhau trong các mẫu của nhiều loại trái cây và các chất khác nhau). Sau đó, họ tạo ra một bản đồ bằng cách đặt các phân tử mùi gần nhau nếu chúng có xu hướng hoạt động cùng nhau, và xa nhau nếu chúng thực hiện điều đó ít thường xuyên hơn. Họ phát hiện rằng giống như thành phố ánh xạ vào một quả cầu (Trái Đất), các phân tử mùi ánh xạ vào một không gian hyperbolic, một quả cầu có độ cong âm giảm giống như một cái yên.

Sharpee suy đoán rằng việc đưa đầu vào có cấu trúc hyperbolic vào các thuật toán học máy có thể giúp phân loại các đối tượng ít có cấu trúc hơn. “Có một giả định ban đầu trong học sâu rằng đầu vào nên được thực hiện trong một phép đo Euclidean,” cô nói. “Tôi sẽ đề xuất rằng có thể thử thay đổi phép đo đó thành một phép đo hyperbolic.” Có lẽ cấu trúc như vậy có thể tối ưu hóa hệ thống học sâu hơn nữa.

Ngay bây giờ, nhiều thứ này vẫn còn là lý thuyết. Công việc của Navlakha và Delahunt cần phải được mở rộng lên đối mặt với các vấn đề học máy khó khăn hơn nhiều để xác định xem các mô hình lấy cảm hứng từ khứu giác có thể tạo ra sự khác biệt hay không. “Tôi nghĩ điều này vẫn đang mới nở,” Nowotny nói. “Chúng ta sẽ thấy điều này đi đến đâu.”

Điều làm nghiên cứu viên hi vọng là cấu trúc của hệ thống khứu giác rất giống với các khu vực khác của não ở nhiều loài, đặc biệt là hippocampus, có liên quan đến trí nhớ và điều hướng, và nội não, có trách nhiệm cho kiểm soát chuyển động. Khứu giác là một hệ thống cổ điển có từ thời chemosensation ở vi khuẩn, và được sử dụng theo một hình thức nào đó bởi tất cả các sinh vật để khám phá môi trường xung quanh.

“Có vẻ như nó gần với điểm xuất phát tiến hóa của tất cả những thứ chúng ta gọi là vỏ não nói chung,” Marblestone nói. Khứu giác có thể cung cấp một phần tử chung cho quá trình học. “Hệ thống cung cấp cho chúng ta một kiến trúc thực sự được bảo tồn, một kiến trúc được sử dụng cho nhiều mục đích khác nhau ở nhiều loài khác nhau,” Ashok Litwin-Kumar, một nhà nghiên cứu thần kinh tại Columbia, nói. “Phải có điều gì đó cơ bản ở đó tốt cho quá trình học.”

Mạch khứu giác có thể hoạt động như một cổng để hiểu các thuật toán và tính toán học phức tạp hơn được sử dụng bởi hippocampus và nội não — và để tìm ra cách áp dụng những hiểu biết đó vào trí tuệ nhân tạo. Nghiên cứu viên đã bắt đầu chuyển hướng sang các quá trình như sự chú ý và các hình thức khác nhau của trí nhớ, với hy vọng rằng chúng có thể cung cấp cách để cải thiện các kiến trúc và cơ chế học máy hiện tại. Nhưng khứu giác có thể cung cấp một cách đơn giản hơn để bắt đầu xây dựng những kết nối đó. “Đó là một điểm nút thú vị,” Marblestone nói. “Một điểm khởi đầu để nghĩ về mạng thần kinh thế hệ tiếp theo.”

• Bể lưới lưới nhân tạo của Kelly Slater đang tạo sóng thực sự
• Công ty tai nghe đang áp dụng chiến lược của Apple
• Các chiếc giường chống va đập hứa hẹn những chuyến đi xe buýt siêu mượt
• ESSAY ẢNH: Bức tranh gia đình khổng lồ với Vladimir Putin
• Cách sử dụng Twitter: mẹo quan trọng cho người dùng mới
• Đói khát thêm nhiều cuộc đàm phán sâu sắc về chủ đề yêu thích tiếp theo của bạn? Đăng ký nhận bản tin Backchannel