人类有大约400个功能性嗅觉受体。这些是位于嗅觉神经末端的蛋白质，它们与空气中的分子连接，将电信号传输到嗅球（olfactory bulb）。嗅觉受体的数量远远超过我们用于视觉的4个，甚至是超过味觉的约40个。在嗅觉研究中，究竟是什么物理特性让空气传播的分子在大脑中产生气味，一直是个迷。神经科学的主要目标是了解感官是如何将光转化为视觉、将声音转化为听觉、将食物转化为味觉以及将质地转化为触觉的。对于视觉和听觉，学界已有了完善的图谱将物理属性（如频率和波长）和感知属性（如音高和颜色）相关联。但嗅觉还没有这样的图谱。如果计算机能够识别分子的形状，以及我们最终如何感知气味之间的关系，科学家就可以利用这一知识来加深对人类大脑和鼻子如何协同工作的理解。为了解决这个问题，莫奈尔化学感官中心（Monell Chemical Senses Center）和初创公司Osmo（从谷歌分离出来）共同领导的一个研究小组，正在研究空气中的化学物质是如何与大脑中的气味感知相联系。算法根据分子结构预测气味
为了确定这个模型的有效性（能否扩展到新的气味上），莫内尔大学的研究人员进行了一个盲验证过程。在这个过程中，一组训练有素的研究参与者会描述新分子，然后他们的答案会与模型的描述进行比较。15名小组成员每人会被要求闻400种气味，并且接受了训练，用55个单词（从薄荷到霉味）来描述每种分子。共同一作Emily Mayhew博士表示：我们对这个模型非常有信心。Mayhew在莫奈尔读博期间，参与了这项研究。她现在是密歇根州立大学的助理教授。另一位共同一作是Brian K. Lee博士，来自谷歌团队。为了教会被试们识别气味、选择最合适的词来描述自己的感觉，莫奈尔团队专门设计了一个气味参考工具包。这是因为，在过去的研究中，很多被试会犯一些常见错误，比如将霉味和麝香混为一谈。被试会被要求从55个选项中，选择最适用的描述术语，并且对400种气味中的每一种，用1到5分来打分，来评定这个术语在多大程度上适合于这个气味。一位专家组成员，就将以前未定性的气味剂2,3-二氢苯并呋喃-5-甲醛的气味，评为粉末状，有点腥臭。在人类嗅觉和AI模型最终pk中，质量控制也非常重要。这就轮到英国Reading大学的风味化学教授Jane Parker出场了。她的团队验证了用于测试模型预测的样品的纯度。首先，他们用气相色谱法，分离出样品中的每种化合物，包括任何杂质。接下来，团队成员会分别闻嗅每种分离出的化合物，以确定是否有杂质压倒了目标分子的已知气味。Parker说：「在测试的50个样品中，我们确实发现了一些含有明显杂质的样品。」比如，在某个案例中，杂质来自合成目标分子时使用的试剂的痕迹，并赋予样品一种独特的黄油气味，超过了感兴趣的气味。「在这种情况下，我们能够解释为什么小组对气味的描述与人工智能的预测不同。」这种杂质来自于合成目标分子时使用的一种试剂，它使样品散发出一种独特的奶油味，这种奶油味就盖过了相关气味物质的气味。「在这种情况下，我们就明白为什么专家组成员对气味的描述与AI的预测不同。」