استارتاپ Osmo، که بنیان‌گذارش Alex Wiltschko در سال 2023 از آزمایشگاه Google Brain جدا شد، مدعی است مدل هوش مصنوعی‌اش به «هوش بویایی هم‌سطح انسان» رسیده است؛ یعنی توانایی تشخیص و تمایز بوها تقریباً به‌اندازه‌ی یک فرد عادی، و توانایی ساخت بو به‌اندازه‌ی یک طراح عطرِ تازه‌کار.

مسئله‌ی اصلی، کمبود داده بود. پیش از Osmo، کمتر از 200,000 توصیف انسانی از بوها در پایگاه‌های داده موجود وجود داشت. شرکت برای پر کردن این خلأ، مجموعه‌داده‌ای با بیش از 10 میلیون برچسب انسانی و 800 میلیون «توکن بو» (scent token) ساخت؛ توکن‌هایی که مولکول‌ها و غلظت‌های دقیق تشکیل‌دهنده‌ی هر بو را توصیف می‌کنند. حدود 30 بوکشِ باتجربه در آزمایشگاهی نزدیک فرودگاه Newark در نیوجرسی مشغول توصیف بوها هستند و 70 نفر دیگر در آمریکا و خارج از آن، با واژگان استاندارد عطرسازی داده‌ها را برچسب می‌زنند. طیف‌سنج‌ها و حسگرهای شیمیایی به‌صورت شبانه‌روزی مولکول‌های میوه‌ها، گل‌ها، مواد غذایی و حتی اندام‌های بدن را تجزیه می‌کنند.

محصولات Osmo در دنیای واقعی هم استفاده شده‌اند. شرکت با Procter & Gamble در حوزه‌ی عطرسازی همکاری کرده، بنیاد Gates پس از سرمایه‌گذاری 5 میلیون دلاری، 3.5 میلیون دلار کمک بلاعوض برای شناسایی مولکول‌های دفع‌کننده‌ی حشرات بیماری‌زا داده است — و Osmo هشت ماده‌ی قوی‌تر از DEET شناسایی کرده. همچنین با StockX در شناسایی کفش‌های تقلبی از طریق تفاوت ترکیب شیمیایی مواد به‌کاررفته همکاری داشته. Wiltschko می‌گوید ماه گذشته مدل Osmo از عطرسازان درون‌ساز یکی از بزرگ‌ترین شرکت‌های کالای مصرفی جهان بهتر عمل کرده است.

اما همه متقاعد نشده‌اند. Avery Gilbert، دانشمند بو و نویسنده‌ی کتاب What the Nose Knows، در Substack خود ادعاهای بازاریابی Osmo را بدون مستندات کافی و وابسته به قضاوت انسانی دانسته است. دانشمندان دیگری هم به مسئله‌ی «بافت» اشاره می‌کنند: همان مولکول موجود در پنیر Camembert در پوشک کهنه هم هست، اما انسان هرگز این دو را اشتباه نمی‌گیرد. حل این پیچیدگی، کلید کاربردهای پزشکی این فناوری است.

برای سازندگان ایجنت، این خبر چه معنایی دارد؟#

اگر کسی همین حالا با ابزارهای موجود اتوماسیون می‌سازد، این خبر عملاً چیزی عوض نمی‌کند. Osmo یک مدل بویایی است و نه یک LLM یا ابزار عمومی؛ دسترسی به آن از طریق API عمومی نیست و کاربردهایش فعلاً محدود به عطرسازی، شناسایی حشرات و تشخیص تقلبی‌هاست. اما درس ساختاری‌اش مهم است: وقتی داده‌ی کافی وجود ندارد، باید خودتان با ترکیب حسگر فیزیکی و برچسب‌زنی انسانی داده بسازید. این الگو در حوزه‌هایی مثل بویایی، چشایی و لامسه — که هنوز مدل‌های بنیادی قوی ندارند — قابل تکرار است. احتیاط: ادعای «هم‌سطح انسان» در حوزه‌ای که معیار ارزیابی استاندارد و عمومی ندارد، هنوز یک ادعای شرکتی است، نه یک نتیجه‌ی علمی تأییدشده.

منبع: MIT Technology Review