没有嗅觉,真能设计出芬芳宜人的香水吗?嗅觉当然很重要,但如今在开发新的香水款式时,大部分基础工作都通过数据评估来完成——而这正是人工智能技术的专长所在。IBM Research与Symrise这家总部位于德国的全球香水/香精生产商就保持着合作伙伴关系。坐拥雅诗兰黛、Donna Karan、Avon、Coty等客户的Symrise公司利用AI技术开发的第一款香水现已在巴西上市。
Philyra可以算是IBM公司创造的人工智能(AI)学徒,其跟随调香师David Apel共同为巴西化妆品企业 O Boticário 设计了两款专供情人节的新香水。这两款产品主要面向九零后与八零后群体,他们也很清楚这些客户更喜欢AI设计这个有趣的概念。此次合作,也正式将AI技术引入香水行业。
在香水行业,调香师们拥有大约1300种香氛(合成香料,外加花、苔藓、香料以及水果的提取物)可供选择。Symrise拥有一套包含各种物质以及对应组合构成的共170万个配方的数据库,Philyra能够借此完成训练学习。Philyra还能够查询不同性别、年龄组以及国家当中香水产品的销量信息。在利用深度学习算法进行数据分析之后,人工智能系统(不受文化偏见、个人偏好、知识、经验或者其它因素的影响)将能够发现前所未有的配伍可能性。根据数据,Philyra输出的香水配方应该能够在目标群体当中得到良好反馈。当然,调香师也会介入以完善AI给出的配方。最重要的是,Philyra的深度学习算法使其能够学习如何组合各种成分,而不仅仅是根据通过人类编程规定好的方式行动。
AI数据分析与配方建议的美妙之处,在于其能够带来人类以往从未考虑过的组合方案。原来,嗅觉并不是创造新香水的核心前提——理解香水成分才是。
AI算法能够学习以下因素并提出建议:
· 通过将香料与市售香料进行比较以发现香氛中的新颖元素
· 配方当中使用的原料替代品与补充剂
· 原料配料
· 预测人类反应
在调香师David Apel的帮助下,Philyra为O Boticário 的情人节产品创造出三个不同的版本——第一个版本完全由AI创建;第二个版本由调香师做出了细微调整;第三个版本则仅利用AI意见作为建议,但最终仍由调香师自行决定配方方案。在经过测试之后,“绝大多数人都选择了纯粹由AI提出的香水配方。”
Philyra与Apel为O Boticário 公司开发的Egeo ON Me与Egeo ON You香水,在今年6月12日巴西情人节期间正式登陆市场。
Egeo ON Me是一款女性香水,ON You则是一款更为阳刚的男性香水。但该公司的野心远不止于此,他们希望能为每一个人——无论其性别如何——提供最能产生共鸣的香水。此次发布的两款香水结合了水果、鲜花、木材、焦糖甚至是炼乳的香气。
与人工智能技术在其它行业中的首次使用情况一样,香水行业也赫然发现了新兴成果的强大能力,并对人类调香师未来还能否存在提出疑问。例如,Abel就认为人工智能是人与机器之间的新型合作方式——而非威胁。机器能够摆脱偏见,帮助人类克服障碍并提供新颖的想法。此外,以往新香水的开发往往需要六个月到四年的时间;但在AI的帮助下,这一时间周期将大大缩短。
IBM Research与Symrise的联合创新成为AI香水开发领域的第一步,但绝对不会是最后一步。今年,Givaudan公司推出了CARTO系统,其能够利用气味价值图最大限度提升香料与香精最终配方的嗅觉表现。
结果就是,香水设计既是一门艺术、也成为一门科学。掌握专业知识的调香师仍然拥有超越AI的情感优势,而在此次尝试之后,AI则将增强人类的香水开发能力。
好文章,需要你的鼓励
Workday对话式AI平台Sana正式扩展至IT服务管理(ITSM)自动化领域,旨在帮助企业整合HR、财务与IT工作流程。新功能可自动处理员工入职/离职、权限变更及日常IT请求,同时新增"差旅助手"支持行程规划与费用管理。分析师指出,跨部门工作流统一将为CIO带来效率优势,但也警告需警惕供应商锁定风险,且在成熟ITSM市场中面临ServiceNow等强劲竞争。Sana ITSM功能预计2026年下半年开放早期使用。
HASP框架将AI智能体的技能经验从文字建议升级为可执行的程序函数,通过运行时自动触发干预而非被动建议,在网页搜索推理任务上相比强化学习基线提升30.4%。
美国超过75,000台风力涡轮机正陆续迈入服役15至20年的生命周期末段,风电"翻新改造"(Repowering)正成为行业发展的核心战略。通过替换老旧组件或整机,结合现有基础设施、并网资源与土地权益,改造项目可显著提升年发电量、延长运营寿命并降低资本支出。文章从组件兼容性、选址条件、电网接入、环保审批及融资结构等维度,系统梳理了改造可行性评估的关键要素,为风电资产现代化提供决策参考。
论文研究了神经网络训练中激活函数与损失函数的结构性交互导致的负权重漂移现象,分析了其引发激活稀疏性的机制,并探讨了稀疏度与模型性能的量化关系及优化激活函数的选择。