Forskningsprojekt Doftande AI? Integrering av lukt i stora språkmodeller
Detta forskningsprojekt syftar till att utveckla avancerade språkmodeller baserade på artificiell intelligens (AI) så att de representerar sensoriska upplevelser, såsom lukter. Genom att fokusera på luktsinnet, ofta beskrivet som "det tysta sinnet" på grund av dess begränsade representation i språket, ämnar projektet att skapa den första “doftberikade” språkmodellen.
Detta forskningsprojekt syftar till att utveckla avancerade språkmodeller baserade på artificiell intelligens (AI) så att de representerar sensoriska upplevelser, såsom lukter. Genom att fokusera på luktsinnet, ofta beskrivet som "det tysta sinnet" på grund av dess begränsade representation i språket, ämnar projektet att skapa den första “doftberikade” språkmodellen.
Denna modell kommer att tränas med nyinsamlade data om doftupplevelser och avancerade tekniker för att efterlikna mänsklig luktförståelse. Projektet har ett stort teoretiskt värde då det kommer att öka vår förståelse av hur språket kan förmedla sensoriska erfarenheter. Det har också stort praktiskt värde då det kan användas till att förbättra diagnostiska metoder inom sjukvården där AI används för att diagnostisera luktnedsättningar.
Projektet kommer även bidra till kunskapsutveckling som är användbar inom parfym- och smakindustrin, genom att erbjuda verktyg för att analysera konsumenters erfarenheter och utveckla produkter som bättre motsvarar konsumenternas preferenser.
I forskningsprojektet kommer en omfattande mängd data om doftupplevelser att samlas in och en doftberikad språkmodell kommer att utvecklas med hjälp av denna data. Därefter kommer vi att utveckla ett system för att utvärdera modellens förmåga att representera doftinformation. All källkod kommer att göras öppet tillgänglig för framtida forskning och produktutveckling.
Genom att förbättra förståelsen för hur språk kan representera sinnesupplevelser kommer projektet bidra till utvecklingen mot generell artificiell intelligens och möjliggöra mer naturliga interaktioner mellan människor och AI-system. Detta steg mot att förbättra AI:s förmåga att behandla sensorisk information kan revolutionera hur vi använder AI inom både hälsovård och produktutveckling.
Detta projekt utforskar hur långt språkbaserat lärande kan räcka för att skapa meningsfulla representationer av sensoriska begrepp. Inom kognitionsvetenskapen pågår en aktiv diskussion om i vilken utsträckning sensorisk förståelse bygger på direkt sinneserfarenhet, jämfört med kunskap som förmedlas genom språkliga beskrivningar. Utan att ta ställning i debatten använder projektet moderna stora språkmodeller (LLM) som en praktisk testmiljö för att undersöka vilken typ av sensorisk struktur som kan uppstå ur språk, och hur nära denna struktur ligger mänskliga bedömningar.
Projektet fokuserar på luktsinnet, ett särskilt utmanande område eftersom lukter ofta anses svåra att beskriva precist med ord – ibland kallat det så kallade ”dämpade sinnet”. Just denna svårighet gör luktsinnet till en användbar fallstudie för att undersöka vilken information om sensoriska upplevelser som fångas i språket, och vad som eventuellt saknas.
Målet är att utveckla verktyg och empiriskt underlag som kan bidra till att klargöra dessa frågor. Mer konkret planerar projektet att ta fram den första språkmodellen med öppen källkod som är särskilt berikad för olfaktion, samt de resurser som behövs för att träna och utvärdera den. Detta omfattar: (1) att undersöka om befintliga LLM:er representerar olfaktoriska relationer på sätt som överensstämmer med mänskliga tolkningar; (2) att samla in och integrera nya data om mänskliga luktbeskrivningar och utvinna olfaktoriska narrativ ur stora textkorpusar, tillsammans med relevanta kemiska representationer, för att finjustera en modell med öppen källkod (inklusive att utforska metoder som ”mixture-of-experts”); samt (3) att utveckla ett dedikerat benchmark för att mäta ”olfaktorisk kompetens” i språkmodeller.
Tillsammans syftar dessa resultat till att möjliggöra mer rigorös forskning om språk och sensorisk betydelse, samtidigt som de kan stödja tillämpningar som textbaserad screening av luktdysfunktion inom hälso- och sjukvården och förbättrad analys av doftrelaterat konsumentspråk inom doft- och smakutveckling.
