AIが匂いを識別するには、どんなデータが必要か

匂いを説明することと感知すること

AIは花の香りやコーヒーの香りを文章で説明できます。しかし、その説明だけでは、今この部屋にどんな匂いが漂っているのかを感知することはできません。実際に空気中の物質を測定するセンサーと、その信号を解釈する技術が必要です。最近Noema誌で読んだ記事が、この違いを取り上げていました。

機械が匂いを感知し、解釈する研究はどこまで進んでいるのでしょうか。

機械嗅覚¹の研究はすでに存在しますが、言語・視覚の研究に比べると規模が小さいです。Kordel K. France研究チームがarXivとSemantic Scholarで2015年1月から2025年5月までの論文を集計した結果、機械嗅覚に関する論文はコンピュータビジョン・自然言語処理の論文量の1%にも満たなかったそうです。検索範囲や分類方法による数値ではありますが、研究規模の違いを示しています。

私が注目したのは、研究が少ない理由でした。センサーが小型化・高精度化するだけでは十分ではないようです。異なるセンサーの測定値を比較し、同じ匂いをどんな名前と基準で記録するかも決めなければなりません。

「何ができる」のかを見分ける

「匂いを嗅ぐAI」という表現は、異なる技術を指す場合があります。化学構造から香りを予測するモデル、センサー信号から特定のガスを識別する装置、匂いに関する文章を生成するモデルは、それぞれ行っていることが異なります。Noemaが指摘したBBC Futureの味・色の連想事例も、言語モデルの答えを感覚器官による測定と混同してはならないという話として読めました。

ロボットが周囲の環境を把握し、行動を計画するワールドモデル²の研究では、この区別がより重要になります。画面には映らない漏れや腐敗を化学信号で感知できれば、ロボットが参照できる情報が増えるからです。ただし、すべてのAIに嗅覚が必須だと結論づけることはできません。必要な感覚は、任せるタスクによって変わります。

人間にとって嗅覚が果たす役割

Noemaの記事は、ダーウィンとカントが嗅覚を他の感覚より低く評価していた文章を紹介しています。

しかし人間にとって嗅覚は、食べ物の状態や周囲の環境を判断するのに使われ、記憶や感情にもつながっています。

この関係を見ていくと、機械嗅覚の研究に関心を持つべき理由も見えてきます。

ただし、人間の脳から得られた研究結果をそのままAIに適用できるかどうかは、別の問題です。

嗅覚は、記憶や感情に関わる脳の領域と密接につながっています。 なじみのある食べ物の匂いが過去の場面を思い出させる経験も、この関係と関連しています。嗅覚の神経経路を単純に「海馬に直接入る」と説明するよりも、複数の領域がつながって働いていると理解するほうが正確です。

香りへの曝露と記憶を併せて調べた小規模な研究もあります。 UC Irvine（カリフォルニア大学アーバイン校）の研究チームは2023年の論文で、60〜85歳の成人43人を2つのグループに割り当てました。一方のグループは6か月間、毎晩2時間ずつ、7種類の香りを1日1つずつ交代で嗅ぎ、対照群はごく微量の香りに曝露されました。新型コロナウイルス（COVID-19）の影響で検査が中断され、認知検査の分析には23人しか含まれませんでした。

論文が示した226%という差は、単語学習検査の特定の項目における両グループの前後変化量を比較した数値です。記憶力全体が226%向上したという意味ではありません。 他の複数の認知検査では有意な差は見られませんでした。MRIでは左側の鉤状束³の拡散指標の変化が観察されましたが、これだけで脳機能全般の改善や認知症予防効果を確定することはできません。

アルツハイマー病やパーキンソン病などで嗅覚低下が観察されるという研究もあります。 しかし、嗅覚が低下したからといって、特定の疾患の前兆だと断定することはできません。嗅覚の変化と疾患の関連性を研究することと、その変化だけで診断することは別物です。

これらの研究は、嗅覚が人間の認知や健康を理解するうえで重要な対象であることを示しています。AIにおいても、化学信号を活用する価値があるかどうか、具体的なタスクを定めて検証してみることができるでしょう。

研究チームが提案した5つの課題

Franceと共著者らは、2025年に公開したポジション論文で、機械嗅覚の研究を拡大しようと提案しました。Noemaによれば、同年のEurIPSでもこの論文を発表したそうです。論文がまとめた5つの課題は次のとおりです。

1. 嗅覚をもっとよく理解する。 分子の特性や濃度、複数の物質の相互作用が匂いの知覚にどうつながるのか、まだ説明できていない部分が多くあります。ただし、生物学を完全に理解するまでセンサー研究や標準化を待つべきだという意味ではありません。
2. 測定値を共通して使える基準を作る。 金属酸化物・電気化学・光学式のセンサーは、感知方式も出力も異なります。機器の種類、濃度、温湿度、測定時間といった条件を一緒に記録してこそ、他の研究で再利用しやすくなります。画像のJPG・PNGのように共有しやすい形式が必要だという比喩は、この意味です。

3. 正解の付け方を決める。 「花の香り」のような表現は、個人や文化によって異なる場合があります。人間が感知できないほど低い濃度を、センサーが測定するケースもあります。人間による評価と化学分析値のどちらを正解とするのか、明確にする必要があります。

4. 共有可能なデータセットを増やす。 既存の嗅覚データはあるものの、センサー信号と映像・言語などを併せて収めた、複数のAI研究で使える大規模な資料は不足しているというのが研究チームの指摘です。

5. 共通の評価方法を整える。 同じ資料と条件でモデルを比較できる必要があります。特定の実験室でうまく当てられたという結果だけでは、別のセンサーや実環境でも同じ性能が出るかどうかはわかりにくいです。

データを扱ってきた立場からすると、2番目の項目が特に響きました。資料がたくさん蓄積されても、何をどんな条件で測定したのかがわからなければ、組み合わせて使うのは難しいです。 標準・データ・モデルは一緒に改善していけますが、後になって測定条件を復元しようとすると、大きなコストがかかりかねません。

センサーで感知し、AIで香りを提案する

Noemaが紹介した事例の中には、センサーで環境を測定する試みと、香水づくりを支援する試みがあります。

Franceが紹介したSigmaは、スマートフォンに接続する携帯型の匂い測定装置です。Noemaは、この装置で集めたデータをScentNetというマルチモーダルデータセットに送ると説明しています。匂いの信号を映像や音声といった他の情報と一緒に集めようとする試みです。ImageNetのように、多くの研究者が参照できる資料を作ろうという方向性です。

Franceは、化学信号を映像と結びつければ、車両や火災のように周囲で起きている出来事を判断するのに役立つ可能性があると説明しています。ただし、特定のガスを数種類検知したからといって、直ちに火災だと確定できるわけではありません。濃度や位置、他のセンサーの情報も併せて見る必要があります。

香水の分野では、Alex Wiltschkoが創業したOsmoが、2025年3月にGeneration by Osmoを発表しました。顧客が望む香りを説明すると、AIと調香師が組み合わせを作り、仕上げていくサービスです。同社はこの技術を「オルファクトリー・インテリジェンス」⁴と呼んでいます。2024年には、プラムなどの香りを分析・再現する実験も公開しました。「香りのテレポーテーション」という名前を付けていますが、実際には成分を測定してデータを送り、別の場所で香料を調合する工程です。

スイスの香料会社GivaudanのCarto、IBMがドイツのSymriseと開発したPhilyraも、調香を支援するツールです。

私はこれらの事例を見るとき、目標を分けて捉えるべきだと思います。香料の組み合わせを提案し、人間の評価を受けて仕上げていく作業と、ロボットが周囲の空気の信号をリアルタイムで解釈する作業は別物です。一方の成果が、もう一方の課題まで解決したことを意味するわけではありません。

実際の環境で残る課題

化学物質を測定する装置にも、さまざまな種類があります。

ガスクロマトグラフィー質量分析計（GC-MS）は、混合物の成分を分離・分析する装置です。実験室用だけでなく携帯型もあり、サイズ・価格・分析時間を一つの数値で語ることはできません。ロボットに使うには、目的の物質をどれだけ速く安定して検知できるかに加え、重さ・電力・保守コストも併せて検討する必要があります。小型の「電子鼻」にも、次のような課題が残っています。

• センサーの変化： 時間の経過や汚染によって感度が変わることがあります。同じ匂いでも値が変わるため、補正が必要です。
• 環境の変化： 温湿度や他のガスが測定に影響を与えることがあります。実験室での結果が現場でも維持されるかを確認する必要があります。
• 混合物の解釈： 特定の物質を検知することと、複数の物質が混ざった匂いを「コーヒー」だと分類することは、別の課題です。

匂いは成分だけでなく、濃度や混合比率によっても変わります。ある分子が別の分子の影響を強めたり抑えたりすることもあります。可能な組み合わせが多いという事実は、測定そのものが不可能だという意味ではありません。活用目的に合わせて、何を区別するのかを定める必要があります。

色をRGBの3つの値で表現するように、多様な匂いを共通して表現する方式はまだ十分に定着していません。ただし、分子構造と香りの関係を学習し、簡潔な座標として表現しようとする研究はすでに進んでいます。

Oswarldの視点

GTM戦略の仕事をしてきた私には、このテーマがどんなデータを集め、誰が再利用できるようにするかという産業の課題として読めます。

コンピュータビジョンの発展には、GPU、アルゴリズム、大規模データセットと評価基準がともに貢献しました。どれか一つだけが原因だったとは考えにくいです。嗅覚AIにおいても、モデルを開発する作業とあわせて、測定条件を記録し、性能を比較できる資料を作る作業が必要だと考えています。

韓国企業がこの分野を検討するとしたら、私は自社が持つ現場データを共通の基準で収集し、検証することからまず取り組むと思います。 IEEE P2520シリーズのように、機器と性能試験の基準を議論してきた活動も参考になります。ガス漏れ検知や品質検査はすでにある応用分野で、これをさまざまな環境でより正確にすることに貢献できる余地があります。疾病診断のような用途には、別途臨床検証が必要です。標準化に先に参加したからといって成功が保証されるわけではありませんが、どんな課題を解くためのデータなのかを具体的に定めるうえで役立つはずです。

おわりに

機械嗅覚の研究は、いまゼロから始まる分野ではありません。センサーやデータセット、産業用製品はすでに存在します。ただし、異なる条件のもとで得られた結果をつなぎ合わせ、新しい環境でも使えるAIに仕上げるには、やるべきことがまだ多く残っています。

私は「AIが匂いを嗅ぐ」という発表を目にすると、まず何を検知したのかを確認するようにしています。**どんな物質を、どの濃度で、どんな環境まで区別できるのか。**その説明があってこそ、実際にどこで使えるのかを判断できるからです。

さらに読んでみたい方には、France研究チームの論文のうち、データ表現とデータセット、評価方法を扱った部分をお勧めします。ニューロモーフィックコンピューティング⁵を嗅覚信号の処理に活用しようという提案も盛り込まれています。私が進めているスタディが一段落したら、Yann LeCunが強調するワールドモデルと感覚学習の関係も、続けて整理してみるつもりです。

参考資料と関連リンク

主要出典

• Maughan, Philip.「Why AI Needs A Sense Of Smell.」Noema Magazine、2026年4月16日。：今回のニュースレターの出発点となったエッセイです。AI嗅覚研究が停滞している原因から、Osmo・Sigmaといった現場へのインタビュー、嗅覚を活用したデート実験まで幅広く扱っています。機械嗅覚研究の必要性についての筆者の見解も盛り込まれています。
• France, Kordel K., et al.「Position: Olfaction Standardization is Essential for the Advancement of Embodied Artificial Intelligence.」arXiv、2025年。：機械嗅覚研究の課題を提案した論文です。2.2節はデータ標準、2.4節はデータセット、2.5節は評価基準を扱っています。ニューロモーフィックコンピューティングの議論も2.2節にあります。
• Woo, Cynthia C., et al.「Overnight olfactory enrichment using an odorant diffuser improves memory and modifies the uncinate fasciculus in older adults.」Frontiers in Neuroscience、17: 1200448、2023年。：香りへの曝露と記憶検査を比較した小規模なランダム化試験です。割り当て人数は43人で、認知検査の分析対象は23人です。本文中の226%という数値が、どの検査項目・変化量を指すのかを確認できます。

背景知識

• Osmo、How we invented scent teleportation、2024年10月29日。：香りを測定・調合して再現する実験の手順と限界を、企業自身が説明した記事です。

• IEEE、P2520シリーズ標準の紹介、2021年。：機械嗅覚装置と性能評価の標準化活動を紹介しています。

• Teledyne FLIR、携帯型GC-MS製品の発表、2023年10月3日。：現場用の分析装置がすでに存在することを確認できる、メーカーによる資料です。

• Osmo公式発表。「Osmo Launches Generation, World’s First AI-Powered Fragrance House.」BusinessWire、2025年3月5日。：Generation by Osmoの公式ローンチに関するプレスリリースです。OI技術がどんなビジネスモデルで製品化されるのか（香水デザインハウス＋B2Bライセンシング）を理解するのに適しています。

• France, Kordel K.「Machine Olfaction in Artificial Intelligence and Robotics.」2025年。：機械嗅覚分野全体を概観するサーベイ論文です。この分野に初めて触れる方におすすめです。能動学習（active learning）や、マルチエージェント強化学習といった嗅覚と相性の良いML手法についても取り上げています。

筆者アン・グァンソプ（安光涉）は世宗大学校経営学科教授であり、INLEVEL9のリードコンサルタントである。大学では経営データ管理、ビジネスアナリティクスなど統計およびデータ分析を教える一方、現場ではGTM戦略とAI戦略コンサルティングを率い、技術とビジネスの接点を設計している。AI対話システムの記憶アーキテクチャ（HEMA）研究で学術論文を発表したほか、毎日グローバルなAI論文をキュレーションするDaily Arxivプロジェクトを運営している。高麗大学校技術経営専門大学院の修士課程とKMBAを修了した。著書に『考えを委ねる人々：ホモ・ブレインレス』がある。

著者 アン・グァンソプ（Oswarld） は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. 機械嗅覚（Machine Olfaction）は、センサーで得た化学信号や分子情報を用いて匂いを検知・分類・予測する研究分野です。電子鼻（e-nose）は、センサーと分析機能を組み合わせた装置を指します。 ↩

2. ワールドモデル（World Model）は、環境がどう変化するかを学習し、次の状況を予測したり行動を計画したりするのに使うモデルです。使用するデータや実装方式は研究ごとに異なります。 ↩

3. 鉤状束（Uncinate Fasciculus）は、側頭葉前部と前頭葉の一部を結ぶ神経線維の束です。学習・記憶・感情に関わる連絡経路の一つです。 ↩

4. オルファクトリー・インテリジェンス（Olfactory Intelligence、OI）は、Osmoが匂いの分子情報や人間の知覚などを扱う自社技術を説明する際に用いる名称です。 ↩

5. ニューロモーフィックコンピューティング（Neuromorphic Computing）は、神経系の情報処理方式にヒントを得たハードウェア・アルゴリズムの研究です。信号が発生した際に計算を行う方式などが用いられ、電力効率は実装やタスクによって異なります。 ↩