感官的语言化

为什么语言、视觉、听觉能被 AI 复现，而味觉、嗅觉还定义不了 —— 一切从"信号载体"说起。

一句话本质：能复现的感官 = 已被编码成语言。语言（文本）、视觉（图像/视频）、听觉（语音）都找到了"数字化字母表"；味觉与嗅觉卡住，不是算法不行，而是它们的信号载体是物质分子而非波/场，缺的是"模数转换"这一环。

一、核心命题

计算机科学已经"定义并复现"了三类感知通道，而对另两类无能为力。这个事实不是偶然，它指向一个更深的结构：

• 语言（Language）：语言模型（LLM）已可生成任意文本 —— 已复现 ✓
• 视觉（Vision）：图片、视频生成（扩散模型）—— 已复现 ✓
• 听觉（Hearing）：语音识别与合成（TTS/ASR）—— 已复现 ✓
• 味觉（Taste）：仅有 5 种基本味，仍只能"识别"不能"生成" —— 未复现 ✗
• 嗅觉（Smell）：约 400 种受体组合空间巨大，连底层坐标系都没有 —— 未复现 ✗

用"语言即一切"的框架看：所谓"复现一种感官"，本质上是"为它发明一套可计算的语言"。视觉语言是像素/CLIP token，听觉语言是声学波形，文本语言是字符 token。味觉与嗅觉之所以"定义不了"，是因为它们的语言还没有被发明出来。

感官 Senses

语言化 Language-ization

数字化字母表 Digital Alphabet

二、五感复现进度总览（类图）

把五感放进同一张图：横轴看"载体类型"，纵轴看"是否已被语言化"。前三种（语言、视觉、听觉）落在"波/场信号"一侧，全部成功；后两种（味觉、嗅觉）落在"物质信号"一侧，全部卡住。这不是巧合，是同一个原因的两面。

图 1（类图 Class Diagram）：五感复现进度 — 载体类型决定是否可被语言化

复现 Reproduction

识别 Recognition

生成 Generation

三、载体差异：波/场 vs 物质

这是全部问题的分水岭。自然界把信息交给人类感知时，用了两种完全不同的载体：

波 / 场信号（前三者）

• 声音是声波，光是电磁波，文本是离散符号。
• 波满足采样定理（奈奎斯特）：只要采样频率足够高，就能无失真地把连续的波变成离散序列。
• 于是存在天然的信息通道：波 → 传感器 → 离散数字序列 → 深度学习 → 生成模型。

物质信号（后两者）

• 信息不是写在"波"上，而是写在分子的化学结构上。
• 必须真实分子与受体蛋白物理结合才产生感知，无法像"录一段音频"那样把气味录下来。
• 不存在"气味的波形"或"分子的像素"，没有类似采样定理的数字化通道 —— 无法录制、无法回放。

波/场信号 Wave/Field Signal

物质信号 Matter Signal

采样定理 Sampling Theorem

四、前三者为何成功（活动图）

把成功的感官展开成一条流水线，能看到它正好走通了"模拟 → 数字 → 语义"的完整链条：

图 2（活动图 Activity Diagram）：成功的感官流水线 — 波/场信号被采样、数字化、建模、生成

三个关键条件同时满足，才让前三者成为可能：

1. 可采样：波/场能无失真转成离散数字（麦克风、摄像头、键盘）。
2. 有底层坐标：视觉有 RGB 像素坐标，听觉有 1D 波形，文本有离散符号表 —— 数据天然处于一个可度量的低维空间，神经网络可以直接在上面学。
3. 可大规模标注：图像标"猫"、语音标"句子"、文本自带语义，能造出 ImageNet 级别的数据集。

模数转换 ADC

底层坐标 Underlying Coordinates

大规模标注 Massive Labeling

五、味觉嗅觉卡在哪：三重困难

后两者在三环上全部缺失，不是差一点，而是缺整个链条：

困难一：没有"化学摄像头"

视觉靠 CCD/CMOS 把光子变成电信号；嗅觉需要能识别分子的传感器阵列（电子鼻），但现有的金属氧化物/导电聚合物传感器只能粗粒度分类，远达不到"化学像素"的精度与通量。缺的是一块能把化学信号变成电信号的输入硬件，而非算法。

困难二：没有感知坐标系

视觉有 RGB、听觉有频率，都有天然坐标；嗅觉有约 400 种受体，组合空间巨大，而"分子结构 → 气味感知"的映射至今没有理论（立体效应论 vs 振动论都未定论），连底层坐标系都建立不起来。没有坐标就没有距离度量，神经网络无从学起。

困难三：数据标注主观

图像标"猫"是客观的，气味标什么呢？"甜中带花香"—— 嗅觉描述语言极模糊、高度主观、因人而异，无法像 ImageNet 那样规模化标注。就算有传感器数据，也没有可靠的"正确答案"。

电子鼻 E-nose

化学摄像头 Chemical Camera

感知坐标系 Perceptual Coordinate

六、现状探索：并非毫无进展

说"定义不了"不等于"没人尝试"。现有的努力分三个方向：

• 识别方向：电子鼻（E-nose）/ 电子舌（E-tongue），用传感器阵列 + 模式识别对气味/味道分类，本质是"仪器级信号还原"，非通用感知。
• 生成方向：Osmo（前 Google Brain 团队 Alex Wiltschko）构建主气味图谱（Principal Odor Map, POM），用图神经网络学习分子结构 → 气味的映射，再用扩散模型直接生成分子 —— 这是最接近"嗅觉语言模型"的尝试。
• 物理刺激方向：电味觉（电极刺激舌头模拟酸甜苦咸）、电嗅觉装置，直接跳过化学物质、用电信号触发受体。
• 神经录制方向：脑机接口（BCI）植入嗅球/梨状皮层电极，直接录制嗅觉/味觉触发的神经电信号，绕过分子输入，实现"录制 → 重放"感知。这是下一节要重点辨析的路线。

值得注意的是：这些努力集中在"识别"与"物理刺激"，真正缺的"化学摄像头 + 感知坐标系 + 客观标注"三件套仍无解。所以味觉嗅觉更像是机器人/物理世界的感知问题，与语言视觉听觉属于不同范式：后者是"把场采样成信息"（数字原生），前者是"把物质识别成信息"（还卡在模数转换）。

主气味图谱 POM

扩散模型生成分子 Diffusion for Molecules

电味觉 Electric Taste

七、脑机接口路线：感知层录制 vs 刺激层录制

一个看似成立的质疑："既然化学分子难以数字化，那脑机接口直接录制嗅觉/味觉的神经电信号，不就能录制重放了？" 答案是：能"回放"，但不能"定义"。关键区别在于录制发生在哪一层。

图 3（流程图 Flow Diagram）：两条录制路线的对比 — 刺激层录制 vs 感知层录制

先看类比：录音乐，录的是空气振动（刺激层）——物理的、公共的，任何设备采样结果一样，灌给任何耳朵都成立。脑机录嗅觉，录的是大脑对咖啡的私人解读（感知层）——生物的、私有的，只属于录制的这颗大脑。这两种"录制"有本质差异：

限制一：不可迁移

神经编码因人而异（受体分布、神经连接、可塑性都不同）。Brian 大脑里录下的"咖啡信号"灌进 Sammi 的大脑什么都不是。波/场信号是公共物理事实，谁采样都一样；神经信号是每颗大脑独有的私有事实，天然不能成为共享介质。

限制二：不可生成

录制=回放已发生过的体验，无法组合出"新气味"。要生成新气味，必须知道"分子 → 感知"的映射——这正是卡住的那一环。脑机接口绕过了输入侧（不用解析分子），却绕不过生成侧（没有映射就无法创造）。

限制三：侵入性

需要电极植入嗅球/梨状皮层 + 个体标定，属于医疗器械，不是可规模化的通用模态，更谈不上成为一种"语言"。

关键：视觉/听觉的数字化发生在刺激层，刺激层公共、可迁移、可生成 → 形成共享语言 ✓。味嗅觉若走脑机接口，数字化只能发生在感知层，私有、不可迁移、只能回放 → 形成不了共享语言 ✗。脑机接口能把"一个人的嗅觉记忆"变成可回放的私密录音，但给不出"所有人共享的嗅觉字母表"。

脑机接口 BCI

刺激层 Stimulus Layer

感知层 Perception Layer

神经编码 Neural Code

八、结论：定义感官 = 发明语言

结论：能复现的感官，是那些信息载体恰好可数字化的感官；定义一种感官，本质就是为它发明一套语言。语言、视觉、听觉是"波/场信号"，天生可以采样、有坐标、能标注，于是被成功编码成了可计算的语言。味觉、嗅觉是"物质信号"，分子即载体，缺"模数转换"这一环 —— 它们不是不可定义，而是语言尚未被发明。这再次印证"语言即一切"：一切技术突破，都是发明新的语言。

• 已语言化：语言、视觉、听觉 —— 波/场信号，天然可数字化。
• 未语言化：味觉、嗅觉 —— 物质信号，卡在"模数转换"。
• 判断标准：一个感官能不能被 AI 复现，看的是它的载体能否被"采样 → 坐标化 → 标注"，而非算法聪明程度。

数字原生 Digital Native

模数转换 ADC

发明语言 Language Invention