本文來自微信公眾號：SF 中文 （ID：kexuejiaodian），作者：SF

機器學習是研究怎樣使用計算機模擬或實現人類學習活動的科學，是人工智能的核心領域。科學家利用大量的人類經驗對機器學習模型進行訓練，目的是為了讓模型可以在某一方面超越人類，去完成人類難以完成或不能完成的事情。最近，科學家就研發成功了一款超越人眼的機器學習模型。

文 | 聞靜

你有沒有這樣的經歷，把糖當食鹽或者把食鹽當糖，加錯了調料導致食物味道很古怪。同時，還會受媽媽一頓嘲諷。等你反應過來，湊近了去觀察兩種調料，又發現兩者確實不同，甚至可以看出來，由于一直用一個勺子去取調料，勺子上既粘了糖又粘了鹽。

媽媽也沒有在放調料之前嘗一下，為什么就不會犯這樣的錯？吃了一次虧之后，為什么你就能憑借肉眼區分這兩種調料了呢？下面我們要講的內容或許可以解答你的這些困惑。

人眼的識別能力

為確定固體混合物的成分，我們可以采用核磁共振、高分辨率的質譜儀和光譜儀等。這些方法可以得到相當準確的定量分析結果。但是，肉眼觀察依舊是化學實驗中的一個重要方法，可以得到初步的評價結果，并且具有快速、無損的優點。在歷史上，法國著名的微生物學家、化學家路易斯?巴斯德就是通過對晶體進行仔細的肉眼觀察，分辨出了酒石酸鹽。以這項突破性的發現為起點，科學家建立并發展了分子手性的相關理論，現在分子手性已經廣泛應用于藥物開發領域。

對于固體混合物來說，肉眼觀察主要是根據其顏色、質地、粒度、透明度來判斷其含有哪些成分，以及各成分所占的大致比例。但是，受經驗和直覺的影響，不同的研究人員可能會得出不同的結果，這就讓肉眼觀察的結果包含了相當大的不確定性。

人工智能的圖像識別功能便是模仿人類的肉眼觀察能力。因此，科學家想到利用機器學習技術，讓模型學會人類用肉眼分析固體混合物成分的方法（特別是要學習一些有豐富知識儲備和經驗的人），并獲得超越經驗最豐富的化學家的準確率。

超越人眼的識別能力

近日，發表于學術期刊《工業與工程化學研究》（Industrial & Engineering Chemistry Research）的一篇文章顯示，研究人員成功開發了一種機器學習模型，該模型可以僅僅通過照片就知道固體混合物的組成比例。

在一開始，研究人員利用糖和食鹽混合物的照片來訓練機器學習模型。雖然原始照片只有 300 張，但研究人員利用隨機裁剪、翻轉、旋轉等手段對原始照片進行處理，以創建更多的子圖像用于訓練和測試。測試的結果顯示，機器學習模型識別這些照片的準確度是研究團隊中肉眼觀察準確率最高的人的兩倍。

研究人員還將該模型應用于不同固體混合物的評估，特別是該模型還成功地區分了不同的多晶型和對映異構體。同一種物質以兩種或兩種以上晶體結構的形式存在，它們彼此之間就叫做多晶型；而互為對映異構體的物質雖然具有相同的分子量、原子組成，但原子的排列具有細微差異，其實是兩種物質。這兩種差異在制藥行業很重要，區分這些差異通常需要耗費大量的時間和精力。

另外，研究人員還利用該模型分析了更復雜的情況 —— 具有 4 種組分的混合物。

實時分析動態過程

機器學習模型可以快速識別混合物組分，因此，相對于傳統的分析方法，它更適合用于實時分析一些動態過程。利用這種模型，我們可以及時發現問題，并在隱患醞釀出事故之前，盡早地介入生產或實驗的過程，減少損失。

例如，氨基水楊酸（PAS）是一種用于結核病藥物治療的抗生素，固態的氨基水楊酸可以發生熱脫羧反應形成 m-氨基酚（MAP）。隨著反應的進行，由反應物和生成物組成的混合物的物理外觀會不斷變化。通過讓機器學習模型分析相關圖片，研究人員就能準確地知道反應進度以及各階段的反應產率。

研究人員還對模型進行了補充訓練，讓其可以分析清晰度一般的照片，這樣我們可以很方便地利用手機進行分析。

研究人員表示，該模型未來可以用于持續快速評估，例如，監測化工廠和實驗室的各種化學反應。此外，該模型還可以幫助視力受損者觀察外界情況。

參考文獻：

• Machine Learning-Based Analysis of Molar and Enantiomeric Ratios and Reaction Yields Using Images of Solid Mixtures | Industrial & Engineering Chemistry Research (acs.org)

廣告聲明：文內含有的對外跳轉鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節省甄選時間，結果僅供參考，所有文章均包含本聲明。

總結

以上是生活随笔為你收集整理的AI 识别能力超过人眼，仅凭照片，就能快速区分盐和糖的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。