Pesquisadores desenvolveram sistemas de olfato artificial que combinam sensores de gases e inteligência artificial para identificar assinaturas químicas. Essa tecnologia permite que máquinas reconheçam alimentos, estados de conservação e alérgenos com alta precisão. O avanço representa uma nova fronteira na digitalização de sentidos além da visão e audição.
Além do setor alimentício, os narizes eletrônicos possuem aplicações promissoras na indústria, agricultura e robótica, detectando vazamentos e monitorando a qualidade ambiental. Apesar dos desafios técnicos como o desgaste dos sensores, a integração entre hardware e machine learning possibilita o monitoramento contínuo de fenômenos químicos em diversos cenários.
A IA está aprendendo a sentir cheiro — e isso pode ser mais útil do que parece
Durante boa parte da evolução recente da inteligência artificial, ensinamos computadores a lidar melhor com sentidos que já eram relativamente fáceis de digitalizar. Câmeras transformaram imagens em dados, microfones fizeram o mesmo com sons e modelos multimodais passaram a combinar texto, imagem, áudio e vídeo. O olfato permaneceu bem mais difícil, porque um cheiro não chega ao computador como uma sequência organizada de pixels ou ondas sonoras: ele é resultado de uma mistura de moléculas presentes no ar.
Isso começa a mudar. Em junho de 2026, pesquisadores da Universidade da Califórnia em Berkeley publicaram na Science Advances um sistema compacto formado por 16 sensores de gases diferentes e algoritmos de machine learning, capaz de reconhecer padrões químicos associados a alimentos, deterioração e presença de alguns tipos de castanhas. No experimento, o sistema classificou 16 objetos ou condições com 92,6% de acurácia geral. O estudo completo está disponível na Science Advances.
O resultado é interessante pela aplicação em alimentos, mas principalmente pelo princípio envolvido. Quando sensores físicos produzem dados suficientemente ricos e um algoritmo consegue aprender seus padrões, fenômenos que antes dependiam de interpretação humana ou instrumentos laboratoriais específicos passam a ser candidatos a monitoramento automatizado.
1. Como um computador pode “sentir” um cheiro
O nariz humano possui receptores que respondem de maneira diferente às moléculas que chegam até ele. O cérebro não precisa que cada receptor reconheça exclusivamente uma substância; ele interpreta o padrão produzido pelo conjunto deles.
Os chamados narizes eletrônicos, ou electronic noses, utilizam uma ideia semelhante. Em vez de um único sensor tentando identificar perfeitamente determinada molécula, vários sensores parcialmente sensíveis reagem de formas diferentes à mistura de gases. O conjunto das respostas forma uma espécie de assinatura química, que depois pode ser analisada por métodos estatísticos ou machine learning. Uma revisão publicada em 2026 na npj Robotics descreve justamente essa combinação entre arrays de sensores e algoritmos de reconhecimento de padrões como a base dos sistemas modernos de olfato artificial. A revisão está disponível na Nature.
No projeto de Berkeley, os pesquisadores construíram um chip monolítico com 16 elementos de detecção, cada um revestido por um material diferente. Os dispositivos utilizam transistores baseados em nanotubos de carbono, cuja resposta elétrica muda quando moléculas de gases interagem com sua superfície. O resultado não é uma descrição do tipo “há exatamente X partes por milhão desta substância”, mas um conjunto de sinais elétricos que pode ser usado como entrada para um classificador.
É nesse ponto que entra o machine learning. O algoritmo aprende quais combinações de respostas costumam aparecer diante de determinados alimentos ou condições e posteriormente tenta reconhecer o mesmo padrão em novas amostras.
2. O experimento com alimentos
Os pesquisadores treinaram o sistema com sete alimentos — morango, blueberry, banana, noz, avelã, castanha-de-caju e amendoim — e também com frango cru, leite e ovos em diferentes condições de conservação. Para esses últimos, foram avaliadas amostras frescas e amostras mantidas à temperatura ambiente durante 24 e 48 horas.
O sistema também demonstrou sensibilidade suficiente para detectar 0,05 grama de noz isolada, aproximadamente um centésimo de uma noz sem casca, segundo Berkeley. Essa parte do resultado é especialmente interessante para aplicações relacionadas a alérgenos, mas há uma limitação importante: os pesquisadores ainda não haviam demonstrado o mesmo desempenho quando o ingrediente está misturado a outros alimentos, como uma noz presente em um bolo ou uma salada.
Essa distinção importa porque ambientes reais são muito mais difíceis do que uma bancada experimental. Uma geladeira contém diferentes alimentos emitindo compostos ao mesmo tempo; uma fábrica apresenta mudanças de temperatura e umidade; e um galpão industrial pode conter gases provenientes de várias fontes.
Portanto, o estudo demonstra uma tecnologia promissora e uma abordagem de fabricação mais escalável, mas não uma geladeira comercial capaz de identificar qualquer alimento estragado em qualquer situação.
3. Por que machine learning faz diferença nesse problema
Sensores de gases existem há décadas. Detectores de monóxido de carbono são provavelmente o exemplo doméstico mais conhecido. A dificuldade aumenta quando o objetivo deixa de ser detectar a presença de um gás específico e passa a ser reconhecer misturas complexas.
Dois alimentos podem emitir vários compostos em comum, e a resposta de um sensor também pode variar em função de concentração, temperatura e umidade. Em vez de procurar um único sinal perfeito, um sistema de olfato artificial pode analisar o comportamento simultâneo de vários sensores.
É um problema semelhante ao que encontramos em outras aplicações de machine learning: individualmente, cada variável oferece pouca informação, mas a combinação delas pode formar um padrão útil.
Pesquisas recentes sobre alimentos já utilizam essa abordagem para reconhecer aromas, identificar deterioração, diferenciar produtos e analisar características químicas. Uma revisão publicada em 2026 na npj Science of Food aponta o uso combinado de narizes eletrônicos e machine learning em classificação de bebidas, acompanhamento de processos de fermentação e reconhecimento de compostos relacionados à deterioração. Veja a revisão na Nature.
Esse princípio ajuda a entender por que a tecnologia pode ir muito além da cozinha.
4. De uma geladeira para a cadeia de alimentos
Uma das aplicações mais óbvias está no monitoramento da qualidade de alimentos durante armazenamento, transporte e venda.
Hoje, uma parcela relevante desse controle depende de temperatura, prazo de validade, inspeção visual e amostragens. Esses indicadores continuam importantes, mas não medem diretamente todas as transformações químicas que acontecem no produto.
Sensores capazes de identificar padrões de compostos voláteis poderiam acrescentar outra fonte de informação. Em vez de saber apenas que determinada caixa de alimentos permaneceu cinco horas em determinada temperatura, seria possível, em alguns cenários, monitorar sinais associados ao próprio processo de deterioração.
A aplicação poderia aparecer em câmaras frigoríficas, centros de distribuição, supermercados, restaurantes ou embalagens e equipamentos inteligentes. A própria pesquisadora responsável pelo estudo de Berkeley cita geladeiras inteligentes como uma possível aplicação futura do dispositivo.
Há também uma oportunidade na verificação de autenticidade e composição dos produtos. Estudos anteriores já demonstraram narizes eletrônicos portáteis para diferenciação de produtos alimentícios, enquanto uma pesquisa de 2025 utilizou sensores de gases e machine learning para detectar adulteração de mel a partir de sua assinatura de compostos voláteis. O estudo sobre adulteração de mel foi publicado na npj Science of Food.
Ainda há uma distância considerável entre bons resultados experimentais e sensores baratos distribuídos por toda a cadeia logística, mas a direção tecnológica é clara: qualidade pode ser monitorada por uma combinação cada vez maior de sinais.
5. Na indústria, cheiro pode significar vazamento ou processo fora do normal
A mesma arquitetura pode ser aplicada quando os gases não vêm de alimentos.
Em ambientes industriais, compostos voláteis podem indicar vazamentos, alterações em processos químicos, combustão, fermentação, degradação de materiais ou condições ambientais inadequadas. O desafio continua sendo distinguir uma assinatura relevante em meio a outros gases e interferências.
A revisão publicada na npj Robotics em janeiro de 2026 trata a identificação de vazamentos de gases, o monitoramento ambiental e a localização de fontes químicas como aplicações importantes do olfato robótico. Nesse caso, o problema fica ainda mais interessante porque o sensor pode ser instalado em um robô móvel ou drone que não apenas detecta determinada assinatura química, mas procura sua origem.
Isso muda o uso da tecnologia. Um sensor fixo informa que determinado gás ultrapassou um limite no ponto em que está instalado. Uma plataforma móvel equipada com vários sensores pode, em princípio, utilizar a intensidade e a distribuição dos gases para percorrer o ambiente em busca da origem da emissão.
A mesma revisão descreve aplicações estudadas em busca e resgate, identificação de vazamentos tóxicos e monitoramento de deterioração de alimentos. Esses sistemas combinam sensores químicos com modelos de dispersão, movimento do ar e algoritmos de localização da fonte.
6. Agricultura e monitoramento ambiental também entram nessa história
Ambientes agropecuários apresentam outro conjunto de problemas adequados a esse tipo de sensoriamento. Amônia, metano, sulfeto de hidrogênio e outros gases podem estar presentes simultaneamente, o que torna a medição seletiva mais difícil.
Um estudo publicado em 2025 na Scientific Reports combinou diferentes sensores e uma rede neural para medir amônia em ambientes com gases interferentes associados à agricultura. O modelo reportou 91,7% de acurácia no ambiente de gases mistos utilizado no experimento, mostrando como a combinação entre materiais sensores e análise algorítmica pode melhorar a seletividade. Leia a pesquisa na Scientific Reports.
Essa classe de tecnologia pode ser útil em instalações pecuárias, compostagem, armazenamento, monitoramento de qualidade do ar e outras operações em que alterações químicas do ambiente carregam informação operacional.
O princípio permanece praticamente o mesmo utilizado no experimento dos alimentos: sensores produzem respostas imperfeitas e parcialmente sobrepostas; o algoritmo procura padrões no conjunto.
7. O desafio não está apenas na inteligência artificial
É fácil olhar para uma acurácia superior a 90% e imaginar que o problema está perto de resolvido. A realidade dos sensores físicos é mais complicada.
Um dos principais problemas é o drift, a mudança gradual da resposta dos sensores ao longo do tempo. O material pode envelhecer, sofrer exposição a determinadas substâncias ou reagir de forma diferente conforme temperatura e umidade. Dessa forma, um classificador treinado hoje pode receber sinais ligeiramente diferentes do mesmo equipamento meses depois.
Um trabalho publicado em 2025 na Scientific Data acompanhou durante um ano um nariz eletrônico comercial com 62 sensores de óxido metálico justamente para produzir um conjunto de dados sobre esse fenômeno. Os pesquisadores destacam o drift como um dos principais desafios históricos para repetibilidade e reprodutibilidade de sistemas de olfato eletrônico. O dataset e o estudo estão disponíveis na Nature.
Além disso, existem problemas de calibração, consumo de energia, concentração mínima detectável, interferência entre gases, fluxo de ar e fabricação consistente dos sensores.
É um bom lembrete de que aplicações de IA ligadas ao mundo físico dependem tanto da qualidade do sensor e da engenharia do dispositivo quanto do algoritmo utilizado para interpretar os dados.
8. A próxima fronteira da IA pode ser aumentar a quantidade de coisas que conseguimos medir
A parte mais interessante dos narizes eletrônicos talvez não seja imaginar uma geladeira conversando com seu dono. Ela está na possibilidade de transformar fenômenos químicos do ambiente em dados contínuos e utilizáveis por sistemas computacionais.
Foi isso que aconteceu anteriormente com imagens, áudio, localização e movimento. À medida que sensores ficaram baratos e disponíveis, surgiram aplicações que dependiam menos de avanços isolados no algoritmo e mais da combinação entre hardware, dados e software.
O olfato artificial ainda enfrenta problemas importantes de estabilidade e generalização, mas a pesquisa de Berkeley mostra uma direção relevante: sensores diferentes podem ser integrados em um chip compacto, gerar assinaturas químicas e utilizar machine learning para reconhecer objetos e condições a partir delas.
Isso abre possibilidades bastante concretas em alimentos, indústria, agricultura, logística, robótica e monitoramento ambiental. Em todos esses casos, o benefício não está em imitar o nariz humano por curiosidade, mas em medir continuamente aquilo que hoje percebemos de forma limitada, subjetiva ou apenas por amostragem.
No artigo sobre como a IA está tentando entender se um cachorro está feliz, vimos algo parecido com visão computacional: a tecnologia se torna interessante quando permite transformar sinais difíceis de acompanhar manualmente em dados analisáveis. O olfato artificial leva essa mesma lógica para uma dimensão que os computadores, até agora, exploraram muito menos.
Talvez a próxima grande evolução da IA não venha apenas de modelos que raciocinam melhor sobre os dados disponíveis, mas também de máquinas capazes de perceber uma parte maior do mundo ao redor delas.
Perguntas frequentes
O que é um nariz eletrônico?
Um nariz eletrônico é um sistema que utiliza sensores químicos ou de gases para captar diferentes respostas a substâncias presentes no ar. Algoritmos analisam o padrão produzido pelos sensores para classificar gases, odores, produtos ou condições.
Como a inteligência artificial consegue identificar cheiros?
A IA não sente o cheiro diretamente. Sensores transformam interações químicas em sinais elétricos e um modelo de machine learning aprende quais combinações desses sinais estão associadas às categorias utilizadas durante o treinamento.
Narizes eletrônicos já conseguem identificar alimentos estragados?
Há resultados experimentais promissores. Em 2026, pesquisadores de Berkeley demonstraram um chip com 16 sensores capaz de diferenciar alimentos e condições de deterioração dentro do conjunto testado, mas o dispositivo ainda é uma prova de conceito e precisa ser validado em ambientes mais complexos.
Onde narizes eletrônicos podem ser usados?
As pesquisas atuais incluem aplicações em alimentos, agricultura, monitoramento ambiental, detecção de gases, robótica e busca por fontes químicas.
Qual é a principal limitação dos sensores de cheiro?
Não existe uma única limitação. Entre os desafios estão interferência entre gases, temperatura, umidade, calibração e drift dos sensores ao longo do tempo.
Referências
- Science Advances — Scalable multiplexed machine learning gas sensor chips for food classification
- UC Berkeley — The nose knows: Electric schnoz can smell when your food’s gone bad
- npj Robotics — Advanced electronic noses for future robotic olfaction
- Scientific Data — Long-term drift behavior in metal oxide gas sensor arrays
- npj Science of Food — Machine learning unveils three layers of food complexity
- Scientific Reports — Enhanced Selectivity Electronic Nose Systems for Agricultural Ammonia Gas Detection
- npj Science of Food — Rapid detection of honey adulteration using machine learning and gas sensing
