云計算和物聯網（IoT）的最新進展已為我們開辟了“大數據”的優勢，使他們能夠分析源源不斷的信息流。

但這些進步如何影響光譜領域？我所在的Optionline這樣的創新型公司正在這些方面處于領先地位。我們通過對各種物質進行數據分析的SMART技術（如下圖）將近紅外（NIR）光譜儀連接到IoT。例如，通過快速確定物質的化學成分，可以幫助制藥行業的人員確保質量控制。

今天的NIR技術分析和區分數據集的功能，而非深入研究化學分析。這意味著NIR光譜范圍內的簡單循序掃讀涉及數據點的大量流入。通常，信號被分解成數百個預測變量，這些變量通過復雜算法進行反饋，以預測類別或量化特定內容。近紅外光譜使人們能夠通過將化學信息轉化為數字來獲得材料智能，從而可以輕松地轉換、傳輸和翻譯化學信息。

當然這是“說起來容易做起來難”。NIR光譜是樣品中分子振動的結果，因此影響從樣品反射的光輻射。

通常，信號響應不是特定于特定材料，而是每組的響應相加，從而提供光譜讀數的低特異性。信號也是自動相關的，使得信號分解成為一項艱巨任務。一種稱為化學計量學的全新科學已出現，并且極其關注創建用于處理這些復雜數據的分析工具。

雖然使用NIR光的化學配方的鑒定可能已存在多年，但目前可用的NIR技術的便利性、流動性和可負擔性仍然可解決當今的問題。我們使用光譜匹配技術可以評估樣本中可能存在的內容，或者不太可能存在的內容。這更接近于篩選樣品與化學分析，這實質上意味著情報收集。換句話說，我們不是想回答那里存在什么內容，而是想回答樣本中可能存在什么。能夠將問題精簡至一些可能的項目可能是定義最佳響應的重要步驟。

基于靈活的TIDLP? NIRscan?納米評估模塊（EVM）和使用DLP2010NIR芯片組的Optionline解決方案，通過減少系統尺寸，并使其比先前的NIR光譜解決方案更實惠將NIR光譜儀從實驗室轉移到實地。事實上，由于采用DLP技術，便攜式材料分析現在真正可能脫離傳統分析實驗室環境，而轉向農場和倉庫等場合。

Optionline的方法在這個方向上采取了兩條不同的途徑。一個是為數千種相關物質建立可靠的光譜特征數據庫，主要涉及食品、藥品和危險物質。

我們還在努力提供在線實時分析，以實現快速周轉響應。這意味著簡化讀數，并將機器人工智能與人類智能相結合。

通常，如果我們知道要尋找什么，并以相同的方式對其進行比較，則可在短短幾秒鐘內篩選出幾十種物質的清單。雖然機器可將范圍從幾十個候選方案減少到幾個，但我們仍然需要人工智能獲得它們。

在仍然使用的最古老的篩選措施中，當“大數據”、物聯網、近紅外新技術這些所有元素集成時，其與嗅探犬有更多的共同之處。新舊不重要。有用才是王道。

審核編輯：何安