香水調香師のスタジオとはまったく異なる実験室のどこかで、数百本の茶色い瓶が積み重なったオルガンも、紙の孔雀のように机に広がるテスターも、ドアの後ろのフックに掛かった染みだらけの革のエプロンもない場所で、機械が香りを作り出している。その機械は何も匂いを感じない。鼻もない。ベチバーとグレープフルーツが合うかどうかの意見もなければ、トップノートにもっと軽やかさが必要か、ベースにもっと温かみが必要かの本能もない。持っているのはデータだ。過去100年分のおよそ40万の処方がデジタル化され、消費者パネルの評価、販売数、地域の好み、分子記述子とともにタグ付けされている。特定の成分の組み合わせと消費者の反応、購入意欲、品質の認識、感情的な結びつき、再購入の可能性との統計的相関を特定するよう訓練されたアルゴリズムがある。そして、あらゆる測定基準で最適となる処方を作るように求められている。
11分で読めます
その機械は成功するだろう。作り出す処方は消費者パネルで高得点を獲得し、複数の人口統計層で良好なテスト結果を示す。誰も不快にさせず、誰も混乱させない。業界が「商業的なスイートスポット」と呼び、機能する鼻を持つ誰もが「馴染み深い」と呼ぶ、快適で多くの人が集まる嗅覚空間の領域を占めるだろう。ほとんどの人が出会ったときに「完璧に問題ない」と判断する香りになるだろう。
問題は、「完璧に問題ない」が香水作りと言えるかどうかだ。
香りにおける産業規模の機械学習
香りの開発に機械学習を応用することは、推測ではない。世界最大の香料・フレーバー企業の研究部門で、産業規模で現在進行中だ。技術の洗練度は様々で、比較的単純な予測モデルでコストや入手可能性に基づく成分の代替案を提案するものもあれば、数十年分の独自処方データで訓練された深層ニューラルネットワークもあるが、根底にある論理はすべて同じだ。大量の既存処方と消費者反応データを機械に与え、分子組成と人間の好みの統計的関係を学習させる。そして、望ましい消費者の反応の確率を最大化する新しい処方を生成させる。
本質的には、これは香水作りに適用された回帰分析であり、意味のある創造ではない。
この違いは重要であり、その理由を正確に理解する必要がある。機械学習の中心にある数学的手法である回帰分析は、データ点の集まりの中で最適なフィットラインを見つける。中心傾向を特定し、平均がどこにあるかを示す。これは多くの応用に非常に有用だ。住宅価格、消費者行動、病気の経過、選挙結果を予測したいなら、平均がどこにあるかを知ることは多くを教えてくれる。しかし、香水作りは予測問題ではない。少なくとも歴史的には創造的な問題であり、創造的な問題は中心を見つけることで解決されるのではなく、端を見つけることで解決される。
業界を本当に変えた香り、振り返れば時代を定義し新しいカテゴリーを開いた処方はすべて、その時代のコンセンサスから逸脱することで成功した。1882年の最初のモダンフージェールは、当時の男性用香水がどうあるべきかの期待とは異なっていた。1920年代の最初の偉大なアルデヒドフローラルは、当時の女性用香水の期待とは違っていた。1980年代の最初のジヒドロミルセノールとヘディオンを使ったフレッシュな男性用香水は、当時の男性用香水の期待とは異なっていた。2000年代初頭の最初のクリーンスキンムスク分子香料も、当時のどの香水の期待とも違っていた。いずれも、既存の好みに合致したから成功したのではなく、新しい好みを生み出したから成功した。中心を見つけたのではなく、中心を動かしたのだ。
歴史的データで訓練されたアルゴリズムは、構造上、中心を動かすことはできない。中心を見つけることしかできない。外科的な精度で中心を見つけ、どんな人間の調香師も及ばない効率でスイートスポットを占める処方を生成できる。しかし、スイートスポットを占めることは革新ではなく最適化だ。香水の歴史は、最適化と革新は同じではなく、むしろ対立することさえあることを示している。
生物学的ニューラルネットワークとしての人間の調香師
反論もあり、それは真剣に考慮されるべきだ。反論はこうだ：人間の調香師もある意味でアルゴリズムである。彼らは生物学的ニューラルネットワークであり、嗅覚データのコーパス、つまりこれまで嗅いだすべての香り、研究したすべての処方、観察したすべての消費者反応を学習している。彼らの創造的プロセスは、ロマンチックに想像されるようなミューズから降りてくるひらめきではない。パターン認識、再結合、反復的な洗練だ。調香師はオルガンの前に座り、経験と直感に基づいて素材を選び、試作処方を調合し、評価し、調整し、再評価する。このプロセスは神秘的ではなく経験的だ。もし機械が同じ操作をより速く、より体系的に行えるなら、何が失われるのか？
失われるのは「誤り」だ。
これは逆説的に聞こえるかもしれないので具体的に説明しよう。人間の調香師はミスをする。成分を過剰に使い、意図せず予測できなかった効果を発見する。試作バッチを偶然汚染し、その汚染物質が興味深い効果を加えることもある。合成香料の革新の歴史はこうした幸運な偶然に満ちている。自分のメモを誤読し、意図しなかった素材を組み合わせてしまい、その結果が計画よりも良いこともある。香水の歴史はこうした偶然の産物であふれており、慎重なプロセスなら防げたはずの素材の偶発的な衝突によって特徴が生まれた処方も多い。
アルゴリズムはこうしたミスをしない。指示されたことだけを正確に行う。目的関数を最適化し、勾配に従う。偶然に未知の領域に迷い込むことはない。数学的な精度で最適解に向かって動く。そして、消費者パネルのデータで定義された最適解は常に中心、平均、コンセンサスだ。
誤りの創造的可能性はロマンチックな幻想ではない。あらゆる創造的分野でよく知られた現象だ。汚染された培養皿からペニシリンを発見した生物学者。アンテナの説明できないノイズから宇宙背景放射を発見した物理学者。演奏中に弦が切れて即興演奏を強いられ、新しい和声言語を発見した音楽家。これらは偶然に恵まれた人を慰めるための作り話ではなく、一般原則の実例だ。創造的な突破口は計画からの逸脱に起因することが多く、逸脱を排除するよう設計されたシステムは、構造上、突破口の可能性も排除する。
消費者パネルデータと好みの本質
計算香水に対するもう一つの哲学的な反論は、好みの本質に関わる。
これらのアルゴリズムが訓練される消費者パネルデータは、表明された好みを測定する。人々が好きだと言うものを記録する。しかし、表明された好みと実際の好みは同じではない。表明された好みは保守的だ。馴染みのあるものと馴染みのないものを選ぶよう求められた場合、多くの人は多くの状況で馴染みのあるものを選ぶ。これは愚かさではない。心理学者ロバート・ザイアンスが1968年にJournal of Personality and Social Psychologyで発表した「単純接触効果」というよく知られた認知バイアスであり、共有された語彙がない嗅覚評価では特に強く働き、消費者がなぜ好きか嫌いかを説明するのが非常に難しい。真に新しい、既存のカテゴリーに当てはまらず、混乱と興味を同時に引き起こす香りに直面した消費者パネルは、多くの場合、低い評価を与える。香りが悪いからではなく、評価する枠組みがないからだ。
消費者パネルデータで訓練されたアルゴリズムはこの保守性を受け継ぐ。新奇性はリスクが高く、馴染みは安全だと学ぶ。人々が最も高く評価する香りは、以前に高く評価した香りに最も近いものだと学ぶ。要するに、消費者調査の最も基本的な教訓を学び、それに従って最適化する：人はすでに好きなものを好む。
結果として生まれるのは、業界が「安全な賭け」と呼ぶものを極めてうまく作り出す機械だ。失敗せず、最低限の商業的成功を収め、嗅いだ人を驚かせたり、不快にさせたり、挑戦したりしない香りだ。これらの香りは売れる。中には非常に売れるものもある。しかし、業界を変えることはない。業界を変えるには、消費者パネルが評価できないものを作る必要がある。香水を変えた処方はすべて、創作時点で驚きだった。誰も求めていなかったもの、予備テストで良い評価を得られなかったもの、データが成功を示さなかったが、調香師やクリエイティブディレクター、起業家の一人がデータに反して信じたものだった。
アルゴリズムはデータに反して何かを信じることはできない。データに反して信じることは、アルゴリズムが本質的にできない唯一のことだ。アルゴリズムはデータに従う。それが美点であり限界でもある。そして、最も重要な決定がデータに反するものであり、創造的進歩の歴史がコンセンサスを無視して正しかった人々の歴史である分野では、この限界は小さなものではなく根本的なものだ。
AIが適切な場所とそうでない場所
私が主張していることを明確にしよう。人工知能が香水作りに役割を持たないと言っているのではない。明らかに価値ある応用がある。規制変更で制限成分を除去しなければならない場合の処方変更の加速。価格を下げつつ処方の特徴を維持するコスト効率の良い代替案の提案。大量の消費者フィードバックデータの分析と人間の分析者が見逃す傾向の特定。可能な成分組み合わせの広大な多次元空間のマッピングと、人間の調香師がまだ探求していない領域のハイライト。かつてガスクロマトグラフィーがかつては企業秘密だった処方を解読したように。これらは有用な機能であり、時間を節約しコストを削減し、調香師のツールキットを拡張する。真剣な人はこれに反対しない。
私が主張しているのは、これらはすべて最適化機能であり、既存のプロセスをより効率的にするものであって、創造ではないということだ。最適化と創造の違いは単なる言葉の問題ではない。既知の風景の中で最良のルートを見つけることと、風景が既知の境界を超えて広がっていることを発見することの違いだ。機械学習は前者に優れている。後者は構造的に不可能だ。なぜなら後者は定義上、データを超えることを必要とし、機械学習は定義上、データからパターンを抽出する方法だからだ。
香水業界が計算ツールに熱心なのは理解できる。現代の香水作りの経済は厳しい。商業用香水の平均開発期間は数年から数ヶ月に圧縮された。ブリーフは厳しくなり、予算は小さくなり、失敗のコストは高くなった。この環境では、許容できる処方に到達するための反復回数を減らせるツールは非常に価値がある。しかし、その「許容できる」は多くを含んでいる。許容できる処方とは、ブリーフを満たし、テストで十分なスコアを獲得し、コスト上限を超えないものだ。許容できる処方は傑作ではない。多くの場合、特に面白いものでもない。十分なものだ。そして産業規模では、十分さは芸術の敵だ。
統計的平均への収束
最後にもう一つ考慮すべきことがあり、おそらく最も憂慮すべきことだ。香りの開発が消費者データで訓練されたアルゴリズムツールにますます依存するほど、業界の成果物は統計的平均に収束していく。新しいAI最適化処方は設計上、好みの分布の中心を占める。時間とともに中心は移動するが、ゆっくりだ。なぜならアルゴリズムの出力が訓練に使われた好みを強化するからだ。AI最適化された香りに繰り返し触れる消費者は、その香りに影響された好みを形成し、その好みが次世代のアルゴリズムの訓練データになる。結果はフィードバックループだ：機械は人々が好きなものを作り、人々は機械が作るものを好きになり、機械はさらにそれを作る。
これは仮説的なシナリオではない。アルゴリズムによる推薦や生成システムを採用した他の創造産業で既に起きた正確な現象の記述だ。エンゲージメントを最適化する音楽ストリーミングプラットフォームは、人気音楽の音響特性の収束をもたらした。より大音量で短く、繰り返しが多く、フックが早く現れ、ダイナミックレンジが狭まる。注意を最適化するソーシャルメディアプラットフォームは、人気コンテンツの視覚特性の収束をもたらした。より彩度が高く、トリミングが多く、感情的に極端だ。アルゴリズムは意図的に風景を平坦化するのではなく、平均を最適化する副産物として平坦化する。
香水作りもこの動態から免れない。業界の開発パイプラインがコンセンサスを最適化するAIツールにますます依存すると、嗅覚の領域は狭まる。単一の香りに狭まるわけではない。市場は大きく細分化されているからだが、各セグメント内で狭まる。フレッシュな男性用香水は収束し、甘い女性用香水は収束し、ウードのオリエンタルは収束する。各カテゴリーは内部的により均質になる。なぜなら新しいエントリーを設計するアルゴリズムは既存のエントリーを生み出した同じデータで訓練されているからだ。領域は点に縮まるのではなく、クラスターに縮まる。
これが問題かどうかは、香水作りを何のためにあると考えるかによる。もしそれが産業であり、市場の需要を満たす消費財を生み出すビジネスなら、最適化は正しい戦略であり、収束は許容できるコストだ。消費者は欲しいものを手に入れ、企業は利益を上げ、誰も文句を言わない。
しかし、香水作りが芸術でもあり、既存の好みを満たすだけでなく新しい嗅覚体験の可能性を示す創造的な分野であるなら、収束はコストではなく大惨事だ。なぜなら、守る価値のある定義によれば、芸術は驚きの可能性を必要とする。次の処方が誰も嗅いだことのないものであり、どんなデータセットも予測しなかったものであり、消費者パネルが既存のカテゴリーに合わないとして拒否したものである可能性を必要とするからだ。
アルゴリズムはそれを生み出せない。調香師は生み出せる。確実に、安定的に、予定通り、予算内でではない。しかし時折、予測不可能に、すべての商業的論理に反して、数百本の茶色い瓶に囲まれたオルガンの前に座る人間が、機械が提案しなかった方法で素材を組み合わせ、その結果が本当に新しいものになる。中心を占めるのではなく、中心を動かすもの。データがうまくいかないと言ったもの。
そうした瞬間は稀だ。ますます稀になっている。そして業界が注意しなければ、それらは完全に起こらなくなるだろう。技術がそれを禁じるのではなく、経済的理由でそれを許さなくなるからだ。機械が作曲し、機械が最適化し、機械がすべてのパネルで高得点を取り、誰も不快にさせない完璧に問題ない香りを生み出す。
それが香水作りと言えるかどうかは、機械には答えられない問いだ。答えは鼻が出すしかない。
7種類の20%のエクストレ、1つのコレクション。ディスカバリーセットには7種すべての2mlが入っている。
