향수사의 작업실과는 전혀 닮지 않은 실험실 어딘가에서, 수백 개의 갈색 병이 쌓인 오르간도, 책상 위에 부채처럼 펼쳐진 시향지도 없고, 문 뒤에 걸린 얼룩진 가죽 앞치마도 없는 곳에서 기계가 향을 조합하고 있다. 그 기계는 아무 냄새도 맡지 못한다. 코가 없다. 베티버와 자몽이 잘 어울리는지에 대한 의견도 없고, 조합에 탑 노트의 상승감이 더 필요한지 아니면 베이스의 따뜻함이 더 필요한지에 대한 본능도 없다. 그 기계는 데이터가 있다. 지난 세기 동안의 약 40만 개의 공식이 디지털화되어 소비자 패널 점수, 판매 수치, 지역별 선호도, 분자 설명자와 함께 태그되어 있다. 특정 성분 조합과 특정 소비자 반응, 구매 의도, 인지된 품질, 감정적 연관성, 재구매 가능성 간의 통계적 상관관계를 식별하도록 훈련된 알고리즘이 있다. 그리고 모든 측정 가능한 기준에서 최적이 될 공식을 만들어 달라는 요청을 받았다.
11분 읽기
그 기계는 성공할 것이다. 그것이 만들어내는 공식은 소비자 패널에서 좋은 점수를 받을 것이다. 여러 인구통계학적 그룹에서 긍정적인 평가를 받을 것이다. 누구도 불쾌하게 하지 않을 것이다. 누구도 혼란스럽게 하지 않을 것이다. 업계에서 '상업적 스위트 스폿'이라 부르는, 기능하는 코를 가진 사람이라면 '익숙한' 냄새라고 부르는 편안하고 잘 알려진 후각 공간의 영역을 차지할 것이다. 대부분의 사람들이 접했을 때, 완벽하게 괜찮은 냄새로 평가할 것이다.
문제는 '완벽하게 괜찮은' 것이 과연 향수 제작인가 하는 점이다.
향료 산업 규모의 기계 학습
향료 개발에 기계 학습을 적용하는 것은 추측이 아니다. 세계 최대 향료 및 향신료 회사들의 연구 부서에서 산업 규모로 지금 진행 중이다. 기술 수준은 다양하다. 일부 시스템은 비용과 가용성에 따라 성분 대체를 제안하는 비교적 단순한 예측 모델이고, 다른 시스템은 수십 년간의 독점 공식 데이터를 학습한 심층 신경망이다. 하지만 모든 경우에 기본 논리는 같다. 기존 공식과 소비자 반응 데이터를 대량으로 기계에 입력한다. 기계가 분자 조성과 인간 선호 간의 통계적 관계를 학습하게 한다. 그런 다음 원하는 소비자 결과의 확률을 극대화하는 새 공식을 생성하도록 요청한다.
본질적으로 이것은 향수 제작에 적용된 회귀 분석이다. 의미 있는 창작이라 할 수 없다.
이 구분은 중요하며, 그 이유에 대한 정확한 이해가 필요하다. 대부분의 기계 학습 핵심인 수학적 기법인 회귀 분석은 데이터 점들의 구름에서 최적의 적합선을 찾는다. 중심 경향을 식별한다. 평균이 어디인지 알려준다. 이는 많은 응용 분야에서 매우 유용하다. 주택 가격, 소비자 행동, 질병 경로, 선거 결과를 예측하려면 평균 위치를 아는 것이 많은 정보를 준다. 하지만 향수 제작은 예측 문제가 아니다. 적어도 역사적으로는 창의적 문제였다. 창의적 문제는 중심을 찾는 것으로 해결되지 않는다. 가장자리를 찾는 것으로 해결된다.
산업을 진정으로 바꾼 모든 향수, 되돌아보면 시대를 정의하거나 새로운 카테고리를 연 모든 조합은 당시의 합의에서 벗어남으로써 성공했다. 최초의 현대 푸제르는 1882년 당시 남성 향수가 어떤 냄새일지 아무도 예상하지 못한 것이었다. 최초의 위대한 알데히드 플로랄은 1920년대 여성 향수가 어떤 냄새일지 아무도 예상하지 못했다. 최초의 디하이드로미르세놀과 헤디온을 사용한 신선한 남성 향수는 1980년대 남성 향수에서 기대하지 않은 것이었다. 최초의 클린 스킨 머스크 분자는 2000년대 초 어떤 향수에서도 예상하지 못한 것이었다. 각 경우에서 조합이 성공한 이유는 기존 선호에 맞췄기 때문이 아니라 새로운 선호를 창조했기 때문이다. 중심을 찾은 것이 아니라 중심을 움직였다.
역사적 데이터로 훈련된 알고리즘은 구조상 중심을 움직일 수 없다. 중심만 찾을 수 있다. 외과적 정밀도로 중심을 찾고, 인간 조향사가 따라올 수 없는 효율로 스위트 스폿에 위치하는 공식을 생성할 수 있다. 하지만 스위트 스폿에 위치하는 것은 혁신이 아니다. 최적화다. 향수 역사는 최적화와 혁신이 같지 않으며, 사실 서로 반대일 수도 있음을 시사한다.
생물학적 신경망으로서의 인간 조향사
반론이 있다. 진지하게 고려할 가치가 있다. 반론은 이렇다: 인간 조향사도 일종의 알고리즘이다. 그들은 후각 데이터 집합, 즉 평생 맡아본 모든 냄새, 연구한 모든 공식, 관찰한 모든 소비자 반응을 학습한 생물학적 신경망이다. 그들의 창작 과정은 낭만주의자들이 상상하는 뮤즈로부터 내려오는 영감의 번개가 아니다. 패턴 인식, 재조합, 반복적 개선이다. 조향사는 오르간 앞에 앉아 경험과 직관에 따라 재료를 선택하고, 시제품을 블렌딩하고, 평가하고, 조정하고, 다시 평가한다. 과정은 신비적이지 않고 경험적이다. 기계가 같은 작업을 더 빠르고 체계적으로 수행할 수 있다면, 무엇이 정확히 잃는 것인가?
잃는 것은 오류다.
이것은 역설적으로 들릴 수 있으니 구체적으로 말하겠다. 인간 조향사는 실수를 한다. 성분을 과다 투여해 의도하지 않았고 예측할 수 없던 효과를 발견한다. 시제품을 우연히 오염시켜 오염물이 흥미로운 무언가를 더한다. 합성 향료 혁신의 역사는 이런 우연한 충돌로 가득하다. 자신의 노트를 잘못 읽어 의도하지 않은 재료를 섞었는데 결과가 계획보다 더 좋았다. 향수 역사는 이런 사고들로 가득하다. 의도적 설계가 아니라 더 신중한 과정이 막았을 우연한 재료 충돌 덕분에 독특한 특성을 가진 조합들이다.
알고리즘은 이런 실수를 하지 않는다. 알고리즘은 지시받은 대로만 한다. 목적 함수를 최적화한다. 경사를 따른다. 우연히 미지의 영역으로 헤매지 않는다. 전혀 헤매지 않기 때문이다. 수학적 정밀도로 최적점을 향해 움직인다. 그리고 소비자 패널 데이터로 정의된 최적점은 항상 중심이다. 평균이다. 합의다.
오류의 창의적 잠재력은 낭만적 허구가 아니다. 모든 창의적 분야에서 잘 문서화된 현상이다. 오염된 페트리 접시 덕분에 페니실린을 발견한 생물학자. 안테나의 설명할 수 없는 잡음 덕분에 우주 마이크로파 배경복사를 발견한 물리학자. 공연 중 현이 끊어져 즉흥 연주를 강요받아 새로운 화성 언어를 발견한 음악가. 이들은 사고를 격려하기 위한 전설이 아니다. 일반 원칙의 문서화된 사례다: 창의적 돌파구는 종종 계획에서 벗어난 데서 시작되며, 편차를 제거하도록 설계된 시스템은 돌파구 가능성도 제거한다.
소비자 패널 데이터와 선호의 본질
계산 향수에 대한 두 번째, 더 철학적인 반대는 선호의 본질과 관련 있다.
이 알고리즘이 학습하는 소비자 패널 데이터는 명시적 선호를 측정한다. 사람들이 좋아한다고 말하는 것을 기록한다. 하지만 명시적 선호와 실제 선호는 다르다. 명시적 선호는 보수적이다. 익숙한 것과 낯선 것 중 선택하라고 하면 대부분의 사람들은 대부분의 상황에서 익숙한 것을 선택한다. 이것은 어리석음이 아니다. 심리학자 로버트 자용츠가 1968년 Journal of Personality and Social Psychology에 발표한 획기적 논문에서 처음 기술한 '단순 노출 효과'라는 잘 문서화된 인지 편향이다. 후각 평가에서 공유된 어휘가 없기 때문에 소비자가 왜 좋아하거나 싫어하는지 설명하기 매우 어렵다. 진정으로 새롭고 기존 카테고리에 속하지 않으며 혼란스럽고 흥미로운 향수 앞에서 소비자 패널은 대개 낮은 점수를 준다. 향수가 나빠서가 아니라 평가할 틀이 없기 때문이다.
소비자 패널 데이터로 학습한 알고리즘은 이 보수성을 물려받는다. 새로움은 위험하고 익숙함은 안전하다는 것을 배운다. 사람들이 가장 높게 평가하는 향수는 이전에 높게 평가한 향수와 가장 비슷한 향수라는 것을 배운다. 요컨대 소비자 연구의 가장 근본적인 교훈을 배운다: 사람들은 이미 좋아하는 것을 좋아한다. 그리고 그에 맞춰 최적화한다.
결과는 업계가 '안전한 선택'이라 부르는 것을 매우 잘 만들어내는 기계다. 실패하지 않고, 최소한의 상업적 성공을 거두며, 냄새 맡는 사람을 놀라게 하거나 불편하게 하거나 도전하지 않는 향수다. 이런 향수는 팔릴 것이다. 그중 일부는 매우 잘 팔릴 것이다. 하지만 업계를 바꾸지는 못할 것이다. 업계를 바꾸려면 소비자 패널이 점수를 매길 줄 모르는 무언가를 만들어야 한다. 향수 역사를 바꾼 조합들은 모두 창작 당시 놀라움이었다. 아무도 요청하지 않은 것, 예비 테스트에서 좋은 점수를 받지 못한 것, 데이터가 성공을 예측하지 못했지만 조향사, 크리에이티브 디렉터, 기업가 한 사람이 데이터에도 불구하고 믿음을 가진 것들이었다.
알고리즘은 데이터에도 불구하고 믿을 수 없다. 데이터에도 불구하고 믿는 것은 알고리즘이 본질적으로 할 수 없는 유일한 일이다. 알고리즘은 데이터를 따른다. 그것이 장점이자 한계다. 그리고 가장 중요한 결정이 데이터를 거스르는 결정이고, 창의적 진보의 역사가 합의를 무시하고 옳았음을 증명한 역사인 분야에서 이 한계는 사소하지 않다. 근본적이다.
AI가 있어야 할 곳과 있어서는 안 될 곳
내가 주장하지 않는 점을 분명히 하겠다. 인공지능이 향수 제작에 역할이 없다고 말하는 것이 아니다. 분명하고 가치 있는 응용이 있다. 규제 변경으로 제한 성분을 제거해야 할 때 재조합 과정을 가속화할 수 있다. 조합의 특성을 유지하면서 가격을 낮추는 비용 효율적인 대체 성분을 제안할 수 있다. 대규모 소비자 피드백 데이터를 분석해 인간 분석가가 놓칠 수 있는 트렌드를 식별할 수 있다. 가능한 성분 조합의 방대한 다차원 공간을 매핑해 인간 조향사가 아직 탐색하지 않은 영역을 강조할 수 있다. 이는 가스 크로마토그래피가 이전에 비밀에 부쳐진 공식을 해독한 것과 유사하다. 이런 기능들은 유용하다. 시간과 비용을 절감하고 조향사의 도구를 확장한다. 진지한 사람은 이를 반대하지 않는다.
내가 주장하는 것은 이 모든 것이 최적화 기능이라는 점이다. 기존 과정을 더 효율적으로 만든다. 창조하지 않는다. 최적화와 창조의 차이는 단어의 문제가 아니다. 알려진 지형에서 최적 경로를 찾는 것과 지형이 알려진 경계를 넘어 확장되어 있음을 발견하는 것의 차이다. 기계 학습은 전자에 뛰어나다. 후자는 구조적으로 불가능하다. 후자는 정의상 데이터를 넘어서는 것이 필요하고, 기계 학습은 정의상 데이터에서 패턴을 추출하는 방법이기 때문이다.
향료 산업이 계산 도구에 열광하는 것은 이해할 만하다. 현대 향수 제작의 경제는 가혹하다. 상업용 향수 개발 평균 기간은 수년에서 수개월로 단축되었다. 브리프는 더 엄격해지고, 예산은 줄었으며, 실패 비용은 높아졌다. 이런 환경에서 허용 가능한 공식을 만드는 데 필요한 반복 횟수를 줄여주는 도구는 매우 가치 있다. 하지만 '허용 가능한'이란 문장에서 매우 중요한 역할을 한다. 허용 가능한 공식은 브리프를 충족하고 테스트에서 적절한 점수를 받고 비용 한도를 넘지 않는 공식이다. 허용 가능한 공식은 걸작이 아니다. 대부분의 경우 특별히 흥미롭지도 않다. 적절하다. 그리고 산업 규모에서 적절함은 예술의 적이다.
통계적 평균으로의 수렴
마지막으로 고려할 점이 하나 더 있다. 아마도 가장 우려스러운 점이다. 향수 개발이 소비자 데이터로 훈련된 알고리즘 도구에 점점 더 의존할수록 업계 산출물은 통계적 평균으로 수렴할 것이다. 새로 AI 최적화된 공식은 설계상 선호 분포의 중심에 위치할 것이다. 시간이 지나면서 중심 자체는 이동하겠지만 느리게 이동할 것이다. 알고리즘 산출물이 훈련받은 선호를 강화하기 때문이다. AI 최적화 향수에 반복적으로 노출된 소비자는 그 향수에 의해 형성된 선호를 갖게 되고, 그 선호는 다음 세대 알고리즘의 훈련 데이터가 된다. 결과는 피드백 루프다: 기계는 사람들이 좋아하는 것을 만들고, 사람들은 기계가 만든 것을 좋아하게 되며, 기계는 더 많이 만든다.
이것은 가설적 시나리오가 아니다. 알고리즘 추천 및 생성 시스템을 도입한 다른 창의 산업에서 이미 일어난 정확한 현상이다. 참여도를 최적화하는 음악 스트리밍 플랫폼은 인기 음악의 음향 특성에서 측정 가능한 수렴을 만들어냈다. 더 크고, 더 짧고, 더 반복적이며, 훅이 더 빨리 나오고, 다이내믹 레인지가 좁아졌다. 주목을 최적화하는 소셜 미디어 플랫폼은 인기 콘텐츠의 시각적 특성에서 수렴을 만들어냈다. 더 채도 높고, 더 잘린, 더 감정적으로 극단적인. 알고리즘은 의도적으로 지형을 평평하게 만드는 것이 아니다. 평균을 최적화하는 부작용으로 평평하게 만든다.
향수 제작도 이 동적 현상에서 자유롭지 않다. 업계 개발 파이프라인이 합의를 최적화하는 AI 도구에 점점 더 의존하게 되면, 필연적으로 후각 분야가 좁아질 것이다. 단일 향기로 좁아지는 것은 아니다. 시장이 너무 크고 세분화되어 있기 때문이다. 하지만 각 세그먼트 내에서 좁아질 것이다. 신선한 남성 향수는 수렴할 것이다. 달콤한 여성 향수는 수렴할 것이다. 우드 오리엔탈은 수렴할 것이다. 각 카테고리는 내부적으로 더 동질적이 될 것이다. 새 항목을 설계하는 알고리즘이 기존 항목을 만든 동일한 데이터로 훈련받기 때문이다. 분야가 점으로 줄어들지는 않는다. 군집으로 줄어든다.
이것이 중요한지는 향수 제작이 무엇을 위한 것인지에 달려 있다. 만약 산업, 시장 수요를 충족하는 소비재를 만드는 사업이라면 최적화가 올바른 전략이고, 수렴은 허용 가능한 비용이다. 소비자는 원하는 것을 얻고, 회사는 돈을 벌며, 아무도 불평하지 않는다.
하지만 향수 제작이 또한 예술, 기존 선호를 만족시키는 것을 넘어 새로운 후각 경험 가능성을 드러내는 창의적 분야라면 수렴은 비용이 아니라 재앙이다. 왜냐하면 어떤 정의로든 예술은 놀라움의 가능성을 필요로 하기 때문이다. 다음 조합이 아무도 맡아본 적 없는 것, 어떤 데이터 세트도 예측하지 못한 것, 어떤 소비자 패널도 기존 카테고리에 맞지 않아 거부했을 것을 만드는 가능성을 필요로 한다.
알고리즘은 그것을 만들 수 없다. 조향사는 만들 수 있다. 신뢰성 있게, 일관되게, 일정에 맞게, 예산 내에서가 아니라 가끔, 예측 불가능하게, 모든 상업적 논리에 반하여, 수백 개의 갈색 병으로 둘러싸인 오르간 앞에 앉아 기계가 제안하지 않았을 조합으로 재료를 섞고, 진정으로 새로운 무언가를 만들어낸다. 중심을 차지하는 것이 아니라 중심을 움직이는 무언가. 데이터가 작동하지 않을 것이라 말한 무언가.
그 순간들은 드물다. 점점 더 드물어지고 있다. 그리고 업계가 조심하지 않으면, 기술이 금지해서가 아니라 경제적 여유가 없어서 완전히 사라질 것이다. 기계가 조합할 것이다. 기계가 최적화할 것이다. 기계가 모든 패널에서 좋은 점수를 받고 누구도 불쾌하게 하지 않는 완벽히 괜찮은 향수를 만들어낼 것이다.
그것이 향수 제작인지 여부는 기계가 답할 수 없는 질문이다. 코가 답해야 한다.
일곱 가지 20% 농도의 엑스트레, 한 컬렉션. 디스커버리 세트에는 2ml 용량의 일곱 가지가 모두 들어 있다.
