Et sted i et laboratorium som ikke ligner noe på en parfymers studio, uten et orgel stablet med hundrevis av brune flasker, uten teststrimler som sprer seg over et skrivebord som en papirpåfugl, uten et flekket lærforkle hengende på en krok bak døren, komponerer en maskin en duft. Maskinen lukter ingenting. Den har ingen nese. Den har ingen mening om hvorvidt vetiver passer godt med grapefrukt, ingen instinkt om en komposisjon trenger mer løft i toppen eller mer varme i bunnen. Den har data. Den har omtrent fire hundre tusen formler fra det siste århundret, digitalisert og merket med forbrukerpanelpoeng, salgstall, regionale preferanser og molekylære beskrivelser. Den har en algoritme trent til å identifisere statistiske korrelasjoner mellom spesifikke ingredienskombinasjoner og spesifikke forbrukerutfall, kjøpsintensjon, oppfattet kvalitet, emosjonell assosiasjon, sannsynlighet for gjenkjøp. Og den har fått i oppgave å produsere en formel som, etter alle målbare standarder, vil være optimal.
11 min lesing
Den vil lykkes. Formelen den produserer vil score godt i forbrukerpaneler. Den vil teste positivt på tvers av flere demografier. Den vil ikke støte noen. Den vil ikke forvirre noen. Den vil innta et komfortabelt, godt befolket område i den olfaktoriske sfæren, den typen territorium som industrien kaller "kommersiell sweet spot" og som alle med en fungerende nese kaller "velkjent." Den vil lukte, etter vurderingen til de fleste som møter den, helt greit.
Spørsmålet er om "helt greit" er parfymekunst.
Maskinlæring i industriell skala innen duft
Bruken av maskinlæring i utvikling av dufter er ikke spekulativ. Det skjer nå, i industriell skala, i forskningsavdelingene til verdens største duft- og smaksfirmaer. Teknologien varierer i sofistikasjon, noen systemer er relativt enkle prediktive modeller som foreslår ingrediensutskiftninger basert på kostnad og tilgjengelighet; andre er dype nevrale nettverk trent på tiår med proprietære formeldata, men den underliggende logikken er den samme i alle tilfeller. Mat maskinen et stort korpus av eksisterende formler koblet med forbrukerresponsdata. La maskinen lære de statistiske sammenhengene mellom molekylær sammensetning og menneskelig preferanse. Be deretter maskinen generere nye formler som maksimerer sannsynligheten for et ønsket forbrukerutfall.
Dette er i essens regresjonsanalyse anvendt på parfymekunst. Det er ikke, i noen meningsfull forstand, skapelse.
Skillet er viktig, og presisjon om hvorfor er nødvendig. Regresjonsanalyse, den matematiske teknikken i kjernen av de fleste maskinlæringsmetoder, finner den beste tilpasningslinjen gjennom en sky av datapunkter. Den identifiserer den sentrale tendensen. Den forteller deg hvor gjennomsnittet er. Dette er enormt nyttig for mange anvendelser. Hvis du vil forutsi boligpriser, forbrukeradferd, sykdomsforløp eller valgresultater, forteller det mye å vite hvor gjennomsnittet ligger. Men parfymekunst er ikke et prediksjonsproblem. Det er, eller har i det minste historisk vært, et kreativt problem. Og kreative problemer løses ikke ved å finne sentrum. De løses ved å finne kanten.
Hver duft som virkelig har endret industrien, hver komposisjon som i ettertid definerte en epoke eller åpnet en ny kategori, gjorde det ved å avvike fra tidens konsensus. Den første moderne fougere var ikke hva noen forventet at en herreduft skulle lukte i 1882. Den første store aldehydblomsten var ikke hva noen forventet at en dameduft skulle lukte på 1920-tallet. Den første dihydromyrcenol- og hedione-friske maskuline duften var ikke hva noen forventet fra en herreduft på 1980-tallet. Den første rene hud-musk-molekylen var ikke hva noen forventet fra noen duft tidlig på 2000-tallet. I hvert tilfelle lyktes komposisjonen ikke fordi den matchet eksisterende preferanser, men fordi den skapte nye. Den fant ikke sentrum. Den flyttet sentrum.
En algoritme trent på historiske data kan ikke, ved konstruksjon, flytte sentrum. Den kan bare finne det. Den kan finne det med kirurgisk presisjon, og den kan generere formler som inntar sweet spot med en effektivitet ingen menneskelig parfymør kan matche. Men å innta sweet spot er ikke innovasjon. Det er optimalisering. Og parfymens historie antyder at optimalisering og innovasjon ikke er det samme, og faktisk kan være motstridende.
Menneskelige parfymører som biologiske nevrale nettverk
Et motargument, og det fortjener seriøs vurdering. Motargumentet går slik: menneskelige parfymører er også, på en måte, algoritmer. De er biologiske nevrale nettverk trent på et korpus av olfaktoriske data, alt de har luktet, hver formel de har studert, hver forbrukerrespons de har observert gjennom en karriere. Deres kreative prosess er ikke, som romantikere liker å forestille seg, et inspirasjonsglimt fra musa. Det er mønstergjenkjenning, rekombinasjon og iterativ forbedring. Parfymøren sitter ved orgelet, velger materialer basert på erfaring og intuisjon, blander en prøveformel, evaluerer den, justerer, evaluerer igjen. Prosessen er empirisk, ikke mystisk. Hvis en maskin kan utføre de samme operasjonene raskere og mer systematisk, hva er da tapt?
Det som tapes, er feilen.
Dette høres paradoksalt ut, så la meg være spesifikk. Menneskelige parfymører gjør feil. De overdoserer en ingrediens og oppdager at overdosen skaper en effekt de ikke hadde til hensikt og ikke kunne forutsi. De forurenser ved et uhell en prøvebatch og finner at forurensningen tilfører noe interessant. Historien om syntetiske gjennombrudd i parfymekunst er full av slike lykkelige sammenstøt. De misforstår sine egne notater og kombinerer materialer de ikke mente å kombinere, og resultatet er bedre enn planlagt. Parfymens historie er full av slike uhell, komposisjoner som skylder sin karakter ikke til bevisst design, men til en uplanlagt kollisjon av materialer som en mer forsiktig prosess ville ha forhindret.
En algoritme gjør ikke disse feilene. En algoritme gjør nøyaktig det den blir bedt om. Den optimaliserer mål-funksjonen. Den følger gradienten. Den vandrer ikke inn i ukjent territorium ved et uhell, fordi den vandrer ikke i det hele tatt. Den beveger seg, med matematisk presisjon, mot optimum. Og optimum, definert av forbrukerpaneldata, er alltid sentrum. Gjennomsnittet. Konsensus.
Den kreative potensialen i feil er ikke en romantisk forestilling. Det er et veldokumentert fenomen i alle kreative felt. Biologen som oppdager penicillin på grunn av en forurenset petriskål. Fysikeren som oppdager kosmisk bakgrunnsstråling på grunn av uforklarlig støy i en antenne. Musikeren som oppdager et nytt harmonisk språk fordi en streng brøt midt i en opptreden og tvang fram en improvisasjon. Dette er ikke apokryfe historier fortalt for å trøste uheldige. Det er dokumenterte tilfeller av et generelt prinsipp: kreative gjennombrudd oppstår ofte i avvik fra planen, og systemer designet for å eliminere avvik vil, ved konstruksjon, også eliminere muligheten for gjennombrudd.
Forbrukerpaneldata og preferansens natur
En annen, mer filosofisk innvending mot datadrevet parfymekunst, og den handler om selve naturen av preferanse.
Forbrukerpaneldata, dataene som disse algoritmene trenes på, måler uttalt preferanse. Den registrerer hva folk sier de liker når de blir spurt. Men uttalt preferanse og faktisk preferanse er ikke det samme. Uttalt preferanse er konservativ. Når folk blir bedt om å velge mellom det kjente og det ukjente, velger de fleste, i de fleste sammenhenger, det kjente. Dette er ikke dumhet. Det er en veldokumentert kognitiv skjevhet, eksponeringseffekten, først beskrevet av psykologen Robert Zajonc i en banebrytende artikkel i Journal of Personality and Social Psychology i 1968, og den virker sterkt i olfaktorisk evaluering, hvor fraværet av et delt vokabular gjør det spesielt vanskelig for forbrukere å uttrykke hvorfor de liker eller misliker noe. Stilt overfor en duft som er genuint ny, som ikke passer inn i noen eksisterende kategori, som forvirrer og fascinerer i like stor grad, vil et forbrukerpanel oftere enn ikke gi den lav score. Ikke fordi duften er dårlig, men fordi panelet mangler rammeverket for å evaluere den.
En algoritme trent på forbrukerpaneldata arver denne konservatismen. Den lærer at nyhet er risikabelt og kjennskap er trygt. Den lærer at de duftene folk rangerer høyest er de som mest ligner på dufter de tidligere har rangert høyt. Den lærer, kort sagt, den mest grunnleggende læren i forbrukerforskning: folk liker det de allerede liker. Og den optimaliserer deretter.
Resultatet er en maskin som er usedvanlig god til å produsere det industrien kaller "sikre valg", dufter som ikke vil feile, som vil oppnå et minimum av kommersiell levedyktighet, som ikke vil overraske, forstyrre eller utfordre noen som lukter dem. Disse duftene vil selge. Noen av dem vil selge veldig godt. Men de vil ikke endre industrien, fordi å endre industrien krever å produsere noe som forbrukerpaneler ikke vet hvordan de skal score. Komposisjonene som endret parfymekunsten var alle, i øyeblikket de ble skapt, overraskelser. De var ting ingen hadde bedt om, ting som ikke scoret godt i foreløpige tester, ting som lyktes ikke fordi dataene sa det, men fordi en enkelt person, en parfymør, en kreativ leder, en entreprenør, trodde på dem til tross for dataene.
En algoritme kan ikke tro på noe til tross for dataene. Å tro til tross for dataene er det eneste en algoritme konstitusjonelt ikke kan gjøre. En algoritme følger dataene. Det er dens dyd og dens begrensning. Og i et felt hvor de viktigste beslutningene er de som motsier dataene, hvor hele historien om kreativ fremgang er en historie om folk som ignorerer konsensus og får rett, er denne begrensningen ikke liten. Den er grunnleggende.
Hvor AI hører hjemme og hvor den ikke gjør det
La meg være tydelig på hva jeg ikke argumenterer for. Jeg argumenterer ikke for at kunstig intelligens ikke har en rolle i parfymekunst. Den har åpenbare og verdifulle bruksområder. Den kan akselerere reformuleringsprosessen når en regulatorisk endring tvinger fjerning av en begrenset ingrediens. Den kan foreslå kostnadseffektive erstatninger som opprettholder en komposisjons karakter samtidig som prisen reduseres. Den kan analysere store datasett med forbrukerfeedback og identifisere trender som en menneskelig analytiker kan overse. Den kan kartlegge det enorme, flerdimensjonale rommet av mulige ingredienskombinasjoner og fremheve områder som menneskelige parfymører ennå ikke har utforsket, på samme måte som gasskromatografi en gang avkodet formler som tidligere var låst i handelshemmeligheter. Dette er nyttige funksjoner. De sparer tid, reduserer kostnader og utvider parfymørens verktøykasse. Ingen seriøs person protesterer mot dem.
Det jeg argumenterer for, er at dette alle er optimaliseringsfunksjoner. De gjør eksisterende prosesser mer effektive. De skaper ikke. Skillet mellom å optimalisere og å skape er ikke semantisk. Det er skillet mellom å finne den beste ruten gjennom et kjent landskap og å oppdage at landskapet strekker seg utover sine kjente grenser. Maskinlæring utmerker seg på det første. Den er strukturelt ute av stand til det siste, fordi det siste krever, per definisjon, å gå utover dataene, og maskinlæring er, per definisjon, en metode for å trekke ut mønstre fra data.
Dufteindustriens entusiasme for datadrevne verktøy er forståelig. Økonomien i moderne parfymekunst er brutal. Den gjennomsnittlige utviklingstiden for en kommersiell duft har blitt komprimert fra år til måneder. Briefene er strammere. Budsjett er mindre. Kostnaden ved feil er høyere. I dette miljøet er et verktøy som kan redusere antall iterasjoner som trengs for å nå en akseptabel formel, enormt verdifullt. Men "akseptabel" gjør mye arbeid i den setningen. En akseptabel formel er en som møter briefen, scorer tilstrekkelig i testing, og ikke overskrider kostnadstaket. En akseptabel formel er ikke et mesterverk. Den er ikke engang, i de fleste tilfeller, særlig interessant. Den er tilstrekkelig. Og tilstrekkelighet, i industriell skala, er kunstens fiende.
Konvergens mot et statistisk gjennomsnitt
Det er en siste betraktning, og den er kanskje den mest bekymringsfulle. Jo mer duftutvikling baserer seg på algoritmiske verktøy trent på forbrukerdata, desto mer vil industriens produksjon konvergere mot et statistisk gjennomsnitt. Hver ny AI-optimalisert formel vil, ved design, innta sentrum av preferansedistribusjonen. Over tid vil sentrum selv skifte, men det vil skifte sakte, fordi algoritmens output forsterker de preferansene den ble trent på. Forbrukere som gjentatte ganger eksponeres for AI-optimaliserte dufter vil utvikle preferanser formet av disse duftene, og disse preferansene vil igjen bli treningsdata for neste generasjon algoritmer. Resultatet er en tilbakemeldingssløyfe: maskinen produserer det folk liker, folk lærer å like det maskinen produserer, og maskinen produserer mer av det.
Dette er ikke et hypotetisk scenario. Det er en presis beskrivelse av hva som allerede har skjedd i andre kreative industrier som har tatt i bruk algoritmiske anbefalings- og genereringssystemer. Musikktjenester, hvis algoritmer optimaliserer for engasjement, har produsert en målbar konvergens i de soniske egenskapene til populærmusikk, høyere volum, kortere låter, mer repetisjon, med kroken tidligere og det dynamiske området smalere. Sosiale medier, hvis algoritmer optimaliserer for oppmerksomhet, har produsert en konvergens i de visuelle egenskapene til populært innhold, mer mettet, mer beskjært, mer følelsesmessig ekstremt. Algoritmen flater ikke ut landskapet med vilje. Den flater det ut som en bieffekt av å optimalisere for gjennomsnittet.
Parfymekunsten er ikke immun mot denne dynamikken. Hvis industriens utviklingspipeline blir stadig mer avhengig av AI-verktøy som optimaliserer for konsensus, er det uunngåelige resultatet en innsnevring av det olfaktoriske feltet. Ikke en innsnevring til én duft, markedet er for stort og for segmentert til det, men en innsnevring innen hvert segment. De friske maskuline vil konvergere. De søte feminine vil konvergere. De oud-orientalske vil konvergere. Hver kategori vil bli mer internt homogen, fordi algoritmen som designer hver ny utgave trenes på de samme dataene som produserte de eksisterende utgavene. Feltet vil ikke krympe til et punkt. Det vil krympe til en klynge.
Om dette betyr noe, avhenger av hva du mener parfymekunst er til for. Hvis det er en industri, en virksomhet som produserer forbruksvarer designet for å møte markedets etterspørsel, er optimalisering den riktige strategien, og konvergens er en akseptabel kostnad. Forbrukere får det de vil ha. Selskaper tjener penger. Ingen klager.
Men hvis parfymekunst også er en kunst, en kreativ disiplin hvis formål strekker seg utover å tilfredsstille eksisterende preferanser, men å avsløre nye muligheter for olfaktorisk opplevelse, er ikke konvergens en kostnad. Det er en katastrofe. For kunst, etter enhver definisjon verdt å forsvare, krever muligheten for overraskelse. Den krever muligheten for at neste komposisjon vil være noe ingen har luktet før, noe ingen datasett forutsa, noe et forbrukerpanel ville ha avvist fordi det ikke passet inn i noen eksisterende kategori.
En algoritme kan ikke produsere det. En parfymør kan. Ikke pålitelig, ikke konsekvent, ikke etter planen, ikke innen budsjett. Men av og til, uforutsigbart, mot all kommersiell logikk, vil et menneske som sitter ved et orgel omgitt av hundrevis av brune flasker kombinere materialer på en måte ingen maskin ville ha foreslått, og resultatet vil være noe genuint nytt. Noe som flytter sentrum i stedet for å innta det. Noe dataene sa ikke skulle fungere.
Disse øyeblikkene er sjeldne. De blir sjeldnere. Og hvis industrien ikke er forsiktig, vil de slutte å skje helt, ikke fordi teknologien forbyr det, men fordi økonomien ikke lenger gir rom for det. Maskinen vil komponere. Maskinen vil optimalisere. Maskinen vil produsere helt greie dufter som scorer godt i alle paneler og ikke støter noen.
Om det teller som parfymekunst, er et spørsmål maskinen ikke er utstyrt til å svare på. Det må besvares av en nese.
