Et sted i et laboratorium som ikke ligner noe som helst på et parfymerstudio — ingen orgel fylt med hundrevis av brune flasker, ingen teststrimler som vifter på et skrivebord som en papirpåfugl, ingen skinnforkle flekket og hengt på en krok bak døren — komponerer en maskin en parfyme. Maskinen lukter ingenting. Den har ikke en nese. Den har ingen mening om hvorvidt vetiver passer godt sammen med grapefrukt, ingen instinkt for om en komposisjon trenger mer letthet 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 forbrukerpanelers poeng, salgstall, regionale preferanser og molekylære beskrivelser. Den har en algoritme trent til å identifisere statistiske korrelasjoner mellom spesifikke ingredienskombinasjoner og spesifikke resultater hos forbrukeren — kjøpsintensjon, oppfattet kvalitet, emosjonell assosiasjon, sannsynlighet for gjenkjøp. Og den har fått i oppgave å produsere en formel som, etter alle målbare kriterier, vil være optimal.
12 min
Den vil lykkes. Formelen den produserer vil oppnå gode poeng i forbrukerpaneler. Den vil teste positivt på tvers av flere demografier. Den vil ikke støte noen. Den vil ikke forvirre noen. Den vil okkupere et komfortabelt og tett befolket område i den olfaktoriske rommet, den typen territorium som industrien kaller «det kommersielle likevekts-punktet» og som enhver med en fungerende nese kaller «det kjente». Den vil lukte, ifølge vurderingen til de fleste som møter den, helt perfekt.
Spørsmålet er om «helt perfekt» er parfymeri.
Anvendelsen av maskinlæring i utviklingen av parfymer er ikke spekulativ. Det skjer akkurat nå, i industriell skala, i forskningsavdelingene til de største globale parfyme- og aroma-selskapene. Teknologien varierer i sofistikasjon — noen systemer er relativt enkle prediktive modeller som foreslår ingredienssubstitusjoner 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 med et bredt korpus av eksisterende formler assosiert 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 resultat hos forbrukeren.
Dette er, i essens, regresjonsanalyse anvendt på parfymeri. Det er ikke, i noen meningsfull forstand, skapelse.
Skillet er viktig, og presisjon om årsakene er nødvendig. Regresjonsanalyse, den matematiske teknikken i kjernen av de fleste maskinlæringsmetoder, finner den beste tilpasningslinjen gjennom et datasett. Den identifiserer den sentrale trenden. Den forteller deg hvor gjennomsnittet ligger. Det er svært nyttig for mange anvendelser. Hvis du vil forutsi boligpriser, forbrukeradferd, sykdomsforløp eller valgresultater, gir det mye informasjon å kjenne gjennomsnittet. Men parfymeri er ikke et prediksjonsproblem. Det er, eller har historisk vært, et kreativt problem. Og kreative problemer løses ikke ved å finne sentrum. De løses ved å finne marginen.
Hver parfyme som virkelig har endret industrien, hver komposisjon som, i ettertid, har definert en epoke eller åpnet en ny kategori, gjorde det ved å avvike fra tidens konsensus. Den første moderne fougère var ikke det noen forventet av en herreduft i 1882. Den første store aldehydiske blomsterduften var ikke det noen forventet av en dameparfyme på 1920-tallet. Den første friske herreduften med dihydromyrcenol og hedione var ikke det noen forventet av en herreduft på 1980-tallet. Den første molekylære ren-hud-mysk var ikke det noen forventet av noen parfyme tidlig på 2000-tallet. I hvert tilfelle lyktes komposisjonen ikke fordi den samsvarte med eksisterende preferanser, men fordi den skapte nye. Den fant ikke sentrum. Den flyttet sentrum.
En algoritme trent på historiske data kan ikke, per definisjon, flytte sentrum. Den kan bare finne det. Den kan finne det med kirurgisk presisjon, og den kan generere formler som okkuperer likevektspunktet med en effektivitet ingen menneskelig parfymør kan matche. Men å okkupere likevektspunktet er ikke innovasjon. Det er optimalisering. Og parfymehistorien antyder at optimalisering og innovasjon ikke er det samme, og faktisk kan være motsetninger.
Et motargument, og det fortjener en seriøs vurdering. Motargumentet er følgende: 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 romantikerne liker å forestille seg, et nedadgående inspirasjonsglimt fra musa. Det er mønstergjenkjenning, rekombinasjon og iterativ raffinering. Parfymøren setter seg ved orgelet, velger råvarer basert på erfaring og intuisjon, blander en testformel, evaluerer, justerer, evaluerer på nytt. Prosessen er empirisk, ikke mystisk. Hvis en maskin kan utføre de samme operasjonene raskere og mer systematisk, hva går tapt, egentlig?
Det som går tapt, er feilen.
Det kan virke paradoksalt, så la oss være presise. Menneskelige parfymører gjør feil. De overdoserer en ingrediens og oppdager at overdosen skaper en effekt de ikke hadde forutsett og ikke kunne ha forutsett. De forurenser ved et uhell en testbatch og oppdager at forurensningen tilfører noe interessant. Historien om syntetiske gjennombrudd i parfymeri er full av slike lykkelige sammenstøt. De leser feil i sine egne notater og kombinerer råvarer de ikke hadde til hensikt å kombinere, og resultatet er bedre enn planlagt. Parfymehistorien er full av slike uhell — komposisjoner som har sin karakter ikke på grunn av en bevisst hensikt, men på grunn av en uventet kollisjon av råvarer som en mer forsiktig prosess ville ha forhindret.
En algoritme gjør ikke slike feil. En algoritme gjør nøyaktig det den blir bedt om. Den optimaliserer objektivfunksjonen. Den følger gradienten. Den beveger seg ikke tilfeldig inn i ukjent territorium, fordi den beveger seg ikke i det hele tatt tilfeldig. Den beveger seg, med matematisk presisjon, mot optimum. Og optimum, slik det defineres av forbrukerpaneldata, er alltid sentrum. Gjennomsnittet. Konsensus.
Det kreative potensialet i feilen er ikke en romantisk fantasi. Det er et vel dokumentert fenomen i alle kreative felt. Biologen som oppdager penicillin på grunn av en forurenset petriskål. Fysikeren som oppdager den kosmiske bakgrunnsstrålingen på grunn av en uforklarlig støy i en antenne. Musikeren som oppdager et nytt harmonisk språk fordi en streng brakk midt i konserten og tvang fram en improvisasjon. Dette er ikke apokryfe historier fortalt for å trøste klønete folk. Det er dokumenterte forekomster av et generelt prinsipp: kreative gjennombrudd kommer ofte fra avvik fra planen, og systemer designet for å eliminere avvik vil også, per definisjon, eliminere muligheten for gjennombrudd.
En annen innvending, mer filosofisk, mot datadrevet parfymeri, handler om selve naturen av preferanse.
Forbrukerpaneldataene, dataene som disse algoritmene trenes på, måler deklarert preferanse. De registrerer hva folk sier de liker når de blir spurt. Men deklarert preferanse og faktisk preferanse er ikke det samme. Deklarert 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. Det er ikke dumhet. Det er en vel dokumentert kognitiv skjevhet, eksponeringseffekten, først beskrevet av psykologen Robert Zajonc i en banebrytende artikkel i 1968 i Journal of Personality and Social Psychology, og den virker sterkt i olfaktorisk evaluering, hvor fraværet av et delt vokabular gjør det usedvanlig vanskelig for forbrukere å uttrykke hvorfor de liker eller ikke liker noe. Overfor en virkelig ny parfyme, som ikke passer inn i noen eksisterende kategori, som forvirrer og fascinerer like mye, vil et forbrukerpanel som regel gi den en lav score. Ikke fordi parfymen 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 parfymene folk gir høyest poeng er de som ligner mest på parfymer de allerede har gitt høye poeng. Den lærer, med andre ord, den mest grunnleggende leksen i forbrukerforskning: folk liker det de allerede liker. Og den optimaliserer deretter.
Resultatet er en maskin som er overlegen til å produsere det industrien kaller «sikre kort» — parfymer som ikke vil feile, som vil oppnå et minimum av kommersiell levedyktighet, som ikke vil overraske, forstyrre eller utfordre noen som lukter dem. Disse parfymer vil selge. Noen 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 har endret parfymeriet var alle, på tidspunktet for deres skapelse, overraskelser. De var ting ingen hadde bedt om, ting som ikke scoret godt i tidlige tester, ting som lyktes ikke fordi dataene sa de ville, men fordi én 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 data. Å tro til tross for data er det eneste en algoritme per definisjon ikke kan gjøre. En algoritme følger data. Det er dens styrke og dens begrensning. Og i et felt hvor de viktigste beslutningene er de som motsier data, hvor hele historien om kreativ fremgang er en historie om folk som ignorerer konsensus og har rett, er denne begrensningen ikke ubetydelig. Den er grunnleggende.
La oss være klare på hva jeg ikke hevder. Jeg hevder ikke at kunstig intelligens ikke har noen rolle i parfymeri. Den har åpenbare og verdifulle anvendelser. Den kan akselerere reformuleringsprosessen når en regulatorisk endring krever fjerning av en begrenset ingrediens. Den kan foreslå økonomiske substitusjoner som opprettholder karakteren til en komposisjon samtidig som prisen reduseres. Den kan analysere store datasett med forbrukerrespons og identifisere trender en menneskelig analytiker kan overse. Den kan kartlegge det omfattende flerdimensjonale rommet av mulige ingredienskombinasjoner og belyse områder som menneskelige parfymører ennå ikke har utforsket, på samme måte som gasskromatografi en gang avkodet formler som tidligere var låst i forretningshemmeligheter. Dette er nyttige funksjoner. De sparer tid, reduserer kostnader og utvider parfymørens verktøykasse. Ingen seriøs person er imot det.
Det jeg hevder, 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 i det første. Den er strukturelt ute av stand til det andre, fordi det andre krever, per definisjon, å gå utover dataene, og maskinlæring er, per definisjon, en metode for å trekke ut mønstre fra data.
Industrien sin entusiasme for dataverktøy er forståelig. Økonomien i moderne parfymeri er brutal. Gjennomsnittlig utviklingstid for en kommersiell parfyme er komprimert fra år til måneder. Briefene er strammere. Budsjett mindre. Kostnaden ved feil høyere. I dette miljøet er et verktøy som kan redusere antall iterasjoner for å nå en akseptabel formel enormt verdifullt. Men «akseptabel» gjør mye arbeid i denne setningen. En akseptabel formel er en som møter briefen, oppnår en tilstrekkelig score i test 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.
Det er en siste betraktning, og det er kanskje den mest foruroligende. Jo mer parfymeutviklingen baseres på algoritmiske verktøy trent på forbrukerdata, jo mer vil industriproduksjonen konvergere mot et statistisk gjennomsnitt. Hver ny formel optimalisert av AI vil, per design, okkupere sentrum av preferansefordelingen. Over tid vil sentrum selv bevege seg, men sakte, fordi algoritmens produksjon forsterker de samme preferansene den ble trent på. Forbrukere som gjentatte ganger eksponeres for AI-optimaliserte parfymer vil utvikle preferanser formet av disse parfymene, 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 nøyaktig 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 lydkarakteristikker for populærmusikk — høyere volum, kortere låter, mer repetisjon, med refreng som kommer tidligere og dynamikkområdet som krymper. Sosiale medieplattformer, hvis algoritmer optimaliserer for oppmerksomhet, har produsert en konvergens i visuelle kjennetegn ved populært innhold — mer mettet, mer beskjært, mer følelsesmessig ekstremt. Algoritmen flater ikke landskapet bevisst. Den flater det som en bivirkning av optimalisering for gjennomsnittet.
Parfymeri er ikke immun mot denne dynamikken. Hvis industrien sin 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 parfyme — markedet er for stort og segmentert for det — men en innsnevring innenfor hvert segment. Friske herredufter vil konvergere. Søte dameparfymer vil konvergere. Orientalske oud-parfymer vil konvergere. Hver kategori vil bli mer homogen internt, fordi algoritmen som designer hver ny utgave er trent på de samme dataene som produserte de eksisterende utgavene. Feltet vil ikke krympe til et punkt. Det vil krympe til en aggregering.
Om dette betyr noe, avhenger av hva du mener parfymeri er til for. Hvis det er en industri, en handel som produserer forbruksvarer designet for å møte markedets etterspørsel, er optimalisering den riktige strategien, og konvergens er en akseptabel kostnad. Forbrukerne får det de vil ha. Bedriftene tjener penger. Ingen klager.
Men hvis parfymeri også er en kunst, en kreativ disiplin med et mål som strekker seg utover å tilfredsstille eksisterende preferanser for å avsløre nye muligheter for olfaktorisk opplevelse, er ikke konvergens en kostnad. Det er en katastrofe. For kunst, etter enhver verdig definisjon, krever muligheten for overraskelse. Den krever muligheten for at neste komposisjon er noe ingen har luktet før, noe ingen datasett har forutsett, noe et forbrukerpanel ville avvist fordi det ikke passet inn i noen eksisterende kategori.
En algoritme kan ikke produsere dette. En parfymør kan. Ikke pålitelig, ikke konsekvent, ikke innen tidsfrister, 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 råvarer på en måte ingen maskin ville ha foreslått, og resultatet vil være noe virkelig nytt. Noe som flytter sentrum i stedet for å okkupere det. Noe dataene sa ikke skulle fungere.
Disse øyeblikkene er sjeldne. De blir sjeldnere. Og hvis industrien ikke passer på, vil de slutte å skje helt — ikke fordi teknologien forbyr det, men fordi økonomien ikke lenger gir rom for dem. Maskinen vil komponere. Maskinen vil optimalisere. Maskinen vil produsere parfymer som lukter helt perfekt, som scorer godt i hvert panel og ikke støter noen.
Om dette teller som parfymeri er et spørsmål maskinen ikke er utstyrt til å avgjøre. Det må være en nese som svarer.
