Någonstans i ett laboratorium som inte alls liknar en parfymörs studio, inget orgel med hundratals bruna flaskor staplade, inga doftprover som fläktar ut över ett skrivbord som en papperspåfågel, inget fläckigt läderförkläde hängande på en krok bakom dörren, komponerar en maskin en doft. Maskinen luktar ingenting. Den har ingen näsa. Den har ingen åsikt om huruvida vetiver passar bra med grapefrukt, ingen instinkt om en komposition behöver mer lyft i toppen eller mer värme i basen. Den har data. Den har ungefär fyrahundratusen formler från det senaste århundradet, digitaliserade och taggade med konsumentpanelers betyg, försäljningssiffror, regionala preferenser och molekylära beskrivningar. Den har en algoritm tränad för att identifiera statistiska korrelationer mellan specifika ingredienskombinationer och specifika konsumentutfall, köpavsikt, upplevd kvalitet, emotionell association, sannolikhet för återköp. Och den har fått i uppdrag att producera en formel som, enligt alla mätbara standarder, är optimal.
11 min läsning
Den kommer att lyckas. Formeln den producerar kommer att få höga betyg i konsumentpaneler. Den kommer att testa positivt över flera demografiska grupper. Den kommer inte att förolämpa någon. Den kommer inte att förvirra någon. Den kommer att inta en bekväm, välbefolkad region i doftrummet, den typ av territorium som branschen kallar "kommersiell sweet spot" och som alla med fungerande näsa kallar "bekant". Den kommer att lukta, enligt de flesta som möter den, helt okej.
Frågan är om "helt okej" är parfymkonst.
Maskininlärning i industriell skala inom doft
Användningen av maskininlärning för doftutveckling är inte spekulativ. Det händer nu, i industriell skala, i forskningsavdelningarna hos världens största doft- och smakkoncerner. Tekniken varierar i sofistikering, vissa system är relativt enkla prediktiva modeller som föreslår ingrediensersättningar baserat på kostnad och tillgänglighet; andra är djupa neurala nätverk tränade på decennier av proprietär formeldata, men den underliggande logiken är densamma i alla fall. Mata maskinen med ett stort korpus av befintliga formler kopplade till konsumentresponsdata. Låt maskinen lära sig de statistiska sambanden mellan molekylär sammansättning och mänskliga preferenser. Be sedan maskinen generera nya formler som maximerar sannolikheten för ett önskat konsumentutfall.
Detta är i huvudsak regressionsanalys tillämpad på parfymkonst. Det är inte, i någon meningsfull bemärkelse, skapande.
Skillnaden är viktig, och precision om varför är nödvändig. Regressionsanalys, den matematiska teknik som ligger i hjärtat av de flesta maskininlärningsmetoder, hittar den bästa linjen genom en datamängd. Den identifierar central tendens. Den berättar var genomsnittet ligger. Detta är oerhört användbart för många tillämpningar. Om du vill förutsäga huspriser, konsumentbeteende, sjukdomsförlopp eller valresultat, berättar vetskapen om var genomsnittet ligger mycket. Men parfymkonst är inte ett förutsägelseproblem. Det är, eller åtminstone har historiskt varit, ett kreativt problem. Och kreativa problem löses inte genom att hitta mitten. De löses genom att hitta kanten.
Varje doft som verkligen förändrat branschen, varje komposition som i efterhand definierade en era eller öppnade en ny kategori, gjorde det genom att avvika från sin tids konsensus. Den första moderna fougèren var inte vad någon förväntade sig att en herrdoft skulle lukta som 1882. Den första stora aldehydblomman var inte vad någon förväntade sig att en damdoft skulle lukta som på 1920-talet. Den första dihydromyrcenol- och hedione-fräscha maskulina doften var inte vad någon förväntade sig av en herrdoft på 1980-talet. Den första rena hud-mysk-molekylen var inte vad någon förväntade sig av någon doft i början av 2000-talet. I varje fall lyckades kompositionen inte för att den matchade befintliga preferenser utan för att den skapade nya. Den hittade inte mitten. Den flyttade mitten.
En algoritm tränad på historisk data kan, per konstruktion, inte flytta mitten. Den kan bara hitta den. Den kan hitta den med kirurgisk precision, och den kan generera formler som intar sweet spot med en effektivitet som ingen mänsklig parfymör kan matcha. Men att inta sweet spot är inte innovation. Det är optimering. Och parfymkonstens historia antyder att optimering och innovation inte är samma sak, och kan faktiskt stå i motsatsförhållande.
Mänskliga parfymörer som biologiska neurala nätverk
En motargumentation, och den förtjänar seriös övervägning. Motargumentet går så här: mänskliga parfymörer är också, på ett sätt, algoritmer. De är biologiska neurala nätverk tränade på ett korpus av olfaktorisk data, allt de har luktat på, varje formel de studerat, varje konsumentrespons de observerat under en karriär. Deras kreativa process är inte, som romantiker gärna föreställer sig, en blixt av inspiration från en musa. Det är mönsterigenkänning, omkombination och iterativ förfining. Parfymören sitter vid orgeln, väljer material baserat på erfarenhet och intuition, blandar en provformel, utvärderar den, justerar, utvärderar igen. Processen är empirisk, inte mystisk. Om en maskin kan utföra samma operationer snabbare och mer systematiskt, vad är det då som går förlorat?
Det som går förlorat är felet.
Det låter paradoxalt, så låt mig vara specifik. Mänskliga parfymörer gör misstag. De överdoserar en ingrediens och upptäcker att överdoseringen skapar en effekt de inte avsåg och inte kunde ha förutsett. De förorenar av misstag en provbatch och finner att föroreningen tillför något intressant. Historien om syntetiska genombrott inom parfymkonst är full av sådana lyckliga sammanträffanden. De misstolkar sina egna anteckningar och kombinerar material de inte menade att kombinera, och resultatet är bättre än vad de planerat. Parfymkonstens historia är full av dessa olyckor, kompositioner som inte beror på avsiktlig design utan på någon oplanerad kollision av material som en mer noggrann process skulle ha förhindrat.
En algoritm gör inte dessa misstag. En algoritm gör exakt vad den blir tillsagd att göra. Den optimerar målfunktionen. Den följer gradienten. Den vandrar inte in i outforskad terräng av misstag, för den vandrar inte alls. Den rör sig, med matematisk precision, mot optimum. Och optimum, definierat av konsumentpaneldata, är alltid mitten. Medelvärdet. Konsensus.
Det kreativa potentialet i fel är inte en romantisk föreställning. Det är ett väl dokumenterat fenomen inom alla kreativa områden. Biologen som upptäcker penicillin tack vare en förorenad petriskål. Fysikern som upptäcker kosmisk bakgrundsstrålning tack vare oförklarligt brus i en antenn. Musikern som upptäcker ett nytt harmoniskt språk eftersom en sträng gick av mitt under en föreställning och tvingade fram en improvisation. Dessa är inte apokryfiska berättelser för att trösta olycksdrabbade. De är dokumenterade exempel på en allmän princip: kreativa genombrott uppstår ofta genom avvikelser från planen, och system designade för att eliminera avvikelser kommer per konstruktion också att eliminera möjligheten till genombrott.
Konsumentpaneldata och preferensens natur
En andra, mer filosofisk invändning mot beräkningsbaserad parfymkonst, och den handlar om preferensens natur i sig.
Konsumentpaneldata, den data som dessa algoritmer tränas på, mäter uttalad preferens. Den registrerar vad människor säger att de gillar när de tillfrågas. Men uttalad preferens och faktisk preferens är inte samma sak. Uttalad preferens är konservativ. När man får välja mellan det bekanta och det obekanta väljer de flesta, i de flesta sammanhang, det bekanta. Detta är inte dumhet. Det är en väl dokumenterad kognitiv bias, "mere exposure effect", först beskriven av psykologen Robert Zajonc i en banbrytande artikel 1968 i Journal of Personality and Social Psychology, och den verkar starkt vid doftbedömning, där avsaknaden av ett gemensamt vokabulär gör det exceptionellt svårt för konsumenter att uttrycka varför de gillar eller ogillar något. Ställda inför en doft som är genuint ny, som inte passar in i någon befintlig kategori, som förvirrar och fascinerar lika mycket, kommer en konsumentpanel oftare än inte att ge den ett lågt betyg. Inte för att doften är dålig, utan för att panelen saknar ramverket för att bedöma den.
En algoritm tränad på konsumentpaneldata ärver denna konservatism. Den lär sig att nyhet är riskabelt och bekantskap är säkert. Den lär sig att de dofter som människor ger högst betyg är de som mest liknar dofter de tidigare gillat. Den lär sig, kort sagt, den mest grundläggande lärdomen från konsumentforskning: människor gillar det de redan gillar. Och den optimerar därefter.
Resultatet är en maskin som är extremt bra på att producera det branschen kallar "säkra kort", dofter som inte kommer att misslyckas, som uppnår en minimal kommersiell livskraft, som inte överraskar, stör eller utmanar någon som luktar på dem. Dessa dofter kommer att sälja. Några av dem kommer att sälja mycket bra. Men de kommer inte att förändra branschen, för att förändra branschen krävs att man producerar något som konsumentpaneler inte vet hur de ska bedöma. De kompositioner som förändrade parfymkonsten var alla, vid tidpunkten för deras skapande, överraskningar. De var saker som ingen hade efterfrågat, saker som inte fick höga betyg i preliminära tester, saker som lyckades inte för att data sa att de skulle göra det utan för att en enda person, en parfymör, en kreativ chef, en entreprenör, trodde på dem trots datan.
En algoritm kan inte tro på något trots datan. Att tro trots datan är det enda en algoritm konstitutionellt inte kan göra. En algoritm följer datan. Det är dess styrka och dess begränsning. Och i ett område där de viktigaste besluten är de som motsäger datan, där hela historien om kreativ utveckling är en historia om människor som ignorerar konsensus och visar sig ha rätt, är denna begränsning inte obetydlig. Den är fundamental.
Var AI hör hemma och var den inte gör det
Låt mig vara tydlig med vad jag inte argumenterar för. Jag argumenterar inte för att artificiell intelligens inte har någon roll inom parfymkonst. Den har uppenbara och värdefulla tillämpningar. Den kan påskynda omformuleringsprocessen när en regleringsändring tvingar borttagning av en begränsad ingrediens. Den kan föreslå kostnadseffektiva ersättningar som behåller en kompositions karaktär samtidigt som priset sänks. Den kan analysera stora datamängder av konsumentfeedback och identifiera trender som en mänsklig analytiker kan missa. Den kan kartlägga det enorma, mångdimensionella rummet av möjliga ingredienskombinationer och lyfta fram områden som mänskliga parfymörer ännu inte utforskat, ungefär som gaskromatografi en gång avkodade formler som tidigare var handelshemligheter. Dessa är användbara funktioner. De sparar tid, minskar kostnader och utökar parfymörens verktygslåda. Ingen seriös person invänder mot dem.
Det jag argumenterar för är att detta alla är optimeringsfunktioner. De gör befintliga processer mer effektiva. De skapar inte. Skillnaden mellan att optimera och att skapa är inte semantisk. Det är skillnaden mellan att hitta den bästa vägen genom ett känt landskap och att upptäcka att landskapet sträcker sig bortom dess kända gränser. Maskininlärning är utmärkt på det förstnämnda. Den är strukturellt oförmögen till det sistnämnda, eftersom det sistnämnda kräver, per definition, att gå bortom datan, och maskininlärning är, per definition, en metod för att extrahera mönster ur data.
Doftindustrins entusiasm för beräkningsverktyg är förståelig. Ekonomin i modern parfymkonst är brutal. Den genomsnittliga utvecklingstiden för en kommersiell doft har pressats från år till månader. Briefar är snävare. Budgetar är mindre. Kostnaden för misslyckande är högre. I denna miljö är ett verktyg som kan minska antalet iterationer för att nå en acceptabel formel oerhört värdefullt. Men "acceptabel" gör mycket jobb i den meningen. En acceptabel formel är en som uppfyller briefen, får godkänt betyg i tester och inte överskrider kostnadstaket. En acceptabel formel är inget mästerverk. Den är inte ens, i de flesta fall, särskilt intressant. Den är tillräcklig. Och tillräcklighet, i industriell skala, är konstens fiende.
Konvergens mot ett statistiskt medelvärde
Det finns en sista aspekt, och den är kanske den mest oroande. Ju mer doftutvecklingen förlitar sig på algoritmiska verktyg tränade på konsumentdata, desto mer kommer branschens produktion att konvergera mot ett statistiskt medelvärde. Varje ny AI-optimerad formel kommer, enligt design, att inta mitten av preferensfördelningen. Med tiden kommer mitten själv att skifta, men det kommer att ske långsamt, eftersom algoritmens output förstärker just de preferenser den tränades på. Konsumenter som upprepade gånger exponeras för AI-optimerade dofter kommer att utveckla preferenser formade av dessa dofter, och dessa preferenser kommer i sin tur att bli träningsdata för nästa generation algoritmer. Resultatet är en återkopplingsslinga: maskinen producerar det folk gillar, folk lär sig att gilla det maskinen producerar, och maskinen producerar mer av det.
Detta är inte ett hypotetiskt scenario. Det är en exakt beskrivning av vad som redan hänt i andra kreativa industrier som antagit algoritmiska rekommendations- och genereringssystem. Musikstreamingtjänster, vars algoritmer optimerar för engagemang, har lett till en mätbar konvergens i de soniska egenskaperna hos populärmusik, högre volym, kortare låtar, mer repetitiva, med refrängen tidigare och det dynamiska omfånget smalare. Sociala medieplattformar, vars algoritmer optimerar för uppmärksamhet, har lett till en konvergens i de visuella egenskaperna hos populärt innehåll, mer mättade färger, mer beskurna bilder, mer känslomässigt extrema. Algoritmen plattar inte till landskapet medvetet. Den plattar till det som en bieffekt av att optimera för medelvärdet.
Parfymkonsten är inte immun mot denna dynamik. Om branschens utvecklingspipeline blir alltmer beroende av AI-verktyg som optimerar för konsensus, är det oundvikliga resultatet en insnävning av doftfältet. Inte en insnävning till en enda doft, marknaden är för stor och för segmenterad för det, men en insnävning inom varje segment. De fräscha maskulina dofterna kommer att konvergera. De söta feminina dofterna kommer att konvergera. De oud-orientaliska dofterna kommer att konvergera. Varje kategori kommer att bli mer internt homogen, eftersom algoritmen som designar varje ny produkt tränas på samma data som producerade de befintliga produkterna. Fältet kommer inte att krympa till en punkt. Det kommer att krympa till en klunga.
Om detta spelar roll beror på vad du anser parfymkonst är till för. Om det är en industri, en verksamhet som producerar konsumentvaror designade för att möta marknadens efterfrågan, är optimering rätt strategi, och konvergens är en acceptabel kostnad. Konsumenterna får vad de vill ha. Företagen tjänar pengar. Ingen klagar.
Men om parfymkonst också är en konstform, en kreativ disciplin vars syfte sträcker sig bortom att tillfredsställa befintliga preferenser till att avslöja nya möjligheter till doftupplevelser, är konvergens inte en kostnad. Det är en katastrof. För konst, enligt varje definition värd att försvara, kräver möjligheten till överraskning. Den kräver möjligheten att nästa komposition blir något som ingen luktat på förut, något som ingen datamängd förutspådde, något som en konsumentpanel skulle ha avvisat eftersom det inte passade in i någon befintlig kategori.
En algoritm kan inte producera det. En parfymör kan. Inte pålitligt, inte konsekvent, inte enligt schema, inte inom budget. Men ibland, oförutsägbart, mot all kommersiell logik, kommer en människa som sitter vid en orgel omgiven av hundratals bruna flaskor att kombinera material på ett sätt som ingen maskin skulle ha föreslagit, och resultatet blir något genuint nytt. Något som flyttar mitten istället för att inta den. Något som datan sa inte skulle fungera.
Dessa ögonblick är sällsynta. De blir allt mer sällsynta. Och om branschen inte är försiktig kommer de att sluta inträffa helt, inte för att teknologin förbjuder dem, utan för att ekonomin inte längre lämnar utrymme för dem. Maskinen kommer att komponera. Maskinen kommer att optimera. Maskinen kommer att producera helt okej dofter som får höga betyg i varje panel och inte förolämpar någon.
Om det räknas som parfymkonst är en fråga som maskinen inte är utrustad att svara på. Det måste en näsa göra.
