Någonstans i ett laboratorium som inte alls liknar en parfymörs studio — inget orgel fyllt med hundratals bruna flaskor, inga doftstickor som viftar på ett skrivbord som en papperspåfågel, inget läderförkläde fläckat och hängande på en krok bakom dörren — komponerar en maskin en parfym. Maskinen känner inget. Den har ingen näsa. Den har ingen åsikt om huruvida vetiver passar bra med grapefrukt, ingen instinkt om att en komposition behöver mer lätthet i toppen eller mer värme i basen. Den har data. Den har ungefär fyrahundratusen formler från det gångna seklet, digitaliserade och märkta med konsumentpanelers betyg, försäljningssiffror, regionala preferenser och molekylära beskrivningar. Den har en algoritm tränad att identifiera statistiska korrelationer mellan specifika ingredienskombinationer och specifika resultat hos konsumenten — köpavsikt, upplevd kvalitet, emotionell association, sannolikhet för återköp. Och den har fått i uppdrag att producera en formel som, enligt alla mätbara kriterier, är optimal.
12 min
Den kommer att lyckas. Formeln den producerar kommer att få höga betyg i konsumentpaneler. Den kommer att testas positivt över flera demografier. Den kommer inte att förolämpa någon. Den kommer inte att förvirra någon. Den kommer att inta en bekväm och välbefolkad region i doftlandskapet, den typ av territorium som industrin kallar för "den kommersiella balanspunkten" och som alla med en fungerande näsa kallar för "det bekanta". Den kommer att dofta, enligt de flesta människors omdöme som möter den, helt perfekt.
Frågan är om "helt perfekt" är parfymkonst.
Användningen av maskininlärning i parfymutveckling är inte spekulativ. Den pågår just nu, i industriell skala, i forskningsavdelningarna hos världens största parfym- och aromföretag. Tekniken varierar i sofistikering — vissa system är relativt enkla prediktiva modeller som föreslår ingrediensersättningar baserade på kostnad och tillgänglighet; andra är djupa neurala nätverk tränade på årtionden av proprietära 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 relationerna mellan molekylär sammansättning och mänsklig preferens. Be sedan maskinen generera nya formler som maximerar sannolikheten för ett önskat resultat hos konsumenten.
Det är i huvudsak regressionsanalys tillämpad på parfymkonst. Det är inte, i någon meningsfull bemärkelse, skapande.
Skillnaden är viktig, och det krävs noggrannhet i varför. Regressionsanalys, den matematiska teknik som ligger i kärnan av de flesta maskininlärningar, hittar den bästa linjen genom en datamängd. Den identifierar den centrala trenden. Den berättar var medelvärdet ligger. Det är oerhört användbart för många tillämpningar. Om du vill förutsäga fastighetspriser, konsumentbeteenden, sjukdomsförlopp eller valresultat, ger medelvärdet dig mycket information. Men parfymkonst är inte ett förutsägelseproblem. Det är, eller har åtminstone historiskt varit, ett kreativt problem. Och kreativa problem löses inte genom att hitta mitten. De löses genom att hitta marginalen.
Varje parfym som verkligen förändrat industrin, varje komposition som i efterhand definierat en epok eller öppnat en ny kategori, gjorde det genom att avvika från sin tids konsensus. Den första moderna fougère var inte vad någon väntade sig av en herrparfym 1882. Den första stora aldehydblomman var inte vad någon väntade sig av en damparfym på 1920-talet. Den första fräscha herrdoften med dihydromyrcenol och hedione var inte vad någon väntade sig av en herrparfym på 1980-talet. Den första molekylära rena hud-myskdoften var inte vad någon väntade sig av någon parfym 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 historiska data kan inte, per definition, flytta mitten. Den kan bara hitta den. Den kan hitta den med kirurgisk precision, och den kan generera formler som intar balanspunkten med en effektivitet som ingen mänsklig parfymör kan matcha. Men att inta balanspunkten är inte innovation. Det är optimering. Och parfymindustrins historia antyder att optimering och innovation inte är samma sak, och faktiskt kan stå i motsats till varandra.
Ett motargument, och det förtjänar en seriös granskning. Motargumentet är följande: mänskliga parfymörer är också, på ett sätt, algoritmer. De är biologiska neurala nätverk tränade på ett korpus av doftdata — allt de har känt, varje formel de studerat, varje konsumentrespons de observerat under sin karriär. Deras kreativa process är inte, som romantiker gärna föreställer sig, en blixt av inspiration från en musa. Det är mönsterigenkänning, rekombination och iterativ förfining. Parfymören sätter sig vid orgeln, väljer råvaror baserat på erfarenhet och intuition, blandar en testformel, utvärderar, justerar, utvärderar igen. Processen är empirisk, inte mystisk. Om en maskin kan utföra samma operationer snabbare och mer systematiskt, vad går då förlorat, exakt?
Det som går förlorat är felet.
Det låter paradoxalt, så låt oss vara precisa. Mänskliga parfymörer gör misstag. De överdoserar en ingrediens och upptäcker att överdoseringen skapar en effekt de inte förutsett och inte kunnat förutse. De förorenar av misstag en testbatch och upptäcker att föroreningen tillför något intressant. Historien om syntetiska genombrott i parfymkonsten är full av sådana lyckliga sammanträffanden. De läser fel i sina egna anteckningar och kombinerar råvaror de inte tänkt kombinera, och resultatet blir bättre än planerat. Parfymkonstens historia är full av sådana olyckor — kompositioner som fått sin karaktär inte genom avsikt utan genom en oväntad kollision av råvaror som en mer noggrann process skulle ha förhindrat.
En algoritm gör inte sådana misstag. En algoritm gör exakt vad den blir tillsagd att göra. Den optimerar målfunktionen. Den följer gradienten. Den vågar sig inte in på outforskad mark av en slump, för den vågar sig inte alls. Den rör sig, med matematisk precision, mot optimum. Och optimum, definierat av konsumentpaneldata, är alltid mitten. Medelvärdet. Konsensus.
Det kreativa potentialet i misstag är inte en romantisk fantasi. Det är ett väl dokumenterat fenomen inom alla kreativa områden. Biologen som upptäcker penicillin tack vare en förorenad petriskål. Fysikern som upptäcker den kosmiska bakgrundsstrålningen tack vare ett oförklarligt brus i en antenn. Musikern som upptäcker ett nytt harmoniskt språk eftersom en sträng gick av mitt under en konsert och tvingade fram en improvisation. Det är inte apokryfiska historier berättade för att trösta klumpiga. Det är dokumenterade exempel på en allmän princip: kreativa genombrott kommer ofta från avvikelser från planen, och system designade för att eliminera avvikelser eliminerar också, per definition, möjligheten till genombrott.
Ett andra, mer filosofiskt, invändning mot beräkningsparfymkonsten gäller själva naturen av preferens.
Konsumentpaneldata, de data som dessa algoritmer tränas på, mäter deklarerad preferens. De registrerar vad människor säger att de gillar när de tillfrågas. Men deklarerad preferens och verklig preferens är inte samma sak. Deklarerad preferens är konservativ. När man ber människor välja mellan det bekanta och det okända väljer de flesta, i de flesta sammanhang, det bekanta. Det är inte dumhet. Det är en väl dokumenterad kognitiv bias, effekten av enkel exponering, först beskriven av psykologen Robert Zajonc i en banbrytande artikel 1968 i Journal of Personality and Social Psychology, och den verkar starkt i doftbedömning där avsaknaden av ett gemensamt vokabulär gör det exceptionellt svårt för konsumenter att uttrycka varför de gillar eller ogillar något. Inför en verkligt ny parfym, som inte passar in i någon befintlig kategori, som förvirrar och fascinerar lika mycket, ger en konsumentpanel oftast låga betyg. Inte för att parfymen 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 säkert. Den lär sig att de parfymer som får högst betyg är de som mest liknar parfymer de redan 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 överlägsen på att producera det industrin kallar "säkra kort" — parfymer som inte kommer att misslyckas, som når en minimal kommersiell livskraft, som inte överraskar, stör eller utmanar någon som känner dem. Dessa parfymer kommer att sälja. Vissa kommer att sälja mycket bra. Men de kommer inte att förändra industrin, för att förändra industrin kräver att man producerar något som konsumentpaneler inte kan bedöma. De kompositioner som förändrat parfymkonsten var alla, vid sin skapelse, överraskningar. De var saker som ingen 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 data.
En algoritm kan inte tro på något trots data. Att tro trots data är det enda en algoritm per definition inte kan göra. En algoritm följer data. Det är dess styrka och dess begränsning. Och i ett område där de viktigaste besluten är de som motsäger data, där hela historien om kreativ framgång är en historia om människor som ignorerar konsensus och har rätt, är denna begränsning inte obetydlig. Den är grundläggande.
Låt oss vara tydliga med vad jag inte hävdar. Jag hävdar inte att artificiell intelligens inte har någon roll i parfymkonsten. Den har uppenbara och värdefulla tillämpningar. Den kan påskynda processen för omformulering när en regleringsändring kräver att en begränsad ingrediens tas bort. Den kan föreslå ekonomiska ersättningar som behåller karaktären i en komposition samtidigt som priset sänks. Den kan analysera stora datamängder av konsumentrespons och identifiera trender som en mänsklig analytiker kan missa. Den kan kartlägga det stora multidimensionella rummet av möjliga ingredienskombinationer och belysa områden som mänskliga parfymörer ännu inte utforskat, på samma sätt som gaskromatografi en gång avkodade formler som tidigare varit kommersiella hemligheter. Det är användbara funktioner. De sparar tid, minskar kostnader och utökar parfymörens verktygslåda. Ingen seriös person motsätter sig dem.
Det jag hävdar är att alla dessa 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 sina kända gränser. Maskininlärning är utmärkt på det första. Den är strukturellt oförmögen till det andra, eftersom det andra per definition kräver att gå bortom data, och maskininlärning är, per definition, en metod för att extrahera mönster ur data.
Parfymindustrins entusiasm för beräkningsverktyg är förståelig. Den moderna parfymindustrins ekonomi är brutal. Den genomsnittliga utvecklingstiden för en kommersiell parfym har pressats från år till månader. Briefarna är snävare. Budgetarna mindre. Kostnaden för misslyckande 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 ett tillräckligt betyg i test och inte överskrider kostnadstaket. En acceptabel formel är inte ett mästerverk. Den är inte ens, i de flesta fall, särskilt intressant. Den är tillräcklig. Och tillräcklighet, i industriell skala, är konstens fiende.
Det finns en sista aspekt, och det är kanske den mest oroande. Ju mer parfymutvecklingen bygger på algoritmiska verktyg tränade på konsumentdata, desto mer kommer industrins produktion att konvergera mot ett statistiskt medelvärde. Varje ny formel optimerad av AI kommer per design att inta mitten av preferensfördelningen. Med tiden kommer mitten själv att förflyttas, men långsamt, eftersom algoritmens produktion förstärker just de preferenser den tränats på. Konsumenter som upprepade gånger exponeras för AI-optimerade parfymer kommer att utveckla preferenser formade av dessa parfymer, och dessa preferenser blir i sin tur träningsdata för nästa generation algoritmer. Resultatet är en återkopplingsslinga: maskinen producerar det människor gillar, människor lär sig att gilla det maskinen producerar, och maskinen producerar mer av det.
Det 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 ljudkaraktärerna hos populärmusik — högre volym, kortare låtar, mer repetitiva, med refrängen tidigare och dynamikomfånget krympt. Sociala medieplattformar, vars algoritmer optimerar för uppmärksamhet, har lett till en konvergens i visuella egenskaper hos populärt innehåll — mer mättat, mer beskuret, mer känslomässigt extremt. Algoritmen plattar inte till landskapet med avsikt. Den plattar till det som en bieffekt av optimering för medelvärdet.
Parfymkonsten är inte immun mot denna dynamik. Om industrins 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 parfym — marknaden är för stor och segmenterad för det — utan en insnävning inom varje segment. Fräscha herrdofter kommer att konvergera. Söta damdofter kommer att konvergera. Orientaliska oud-dofter kommer att konvergera. Varje kategori blir mer homogen internt, eftersom algoritmen som designar varje ny produkt tränas på samma data som producerat de befintliga produkterna. Fältet krymper inte till en punkt. Det krymper till en aggregering.
Om detta spelar roll beror på vad du anser parfymkonsten är till för. Om det är en industri, en handel som producerar konsumtionsvaror designade för att möta marknadens efterfrågan, är optimering rätt strategi och konvergens en acceptabel kostnad. Konsumenterna får vad de vill ha. Företagen tjänar pengar. Ingen klagar.
Men om parfymkonsten också är en konstform, en kreativ disciplin vars syfte sträcker sig bortom att tillfredsställa befintliga preferenser för att avslöja nya möjligheter till doftupplevelser, är konvergens inte en kostnad. Det är en katastrof. För konst, enligt varje värdig definition, kräver möjligheten till överraskning. Den kräver möjligheten att nästa komposition är något som ingen känt tidigare, något som ingen datamängd förutspått, något som en konsumentpanel skulle ha avvisat för att det inte passade in i någon befintlig kategori.
En algoritm kan inte producera detta. En parfymör kan. Inte pålitligt, inte konsekvent, inte i tid, inte inom budget. Men ibland, oförutsägbart, mot all kommersiell logik, kommer en människa sittande vid en orgel omgiven av hundratals bruna flaskor att kombinera råvaror på ett sätt som ingen maskin skulle ha föreslagit, och resultatet blir något verkligt nytt. Något som flyttar mitten istället för att inta den. Något som data sa inte skulle fungera.
Dessa ögonblick är sällsynta. De blir alltmer sällsynta. Och om industrin inte är försiktig kommer de att sluta inträffa helt — inte för att teknologin förbjuder dem, utan för att ekonomin inte längre lämnar plats för dem. Maskinen kommer att komponera. Maskinen kommer att optimera. Maskinen kommer att producera parfymer som doftar helt perfekt, som får höga betyg i varje panel och inte förolämpar någon.
Om detta räknas som parfymkonst är en fråga som maskinen inte är utrustad att avgöra. Det måste vara en näsa som svarar.
