Представим, что парфюмеру нужно создать аромат, в котором свежесть бергамота сочетается с тёплыми древесными нотами, но без привычного мускусного шлейфа. Человек начнет подбирать ингредиенты, опираясь на опыт, память о запахах и собственные творческие ассоциации. Искусственный интеллект может пойти другим путем: проанализировать тысячи готовых формул, найти необычные сочетания и предложить несколько вариантов с точными пропорциями компонентов.
Долгое время такая возможность оставалась скорее теоретической. Сегодня алгоритмы уже участвуют в разработке коммерческих парфюмов, а исследователи обучают нейронные сети предсказывать запах вещества по его молекулярной структуре. Однако между математически правильной формулой и ароматом, который хочется носить, остаётся немалое расстояние. Чтобы понять реальные возможности искусственного интеллекта, стоит разобраться, чему именно он научился и в каких случаях его прогнозы до сих пор требуют проверки человеческим обонянием.
Как алгоритм учится распознавать запахи
У человеческого обоняния нет прямого аналога цветовой палитры. Мы можем определить цвет света по длине волны, но не способны столь же однозначно установить запах молекулы по её химической формуле. Даже вещества с похожим строением иногда пахнут совершенно по-разному, а структурно отличные соединения могут создавать схожие ольфакторные впечатления.
Когда ароматические молекулы попадают в носовую полость, они взаимодействуют с обонятельными рецепторами. Сигналы от многих рецепторов обрабатываются нервной системой, формируя восприятие запаха. На него влияют не только химические характеристики вещества, но и концентрация, индивидуальные особенности человека и предыдущий опыт. Именно поэтому задача предсказать запах значительно сложнее, чем просто соотнести молекулу с определенной ароматической категорией.
Один из самых заметных научных прорывов в этой области описан в исследовании «A Principal Odor Map Unifies Diverse Tasks in Olfactory Perception», опубликованном в журнале Science в 2023 году. Команда исследователей из Google Research, Monell Chemical Senses Center и других учреждений разработала модель Principal Odor Map — многомерную карту запахов, построенную с помощью графовых нейронных сетей.
Для обучения использовалась информация примерно о пяти тысячах молекул, описанных такими характеристиками, как «цветочный», «фруктовый», «травянистый» или «сливочный». Алгоритм учился находить связи между молекулярной структурой вещества и его вероятными запаховыми свойствами.
Самой интересной частью работы стала экспериментальная проверка. Исследователи отобрали 400 новых для модели веществ и попросили подготовленных экспертов описать их запахи. После исключения образцов с недостаточной интенсивностью, загрязнениями и другими проблемами для итогового сравнения осталось 323 молекулы.
Для 53 % оцениваемых молекул профиль, предусмотренный алгоритмом, оказался ближе к средней оценке экспертной группы, чем описание типичного участника этой группы. При этом люди физически нюхали образцы, а модель работала только с информацией об их химическом строении.
Это значимый результат, но он не означает, что компьютер научился различать запахи лучше человека. В ходе исследования проверялась точность описания отдельных веществ, а не способность оценивать полноценные парфюмерные композиции или определять, насколько они нравятся потребителям.
Алгоритму не обязательно обладать собственным обонянием, чтобы находить закономерности в огромных массивах экспериментальных данных. Но предсказать, что молекула будет пахнуть цветами или зелёной листвой, — ещё не значит понять, станет ли она основой удачного парфюма.
Парфюмы, созданные с участием ИИ
Пока учёные исследовали связь между молекулами и запахами, парфюмерные компании начали использовать алгоритмы непосредственно в творческой работе. Один из самых известных примеров — система Philyra, разработанная компаниями IBM Research и Symrise.
В 2019 году бразильская компания O Boticário представила ароматы Egeo On Me и Egeo On You, созданные при участии Philyra. Система анализировала исторические парфюмерные формулы, характеристики сырья и закономерности сочетания ингредиентов. Её задачей было не просто повторить популярные композиции, а предложить перспективные комбинации, которые парфюмер мог бы не рассмотреть самостоятельно.
Особенно показательной стала история, которую рассказывает Symrise. Во время работы над мужской композицией алгоритм предложил вместо абсолюта сена использовать аккордовую идею теплого чая масала с оттенками кардамона и пажитника. Парфюмер Дэйв Апел признал, что сам вряд ли выбрал бы такое решение для ароматического фужера.
В женской композиции внимание привлекло еще одно необычное сочетание: яркий османтус с фруктово-цветочным характером, дополненный нотами личи и ирисково-карамельными оттенками. В данном случае парфюмер направлял работу системы и выбирал из предложенных вариантов.
Эти истории хорошо иллюстрируют особенность алгоритмического творчества. Опытный мастер постепенно формирует собственные привычки: он знает, какие ингредиенты хорошо сочетаются друг с другом, и часто прибегает к проверенным решениям. Компьютер не обладает такой профессиональной интуицией, поэтому может предложить комбинацию, которая покажется человеку неестественной или слишком рискованной.
В то же время называть Egeo полностью независимыми творениями искусственного интеллекта было бы неверно. Несмотря на маркетинговую формулировку об ароматах, созданных ИИ, в работе участвовали профессиональные парфюмеры. Именно они оценивали предложения, определяли направление композиций и принимали творческие решения.
Другой подход демонстрирует система Carto компании Givaudan. Она сочетает цифровые инструменты разработки формул с роботизированным изготовлением образцов. Парфюмер выбирает ингредиенты через интерактивный интерфейс, а оборудование готовит физическую композицию, которую можно сразу оценить обонянием.
Разница между этими двумя системами интересна. Philyra, прежде всего, демонстрирует потенциал алгоритма как источника новых композиционных идей, тогда как Carto помогает быстрее переходить от замысла к реальному образцу. Оба подхода меняют рабочий процесс, но не устраняют человека из его центральной части.
Стоит также отличать такие специализированные системы от обычных текстовых чат-ботов. Языковая модель способна предложить описание воображаемого аромата или перечень ингредиентов, однако это не делает её профессиональным инструментом для разработки рецептур. Без проверенных данных о сырье, концентрациях, совместимости компонентов и технологических ограничениях полученный рецепт может оказаться непригодным для производства.
Можно ли предсказать запах смеси?
Отдельная молекула — это лишь начало. Парфюмерная композиция может содержать десятки ароматических веществ, и восприятие готовой смеси не всегда можно объяснить простым перечнем её компонентов.
Например, цитрусовая нота в одной композиции будет звучать ярко и свежо, а в другой станет почти незаметной на фоне насыщенной древесной базы. Небольшое количество сильного одоранта может существенно изменить характер смеси. Кроме того, ингредиенты испаряются с разной скоростью, поэтому аромат меняется с течением времени.
Долгое время именно взаимодействие компонентов считалось одним из главных препятствий для компьютерного моделирования парфюмерии. Исследователям приходилось учитывать маскировку одних запахов другими, усиление отдельных оттенков и появление новых впечатлений, которых трудно было ожидать от исходных веществ.
Однако в июле 2026 года учёные из Monell Chemical Senses Center и других учреждений представили исследование «Odors Smell Like Their Components» » (работа опубликована в виде препринта, который по состоянию на октябрь 2026 года ещё не прошел журнальное рецензирование), результаты которой несколько меняют представление о сложности этой задачи.
Они исследовали восприятие 432 смесей, содержащих от двух до десяти компонентов, на основе оценок подготовленной сенсорной группы. Оказалось, что для подавляющего большинства исследованных смесей запаховой профиль можно достаточно точно предсказать по усредненным характеристикам компонентов. Даже некоторые сочетания, для которых ранее предполагалось появление новых или подавленных запаховых качеств, хорошо поддавались такому моделированию.
Это неожиданный вывод: возможно, основная сложность заключается не столько в непредсказуемости смешивания, сколько в том, чтобы достаточно точно описать запах каждого ингредиента. Эксперимент касался определённых смесей и их запаховых характеристик, а не коммерческих парфюмов во всём многообразии концентраций, основ и условий использования. Переносить эти результаты на любую сложную парфюмерную формулу пока преждевременно.
Даже если алгоритм правильно определит общий характер композиции, он должен учесть еще несколько практических моментов. Сохранится ли задуманный баланс после разбавления в спирте? Как будет меняться аромат через несколько часов? Будет ли формула стабильной при хранении? Соответствуют ли концентрации ингредиентов требованиям безопасности?
В конце концов, парфюмер работает не с абстрактным запахом, а с материальным продуктом. Компьютерное моделирование может сократить количество неудачных экспериментов, но физическое изготовление и тестирование образцов по-прежнему необходимы.
Кто решает, удачен ли аромат?
Даже идеальная модель ароматического профиля не дает ответа на главный коммерческий вопрос: захочет ли человек пользоваться этими духами?
Понятие «удачный аромат» включает в себя несколько различных критериев. Композиция может быть оригинальной, гармоничной и технологически безупречной, но не найти свою аудиторию. А может, наоборот, показаться профессиональному парфюмеру слишком простой и в то же время стать популярной среди покупателей.
Здесь важно различать запаховую характеристику и эмоциональную оценку. «Сладкий», «древесный» или «пудровый» описывают воспринимаемые свойства аромата. «Приятный», «изысканный» или «навязчивый» уже содержат суждение, которое зависит от человека, ситуации и его ожиданий.
Насколько индивидуальны такие суждения? Исследования запаховых предпочтений дают неоднозначный, но интересный ответ. Определённые закономерности в оценке приятности запахов действительно повторяются среди разных групп населения. В то же время личный опыт и знакомство с конкретными ароматами существенно влияют на восприятие.
Алгоритм может предсказать, как будет пахнуть композиция. Но предсказать, станет ли этот запах любимым для конкретного человека, — совсем другая задача.
В исследовании, опубликованном 26 октября 2026 года в журнале «Psychonomic Bulletin & Review», учёные сравнили оценки 394 детей и взрослых из четырёх культурных сред. Участники оценивали 11 запахов, среди которых были жасмин, клубника, персик, чеснок и рыба.
Авторы выявили как общие тенденции, так и различия между группами. Жасмин, клубнику и персик оценивали более положительно и единодушно, чем некоторые неприятные запахи. В то же время запахи, более знакомые участникам, чаще получали более высокие оценки по приятности.
Это не означает, что все люди любят одни и те же духи. В ходе эксперимента исследовались относительно простые запаховые стимулы, а не готовые многокомпонентные композиции. Однако он напоминает о важном обстоятельстве: отношение к запаху формируется не только его химическими характеристиками, но и предыдущим опытом человека.
Именно здесь возникает главная проблема для алгоритма. Он может научиться предсказывать среднюю оценку аромата определенной группой потребителей, если у него будет достаточно соответствующих данных. Но средняя оценка не равна личной реакции конкретного покупателя.
Например, алгоритм может определить, что сладкая ванильно-амбровая композиция с высокой вероятностью понравится целевой аудитории. Однако один человек почувствует в ней уют, другой — чрезмерную сладость, а третий будет ассоциировать её с совершенно посторонними личными воспоминаниями. И ни одна из этих реакций не обязательно будет ошибочной.
Для объективной оценки аромата, разработанного с помощью ИИ, следует проверять как минимум четыре аспекта:
- Ольфакторные качества: гармоничность композиции, характер, интенсивность и динамика запаха во времени.
- Технологическая пригодность: стабильность рецептуры, доступность ингредиентов, себестоимость и соответствие требованиям безопасности.
- Восприятие потребителями: результаты слепого тестирования среди представителей целевой аудитории.
- Коммерческая перспективность: готовность покупателей выбрать аромат, повторно приобрести его и порекомендовать другим.
Особенно важно проводить слепое тестирование, когда участники не знают, кто создал парфюм — человек или алгоритм. В противном случае сама информация об использовании искусственного интеллекта может повлиять на ожидания и оценки.
Показательным был бы эксперимент, в котором несколько парфюмеров и специализированная система ИИ получают одинаковое задание, одинаковую палитру ингредиентов и одинаковые технические ограничения. Их готовые ароматы оценивает независимая группа людей, не знакомых с информацией об авторстве. Только такой подход, при условии достаточного количества участников и повторных испытаний, позволил бы обоснованно сравнивать результативность различных методов создания.
Сам факт выпуска духов с пометкой «AI-generated» или позитивные заявления производителя ещё не доказывают, что алгоритм способен систематически создавать композиции, превосходящие работы профессиональных парфюмеров.
Вывод: новый инструмент — не новый нос
Искусственный интеллект уже умеет выполнять задачи, которые еще недавно казались недостижимыми для компьютеров. Он способен предсказывать определенные запаховые свойства молекул, анализировать миллионы рецептур, предлагать нестандартные сочетания ингредиентов и ускорять изготовление экспериментальных композиций.
Однако на вопрос, может ли алгоритм самостоятельно создать удачный парфюм, пока нет однозначного ответа. Если речь идет о формуле, соответствующей заданным параметрам, — да, это уже реальная практическая задача. Если же под успехом понимается аромат с ярко выраженным характером, техническим совершенством и устойчивой популярностью у покупателей, одного алгоритмического прогноза недостаточно.
Возможно, самое интересное следствие развития ИИ заключается даже не в автоматизации парфюмерного производства. Алгоритмы могут помочь мастерам выйти за рамки привычных сочетаний и переосмыслить собственные представления о том, какие ингредиенты уместно использовать вместе.
История Philyra с неожиданным аккордовым решением на основе чая масала хорошо это иллюстрирует. Человек привнес в работу свой опыт и способность оценивать запах, а алгоритм — предложение, к которому этот опыт, возможно, никогда бы не привел.
Поэтому наиболее убедительный сценарий будущего парфюмерии — не противостояние человека и машины, а их сотрудничество. Компьютер будет расширять пространство возможных композиций, парфюмер будет превращать предложения в готовый продукт, а окончательную оценку, как и раньше, будет давать человеческий нюх.
В Smart Smell мы убеждены: как бы ни совершенствовались технологии создания ароматов, главным критерием их качества остается человеческое восприятие. Именно поэтому стоит не только изучать парфюмерные ноты и описания композиций, но и знакомиться с ароматами лично.
