Уявімо, що парфумеру потрібно створити аромат, у якому свіжість бергамоту поєднується з теплими деревними нотами, але без звичного мускусного шлейфу. Людина почне добирати інгредієнти, спираючись на досвід, пам’ять про запахи та власні творчі асоціації. Штучний інтелект може піти іншим шляхом: проаналізувати тисячі готових формул, знайти незвичайні поєднання й запропонувати кілька варіантів із точними пропорціями компонентів.
Тривалий час така можливість залишалася радше теоретичною. Сьогодні алгоритми вже беруть участь у розробленні комерційних парфумів, а дослідники навчають нейронні мережі передбачати запах речовини за її молекулярною будовою. Проте між математично правильною формулою та ароматом, який хочеться носити, залишається чимала відстань. Щоб зрозуміти реальні можливості штучного інтелекту, варто розібратися, чого саме він навчився і де його передбачення досі потребують перевірки людським нюхом.
Як алгоритм навчається розпізнавати запахи
Людський нюх не має простого аналога колірної палітри. Ми можемо визначити колір світла за довжиною хвилі, але не здатні настільки ж однозначно встановити запах молекули за її хімічною формулою. Навіть речовини зі схожою будовою іноді пахнуть зовсім по-різному, а структурно відмінні сполуки можуть створювати близькі ольфакторні враження.
Коли ароматичні молекули потрапляють до носової порожнини, вони взаємодіють із нюховими рецепторами. Сигнали від багатьох рецепторів обробляються нервовою системою, формуючи сприйняття запаху. На нього впливають не тільки хімічні характеристики речовини, а й концентрація, індивідуальні особливості людини та попередній досвід. Саме тому завдання передбачити запах значно складніше, ніж просто зіставити молекулу з певною ароматичною категорією.
Один із найпомітніших наукових проривів у цій галузі описаний у дослідженні A Principal Odor Map Unifies Diverse Tasks in Olfactory Perception, опублікованому в журналі Science у 2023 році. Команда дослідників із Google Research, Monell Chemical Senses Center та інших установ розробила модель Principal Odor Map — багатовимірну карту запахів, побудовану за допомогою графових нейронних мереж.
Для навчання використовували інформацію приблизно про п’ять тисяч молекул, описаних такими характеристиками, як «квітковий», «фруктовий», «трав’янистий» або «вершковий». Алгоритм навчався знаходити зв’язки між молекулярною структурою речовини та її ймовірними запаховими властивостями.
Найцікавішою частиною роботи стала експериментальна перевірка. Дослідники відібрали 400 нових для моделі речовин і запросили підготовлених оцінювачів описати їхні запахи. Після виключення зразків із недостатньою інтенсивністю, забрудненнями та іншими проблемами для підсумкового порівняння залишилися 323 молекули.
Для 53% оцінених молекул передбачений алгоритмом профіль був ближчим до середньої оцінки експертної групи, ніж опис типового учасника цієї групи. Причому люди фізично нюхали зразки, а модель працювала лише з інформацією про їхню хімічну будову.
Це вагомий результат, але він не означає, що комп’ютер навчився відчувати запахи краще за людину. Дослідження перевіряло точність опису окремих речовин, а не здатність оцінювати повноцінні парфумерні композиції чи визначати, наскільки вони подобаються споживачам.
Алгоритму не обов’язково мати власний нюх, щоб знаходити закономірності у величезних масивах експериментальних даних. Але передбачити, що молекула пахнутиме квітами або зеленим листям, — ще не означає зрозуміти, чи стане вона основою вдалого парфуму.
Парфуми, створені за участю ШІ
Поки науковці досліджували зв’язок між молекулами та запахами, парфумерні компанії почали використовувати алгоритми безпосередньо у творчій роботі. Один із найвідоміших прикладів — система Philyra, розроблена компаніями IBM Research і Symrise.
У 2019 році бразильська компанія O Boticário представила аромати Egeo On Me та Egeo On You, створені за участю Philyra. Система аналізувала історичні парфумерні формули, характеристики сировини та закономірності поєднання інгредієнтів. Її завданням було не просто повторити популярні композиції, а запропонувати перспективні комбінації, які парфумер міг би не розглянути самостійно.
Особливо показовою стала історія, яку розповідає Symrise. Під час роботи над чоловічою композицією алгоритм запропонував замість абсолюту сіна використати акордову ідею теплого чаю масала з відтінками кардамону та пажитника. Парфумер Дейв Апел визнав, що сам навряд чи обрав би таке рішення для ароматичного фужеру.
У жіночій композиції увагу привернуло інше незвичне поєднання: виразний османтус із фруктово-квітковим характером, доповнений лічі та ірисково-карамельними відтінками. У цьому випадку парфумер спрямовував роботу системи та обирав серед запропонованих варіантів.
Ці історії добре пояснюють особливість алгоритмічної творчості. Досвідчений майстер поступово формує власні звички: знає, які інгредієнти добре працюють разом, і часто звертається до перевірених рішень. Комп’ютер не має такої професійної інтуїції, тому може запропонувати комбінацію, яка здаватиметься людині неприродною або надто ризикованою.
Водночас називати Egeo повністю незалежними творіннями штучного інтелекту було б неточно. Попри маркетингове формулювання про аромати, створені ШІ, у роботі брали участь професійні парфумери. Саме вони оцінювали пропозиції, визначали напрям композицій і ухвалювали творчі рішення.
Інший підхід демонструє система Carto компанії Givaudan. Вона поєднує цифрові інструменти розроблення формул із роботизованим виготовленням зразків. Парфумер обирає матеріали через інтерактивний інтерфейс, а обладнання готує фізичну композицію, яку можна відразу оцінити нюхом.
Різниця між двома системами цікава. Philyra насамперед демонструє потенціал алгоритму як джерела нових композиційних ідей, тоді як Carto допомагає швидше переходити від задуму до реального зразка. Обидва підходи змінюють робочий процес, але не усувають людину з його центральної частини.
Варто також відрізняти такі спеціалізовані системи від звичайних текстових чатботів. Мовна модель здатна запропонувати опис уявного аромату або перелік інгредієнтів, проте це не робить її професійним інструментом формулювання. Без перевірених даних про сировину, концентрації, сумісність компонентів і технологічні обмеження отриманий рецепт може виявитися непридатним для виробництва.
Чи можна передбачити запах суміші?
Окрема молекула — лише початок. Парфумерна композиція може містити десятки ароматичних речовин, і сприйняття готової суміші не завжди можна пояснити простим переліком її складників.
Наприклад, цитрусова нота в одній композиції звучатиме яскраво й свіжо, а в іншій стане майже непомітною на тлі насиченої деревної бази. Невелика кількість сильного одоранту може суттєво змінити характер суміші. Крім того, інгредієнти випаровуються з різною швидкістю, тому аромат змінюється протягом часу.
Довгий час саме взаємодія компонентів вважалася однією з головних перешкод для комп’ютерного моделювання парфумерії. Дослідникам доводилося враховувати маскування одних запахів іншими, посилення окремих відтінків і появу нових вражень, яких важко було очікувати від вихідних речовин.
Однак у липні 2026 року науковці з Monell Chemical Senses Center та інших установ представили дослідження Odors Smell Like Their Components (роботу опубліковано як препринт, який станом на жовтень 2026 року ще не пройшов журнального рецензування), результати якого дещо змінюють уявлення про складність цього завдання.
Вони дослідили сприйняття 432 сумішей, що містили від двох до десяти компонентів, використовуючи оцінки підготовленої сенсорної групи. Виявилося, що для переважної більшості досліджених сумішей запаховий профіль можна досить точно передбачити за усередненими характеристиками складників. Навіть деякі поєднання, для яких раніше припускали виникнення нових або пригнічених запахових якостей, добре піддавалися такому моделюванню.
Це несподіваний висновок: можливо, основна складність полягає не стільки в непередбачуваності змішування, скільки в тому, щоб достатньо точно описати запах кожного інгредієнта. Експеримент стосувався визначених сумішей і їхніх запахових характеристик, а не комерційних парфумів у всьому різноманітті концентрацій, основ і умов використання. Переносити ці результати на будь-яку складну парфумерну формулу поки передчасно.
Навіть якщо алгоритм правильно передбачить загальний характер композиції, він має врахувати ще кілька практичних питань. Чи збережеться задуманий баланс після розведення в спирті? Як змінюватиметься аромат через кілька годин? Чи буде формула стабільною під час зберігання? Чи відповідають концентрації інгредієнтів вимогам безпеки?
Зрештою, парфумер працює не з абстрактним запахом, а з матеріальним продуктом. Комп’ютерне моделювання може зменшити кількість невдалих експериментів, але фізичне виготовлення та випробування зразків залишаються необхідними.
Хто вирішує, що аромат вдалий?
Навіть досконала модель запахового профілю не дає відповіді на головне комерційне питання: чи захоче людина користуватися цими парфумами?
Поняття «вдалий аромат» включає кілька різних критеріїв. Композиція може бути оригінальною, гармонійною й технологічно бездоганною, але не знайти своєї аудиторії. А може, навпаки, здатися професійному парфумеру занадто простою і водночас стати популярною серед покупців.
Тут важливо розрізняти запахову характеристику та емоційну оцінку. «Солодкий», «деревний» або «пудровий» описують сприймані властивості аромату. «Приємний», «вишуканий» або «нав’язливий» уже містять судження, яке залежить від людини, ситуації та її очікувань.
Наскільки індивідуальними є такі судження? Дослідження запахових уподобань дають неоднозначну, але цікаву відповідь. Певні закономірності в оцінці приємності запахів справді повторюються серед різних груп населення. Водночас особистий досвід і знайомство з конкретними ароматами суттєво впливають на сприйняття.
Алгоритм може передбачити, чим пахнутиме композиція. Але передбачити, чи стане цей запах улюбленим для конкретної людини, — зовсім інше завдання.
У дослідженні, опублікованому 26 жовтня 2026 року у журналі Psychonomic Bulletin & Review, науковці порівняли оцінки 394 дітей і дорослих із чотирьох культурних середовищ. Учасники оцінювали 11 запахів, серед яких були жасмин, полуниця, персик, часник і риба.
Автори виявили як спільні тенденції, так і відмінності між групами. Жасмин, полуницю та персик оцінювали позитивніше й узгодженіше, ніж деякі неприємні запахи. Водночас знайоміші учасникам запахи частіше отримували вищі оцінки приємності.
Це не означає, що всі люди люблять однакові парфуми. Експеримент досліджував відносно прості запахові стимули, а не готові багатокомпонентні композиції. Проте він нагадує про важливу обставину: ставлення до запаху формується не лише його хімічними характеристиками, а й попереднім досвідом людини.
Саме тут виникає головна проблема для алгоритму. Він може навчитися передбачати середню оцінку аромату певною групою споживачів, якщо матиме достатньо відповідних даних. Але середня оцінка не дорівнює особистій реакції конкретного покупця.
Наприклад, алгоритм може визначити, що солодка ванільно-амброва композиція має високі шанси сподобатися цільовій аудиторії. Проте одна людина відчує в ній затишок, інша — надмірну солодкість, а третя асоціюватиме її із зовсім сторонніми особистими спогадами. І жодна з цих реакцій не обов’язково буде помилковою.
Для об’єктивної оцінки аромату, розробленого за допомогою ШІ, варто перевіряти щонайменше чотири аспекти:
- Ольфакторна якість: гармонійність композиції, характер, інтенсивність і розвиток запаху з часом.
- Технологічна придатність: стабільність формули, доступність інгредієнтів, собівартість і відповідність вимогам безпеки.
- Сприйняття споживачами: результати сліпого тестування на представниках цільової аудиторії.
- Комерційна перспективність: готовність покупців обрати аромат, повторно придбати його та рекомендувати іншим.
Особливо важливе сліпе тестування, коли учасники не знають, хто створив парфум — людина чи алгоритм. Інакше сама інформація про використання штучного інтелекту може впливати на очікування та оцінки.
Показовим був би експеримент, у якому кілька парфумерів і спеціалізована система ШІ отримують однакове завдання, однакову палітру інгредієнтів і однакові технічні обмеження. Їхні готові аромати оцінює незалежна група людей без інформації про авторство. Тільки такий підхід, за умови належної кількості учасників і повторних випробувань, дозволив би обґрунтовано порівнювати результативність різних методів створення.
Сам факт випуску парфумів із позначкою AI-generated або позитивні заяви виробника ще не доводять, що алгоритм здатен систематично створювати композиції, кращі за роботи професійних парфумерів.
Висновок: новий інструмент – не новий ніс
Штучний інтелект уже вміє виконувати завдання, які ще нещодавно здавалися недоступними комп’ютерам. Він здатен передбачати певні запахові властивості молекул, аналізувати мільйони рецептур, пропонувати нестандартні поєднання інгредієнтів і прискорювати виготовлення експериментальних композицій.
Проте на запитання, чи може алгоритм самостійно створити вдалий парфум, поки немає універсальної відповіді. Якщо йдеться про формулу, яка відповідає заданим параметрам, — так, це вже реальне практичне завдання. Якщо ж успіх означає аромат із виразним характером, технічною досконалістю та стійкою прихильністю покупців, одного алгоритмічного передбачення недостатньо.
Можливо, найцікавіший наслідок розвитку ШІ полягає навіть не в автоматизації парфумерії. Алгоритми можуть допомогти майстрам вийти за межі звичних поєднань і переосмислити власні уявлення про те, які інгредієнти доречно використовувати разом.
Історія Philyra з несподіваним акордовим рішенням на основі чаю масала добре це ілюструє. Людина принесла в роботу досвід і здатність оцінювати запах, а алгоритм — пропозицію, до якої цей досвід, можливо, ніколи не привів би.
Тому найбільш переконливий сценарій майбутнього парфумерії — не протистояння людини та машини, а їхня співпраця. Комп’ютер розширюватиме простір можливих композицій, парфумер перетворюватиме пропозиції на завершений продукт, а остаточну оцінку, як і раніше, даватиме людський нюх.
У Smart Smell ми переконані: хоч би як удосконалювалися технології створення ароматів, головним критерієм їхньої якості залишається людське сприйняття. Саме тому варто не лише вивчати парфумерні ноти та описи композицій, а й знайомитися із запахами особисто.
