향수 제조사의 작업실과는 전혀 닮지 않은 어느 실험실에서, 수백 개의 갈색 병이 끼워진 오르간도 없고, 종이 공작새처럼 책상 위에 펼쳐진 시향지도 없고, 문 뒤 고리에 걸린 얼룩진 가죽 앞치마도 없는 곳에서, 한 대의 기계가 향수를 조합하고 있다. 기계는 아무 냄새도 맡지 못한다. 코가 없다. 베티버가 자몽과 잘 어울리는지에 대한 견해도 없고, 조합에 상단부의 가벼움이 더 필요한지, 베이스의 따뜻함이 더 필요한지 판단하는 본능도 없다. 기계가 가진 것은 데이터다. 지난 한 세기 동안의 약 40만 개 처방이 디지털화되어 소비자 패널 점수, 판매 수치, 지역별 선호도, 분자 설명자와 함께 태그되어 있다. 특정 원료 조합과 특정 소비자 결과 사이의 통계적 상관관계를 식별하도록 훈련된 알고리즘도 있다. 구매 의향, 지각된 품질, 감정적 연상, 재구매 가능성 같은 결과들이다. 그리고 이 기계는 측정 가능한 모든 기준에서 최적일 처방을 만들어 내라는 요청을 받았다.
읽는 데 12분
기계는 성공할 것이다. 기계가 만들어 낸 처방은 소비자 패널에서 좋은 점수를 받을 것이다. 여러 인구통계 집단에서 긍정적인 평가를 받을 것이다. 누구에게도 불쾌감을 주지 않을 것이다. 누구도 혼란스럽게 하지 않을 것이다. 향의 공간에서 편안하고 사람이 많이 몰려 있는 영역, 업계에서는 ‘상업적 스위트 스폿’이라 부르고 후각이 정상적으로 작동하는 사람이라면 ‘익숙함’이라 부를 영역을 차지할 것이다. 그것을 접한 대부분의 사람들은 그 향이 완벽하게 괜찮다고 판단할 것이다.
문제는 ‘완벽하게 괜찮은 것’이 향수 제조인가 하는 점이다.
머신 러닝을 향수 개발에 적용하는 일은 추측이 아니다. 지금 이 순간에도 세계 최대 향료·향미 기업들의 연구 부서에서 산업 규모로 진행되고 있다. 기술의 정교함에는 차이가 있다. 어떤 시스템은 비용과 가용성을 기준으로 원료 대체품을 제안하는 비교적 단순한 예측 모델이고, 어떤 시스템은 수십 년간 축적된 독점 처방 데이터로 훈련된 심층 신경망이다. 그러나 모든 경우의 기본 논리는 같다. 기존 처방과 소비자 반응 데이터가 짝지어진 대규모 자료를 기계에 입력한다. 분자 구성과 인간의 선호 사이의 통계적 관계를 기계가 학습하게 한다. 그런 다음 원하는 소비자 결과가 나타날 확률을 극대화하는 새로운 처방을 생성하라고 기계에 요청한다.
본질적으로 이것은 향수 제조에 적용한 회귀 분석이다. 어떤 의미에서도 창작은 아니다.
이 구분은 중요하며, 그 이유를 정확히 짚어 볼 필요가 있다. 대부분의 머신 러닝의 핵심에 있는 수학적 기법인 회귀 분석은 데이터 점들의 구름을 가장 잘 관통하는 선을 찾는다. 중심 경향을 식별한다. 평균이 어디에 위치하는지 알려 준다. 이는 많은 분야에서 대단히 유용하다. 부동산 가격, 소비자 행동, 질병의 경과, 선거 결과를 예측하려 한다면 평균을 아는 것만으로도 많은 것을 알 수 있다. 그러나 향수 제조는 예측 문제가 아니다. 적어도 역사적으로는 창의적 문제였다. 그리고 창의적 문제는 중심을 찾는 것으로 해결되지 않는다. 가장자리에서 답을 찾는 것으로 해결된다.
업계를 진정으로 바꾼 모든 향수, 돌이켜 보았을 때 한 시대를 규정하거나 새로운 범주를 연 모든 조합은 당대의 합의에서 벗어남으로써 그렇게 했다. 최초의 현대적 푸제르는 1882년 남성 향수에서 누구도 예상한 것이 아니었다. 최초의 위대한 알데하이드 플로럴은 1920년대 여성 향수에서 누구도 예상한 것이 아니었다. 디하이드로미르세놀과 헤디온을 기반으로 만든 최초의 위대한 프레시 남성 향수는 1980년대 남성 향수에서 누구도 예상한 것이 아니었다. 최초의 깨끗한 피부 향을 내는 머스크 분자는 2000년대 초 어떤 향수에서도 누구도 예상한 것이 아니었다. 모든 경우에 이 조합들이 성공한 것은 기존 선호도에 맞았기 때문이 아니라 새로운 선호도를 만들어 냈기 때문이다. 중심을 찾은 것이 아니다. 중심을 옮긴 것이다.
역사적 데이터로 훈련된 알고리즘은 구조적으로 중심을 옮길 수 없다. 중심을 찾을 수 있을 뿐이다. 그것도 외과 수술처럼 정밀하게 찾아낼 수 있으며, 인간 조향사라면 따라갈 수 없는 효율로 스위트 스폿을 차지하는 처방을 만들어 낼 수 있다. 그러나 스위트 스폿을 차지하는 것은 혁신이 아니다. 최적화다. 그리고 향수의 역사는 최적화와 혁신이 같은 것이 아니며, 사실상 서로 대립할 수도 있음을 보여 준다.
반론이 하나 있으며, 진지하게 검토할 가치가 있다. 반론은 다음과 같다. 인간 조향사 역시 어떤 의미에서는 알고리즘이다. 조향사는 자신이 맡아 본 모든 냄새, 공부한 모든 처방, 경력을 쌓으며 관찰한 모든 소비자 반응 등 후각 데이터의 집합으로 훈련된 생물학적 신경망이다. 낭만주의자들이 상상하고 싶어 하는 것처럼 그들의 창작 과정은 뮤즈가 내려 주는 영감의 섬광이 아니다. 패턴 인식, 재조합, 반복적 개선이다. 조향사는 오르간 앞에 앉아 경험과 직관에 따라 원료를 고르고, 시험 처방을 혼합하고, 평가하고, 조정하고, 다시 평가한다. 그 과정은 신비로운 것이 아니라 경험적이다. 기계가 같은 작업을 더 빠르고 체계적으로 수행할 수 있다면, 정확히 무엇을 잃게 되는가?
잃는 것은 오류다.
역설처럼 들리므로 정확히 말해 보자. 인간 조향사는 실수한다. 어떤 원료를 과량 사용했다가 그 과량이 예상하지도, 예측하지도 못한 효과를 만들어 낸다는 사실을 발견한다. 시험 배치를 우연히 오염시켰다가 그 오염 물질이 흥미로운 무언가를 더해 준다는 사실을 발견한다. 향수 제조의 합성 소재 혁신의 역사는 이런 행복한 충돌로 가득하다. 자신의 메모를 잘못 읽어 원래 조합하려던 것이 아닌 원료들을 결합하고, 그 결과가 계획했던 것보다 더 좋아지기도 한다. 향수의 역사는 이런 사고들, 신중한 과정이었다면 막았을 예정에 없던 원료의 충돌에 그 개성을 빚진 조합들로 가득하다.
알고리즘은 이런 실수를 하지 않는다. 알고리즘은 지시받은 일을 정확히 수행한다. 목적 함수를 최적화한다. 기울기를 따라간다. 전혀 탐색되지 않은 영역으로 우연히 들어가지 않는다. 애초에 헤매지 않기 때문이다. 수학적 정밀성을 가지고 최적점을 향해 움직인다. 그리고 소비자 패널 데이터로 정의된 최적점은 언제나 중심이다. 평균이다. 합의다.
오류가 가진 창의적 잠재력은 낭만적인 환상이 아니다. 모든 창작 분야에서 잘 기록된 현상이다. 오염된 페트리 접시 때문에 페니실린을 발견한 생물학자. 안테나의 설명할 수 없는 잡음 때문에 우주 마이크로파 배경을 발견한 물리학자. 콘서트 도중 현이 끊어져 즉흥 연주를 해야 했고, 그 결과 새로운 화성 언어를 발견한 음악가. 이것은 서투른 사람을 위로하기 위해 지어낸 출처 불명의 이야기가 아니다. 계획에서 벗어난 것이 창의적 돌파구로 이어지는 경우가 많으며, 일탈을 제거하도록 설계된 시스템은 구조적으로 그 돌파구의 가능성도 제거한다는 일반 원리가 실제로 발생한 기록이다.
컴퓨터를 활용한 향수 제조에 대한 두 번째 반론은 더 철학적이며, 선호 자체의 본질과 관련된다.
이 알고리즘이 훈련되는 데이터인 소비자 패널 데이터는 표현된 선호를 측정한다. 질문을 받았을 때 사람들이 무엇을 좋아한다고 말하는지를 기록한다. 그러나 표현된 선호와 실제 선호는 같지 않다. 표현된 선호는 보수적이다. 익숙한 것과 낯선 것 중 하나를 고르라는 질문을 받으면 대부분의 사람은 대부분의 상황에서 익숙한 것을 고른다. 이것은 어리석음이 아니다. 심리학자 로버트 자이언츠가 1968년 Journal of Personality and Social Psychology에 발표한 획기적인 논문에서 처음 설명한 잘 알려진 인지 편향인 단순 노출 효과이며, 공통된 어휘가 없어 소비자가 어떤 것을 좋아하거나 싫어하는 이유를 표현하기가 특히 어려운 후각 평가에서 강력하게 작용한다. 기존의 어떤 범주에도 들어맞지 않고 혼란과 흥미를 똑같이 불러일으키는 진정으로 새로운 향수를 마주하면, 소비자 패널은 십중팔구 낮은 점수를 매긴다. 향수가 나빠서가 아니라 패널에 그것을 평가할 틀이 없기 때문이다.
소비자 패널 데이터로 훈련된 알고리즘은 이러한 보수성을 물려받는다. 새로움은 위험하고 익숙함은 안전하다는 것을 학습한다. 사람들이 가장 높은 점수를 주는 향수는 이미 높은 점수를 준 향수와 가장 비슷한 향수라는 것을 학습한다. 한마디로 소비자 조사의 가장 근본적인 교훈을 학습한다. 사람은 자신이 이미 좋아하는 것을 좋아한다. 그리고 그에 맞춰 최적화한다.
그 결과 업계가 ‘안전한 선택’이라 부르는 것을 탁월하게 만들어 내는 기계가 탄생한다. 실패하지 않고, 상업적 생존 가능성의 최소 기준에 도달하며, 냄새를 맡는 누구도 놀라게 하거나 불편하게 하거나 도전 의식을 자극하지 않는 향수다. 이런 향수는 팔릴 것이다. 일부는 아주 잘 팔릴 것이다. 그러나 업계를 바꾸지는 못할 것이다. 업계를 바꾸려면 소비자 패널이 점수를 매길 줄 모르는 무언가를 만들어야 하기 때문이다. 향수 제조를 바꾼 조합들은 창작되는 순간 모두 놀라운 것이었다. 누구도 요청하지 않은 것, 예비 테스트에서 낮은 점수를 받은 것, 데이터가 성공을 예측했기 때문이 아니라 한 사람, 조향사나 크리에이티브 디렉터 또는 사업가가 데이터에도 불구하고 그것을 믿었기 때문에 성공한 것이었다.
알고리즘은 데이터에도 불구하고 무언가를 믿을 수 없다. 데이터에도 불구하고 믿는 것은 알고리즘이 구조적으로 할 수 없는 유일한 일이다. 알고리즘은 데이터를 따른다. 그것이 알고리즘의 장점이자 한계다. 그리고 가장 중요한 결정이 데이터를 거스르는 것인 분야, 창의적 발전의 역사가 합의를 무시한 사람들이 결국 옳았던 역사인 분야에서 그 한계는 사소하지 않다. 근본적이다.
내가 주장하지 않는 것이 무엇인지 분명히 해 두겠다. 인공지능이 향수 제조에서 아무 역할도 하지 못한다고 주장하는 것이 아니다. 인공지능에는 명백하고 유용한 활용 분야가 있다. 규제 변경으로 제한 원료를 철수해야 할 때 리포뮬레이션 과정을 가속할 수 있다. 조합의 성격을 유지하면서 가격을 낮추는 비용 효율적인 대체품을 제안할 수 있다. 방대한 소비자 피드백 데이터를 분석해 인간 분석가가 놓칠 수 있는 경향을 찾아낼 수 있다. 가능한 원료 조합의 거대한 다차원 공간을 매핑하고 인간 조향사가 아직 탐색하지 않은 영역을 조명할 수 있다. 이는 가스 크로마토그래피가 한때 영업 비밀로 묶여 있던 처방을 해독했던 것과 거의 같은 방식이다. 모두 유용한 기능이다. 시간을 절약하고, 비용을 줄이며, 조향사의 도구 상자를 확장한다. 진지한 사람이라면 그 어느 것에도 반대하지 않는다.
내가 주장하는 것은 이것들이 모두 최적화 기능이라는 점이다. 기존 과정을 더 효율적으로 만들 뿐이다. 창조하지는 않는다. 최적화와 창조의 차이는 말장난이 아니다. 알려진 지형을 가로지르는 최적의 경로를 찾는 것과, 그 지형이 알려진 경계 너머까지 이어진다는 사실을 발견하는 것의 차이다. 머신 러닝은 전자에는 탁월하다. 후자에는 구조적으로 무능하다. 후자는 정의상 데이터를 넘어가야 하지만, 머신 러닝은 정의상 데이터에서 패턴을 추출하는 방법이기 때문이다.
향수 업계가 컴퓨터 도구에 열광하는 것은 이해할 만하다. 현대 향수 제조의 경제 상황은 가혹하다. 상업용 향수의 평균 개발 기간은 수년에서 수개월로 압축되었다. 브리프는 더 구체적이고, 예산은 더 작아졌으며, 실패의 비용은 더 커졌다. 이런 환경에서는 허용 가능한 처방에 도달하는 데 필요한 반복 횟수를 줄여 주는 도구가 엄청난 가치를 가진다. 하지만 이 문장에서 ‘허용 가능한’이라는 말은 많은 일을 하고 있다. 허용 가능한 처방은 브리프를 충족하고, 테스트에서 충분한 점수를 받으며, 비용 상한선 아래에 머무는 처방이다. 허용 가능한 처방은 걸작이 아니다. 대부분의 경우 특별히 흥미롭지도 않다. 그저 적절하다. 그리고 산업 규모에서 적절함은 예술의 적이다.
마지막으로 고려해야 할 점이 하나 있으며, 어쩌면 가장 불안한 문제일지도 모른다. 향수 개발이 소비자 데이터로 훈련된 알고리즘 도구에 의존할수록 업계의 결과물은 통계적 평균을 향해 더욱 수렴할 것이다. 새로 나오는 AI 최적화 처방은 모두 설계상 선호도 분포의 중심을 차지할 것이다. 시간이 지나면 중심 자체도 이동하겠지만, 그 속도는 느릴 것이다. 알고리즘의 결과물이 자신이 훈련받은 바로 그 선호를 강화하기 때문이다. AI 최적화 향수에 반복적으로 노출된 소비자는 그 향수에 의해 형성된 선호를 갖게 되고, 그 선호는 다시 다음 세대 알고리즘의 훈련 데이터가 된다. 그 결과는 피드백 루프다. 기계는 사람들이 좋아하는 것을 만들고, 사람들은 기계가 만드는 것을 좋아하도록 학습하며, 기계는 그것을 더 많이 만든다.
이는 가상의 시나리오가 아니다. 알고리즘 추천 및 생성 시스템을 도입한 다른 창작 산업에서 이미 일어난 일을 정확히 묘사한 것이다. 참여도를 최적화하는 음악 스트리밍 플랫폼은 대중음악의 음향적 특성을 측정 가능하게 수렴시켰다. 더 크고, 더 짧고, 더 반복적이며, 후렴이 더 일찍 등장하고, 다이내믹 레인지가 좁아졌다. 관심을 최적화하는 소셜 미디어 플랫폼은 인기 콘텐츠의 시각적 특성을 수렴시켰다. 채도가 더 높고, 더 촘촘하게 잘려 있으며, 감정적으로 더 극단적이다. 알고리즘은 일부러 지형을 평평하게 만들지 않는다. 평균을 향해 최적화하는 과정의 부작용으로 지형을 평평하게 만든다.
향수 제조도 이 역학에서 자유롭지 않다. 업계의 개발 파이프라인이 합의를 최적화하는 AI 도구에 점점 더 의존하게 되면, 피할 수 없는 결과는 후각 영역의 축소다. 시장이 너무 크고 세분화되어 있어 하나의 향수로 좁혀지지는 않겠지만, 각 세그먼트 안에서는 좁아질 것이다. 프레시 남성 향수는 서로 수렴할 것이다. 달콤한 여성 향수도 수렴할 것이다. 앰버 우드 향수도 수렴할 것이다. 각 범주는 내부적으로 더욱 균질해질 것이다. 새로운 제품을 설계하는 알고리즘이 기존 제품을 만들어 낸 것과 같은 데이터로 훈련되기 때문이다. 영역이 한 점으로 좁혀지는 것은 아니다. 하나의 군집으로 좁혀지는 것이다.
이것이 중요한지는 향수 제조가 무엇을 위한 것이라고 생각하느냐에 달려 있다. 향수 제조가 시장 수요를 충족하도록 설계된 소비재를 생산하는 산업이자 거래라면, 최적화는 올바른 전략이고 수렴은 감수할 만한 비용이다. 소비자는 원하는 것을 얻는다. 기업은 돈을 번다. 누구도 불평하지 않는다.
그러나 향수 제조가 예술이기도 하다면, 즉 기존 선호를 충족하는 데서 그치지 않고 새로운 후각 경험의 가능성을 드러내는 창작 분야라면, 수렴은 비용이 아니다. 재앙이다. 옹호할 가치가 있는 어떤 정의로든 예술에는 놀라움의 가능성이 필요하기 때문이다. 다음 조합이 지금까지 누구도 맡아 보지 못한 것, 어떤 데이터 세트도 예측하지 못한 것, 기존 범주에 들어맞지 않아 소비자 패널이 거부했을 무언가일 가능성이 필요하다.
알고리즘은 그것을 만들어 낼 수 없다. 조향사는 할 수 있다. 안정적으로도, 일관되게도, 일정에 맞춰서도, 예산 안에서 할 수 있는 것은 아니다. 그러나 때로는, 예측할 수 없게, 모든 상업적 논리에 맞서, 수백 개의 갈색 병으로 둘러싸인 오르간 앞에 앉은 인간이 어떤 기계도 제안하지 않았을 방식으로 원료를 결합하고, 그 결과 진정으로 새로운 무언가가 탄생한다. 중심을 차지하는 대신 중심을 옮기는 무언가. 데이터가 작동하지 않을 것이라고 말한 무언가.
이런 순간은 드물다. 점점 더 드물어지고 있다. 업계가 주의하지 않는다면 이런 순간은 완전히 사라질 것이다. 기술이 그것을 금지해서가 아니라 경제 구조가 더 이상 그런 순간을 위한 여지를 남기지 않기 때문이다. 기계는 조합할 것이다. 기계는 최적화할 것이다. 기계는 완벽하게 괜찮고, 모든 패널에서 좋은 점수를 받으며, 누구에게도 불쾌감을 주지 않는 향수를 만들어 낼 것이다.
그것을 향수 제조라고 부를 수 있는지는 기계가 판단할 수 있는 문제가 아니다. 대답해야 하는 것은 코를 가진 사람일 것이다.
20% 농도의 엑스트라 7종, 하나의 컬렉션. 디스커버리 세트에는 7종 모두가 2ml로 담겨 있다.
