top of page

Le nez IA d’Osmo revendique des capacités olfactives de niveau humain

il y a 15 minutes
13 min de lecture

Osmo affirme que son nez IA égale désormais l’humain moyen en matière de détection et de discrimination des odeurs, prolongeant une revendication qui nécessite encore des tests indépendants. Cette distinction importe, car décrire une molécule, concevoir un parfum et reconnaître une odeur hors d’un laboratoire constituent des réalisations différentes.

Cette affirmation est apparue dans un article publié le 18 novembre 2026, et non sous la forme d’une conclusion indépendante établissant une parité universelle avec l’humain. Osmo compare également ses capacités de conception de parfums à celles d’un parfumeur débutant. Ces déclarations inscrivent des tâches professionnelles précises dans ses ambitions, tout en faisant de la mesure de ces capacités un élément central du sujet.

Il existe un précédent scientifique. Une recherche publiée dans Science en 2023 a montré qu’un modèle antérieur prédisait mieux les descriptions d’un panel entraîné que le participant médian du panel. La question porte désormais sur l’étendue de ce résultat dans le travail commercial et les environnements physiques. Les développeurs de parfums font face à une interrogation concrète : quelles décisions un logiciel peut-il améliorer, et lesquelles exigent encore qu’une personne sente le résultat ?

Ce que couvre réellement l’affirmation concernant le nez IA d’Osmo

La dernière affirmation d’Osmo couvre plusieurs tâches, et chacune nécessite ses propres preuves. La détection des odeurs consiste à déterminer si une odeur est présente. La discrimination consiste à déterminer si des échantillons ont des odeurs différentes. La description relie un échantillon à un langage sensoriel, tandis que la conception de parfums propose un mélange destiné à produire une expérience recherchée.

Ces distinctions évitent une erreur fréquente dans la couverture médiatique de l’IA : traiter la réussite de tâches connexes comme une mesure unique de l’intelligence. Un système qui prédit des étiquettes descriptives n’établit pas automatiquement sa sensibilité à de faibles concentrations de substances chimiques dans l’air. Une formule qui semble appropriée ne démontre pas que le parfum final satisfait un client.

Le reportage sur l’affirmation d’un odorat de niveau humain de MIT Technology Review décrit les efforts d’Osmo pour relier les jugements sensoriels humains à des mesures chimiques. Près de l’aéroport de Newark, dans le New Jersey, des évaluateurs humains expérimentés contribuent à fournir les descriptions utilisées pour entraîner ses modèles. Leur participation intègre la perception humaine au processus de développement.

Cette relation est essentielle pour interpréter le langage de l’entreprise. Un modèle fondationnel est un modèle entraîné à grande échelle et destiné à prendre en charge de multiples tâches en aval. Appliquer cette étiquette à l’odorat exprime une ambition de réutilisation entre applications. Cela n’établit pas, en soi, que les performances se transfèrent de manière fiable entre ces applications.

La comparaison rapportée avec un parfumeur débutant mérite également une lecture précise. Le développement d’un parfum implique de générer des candidats, d’évaluer des mélanges, d’interpréter les retours et d’ajuster une composition. Égler une partie de ce processus serait pertinent commercialement. Égler l’ensemble du rôle nécessiterait des preuves sur toute la séquence.

La démonstration du journaliste illustre cette limite. Selon le reportage fourni, une requête a produit trois formules proposées, mais le journaliste n’a pas reçu ni évalué les parfums correspondants. Cette observation étaye une affirmation sur la génération de propositions. Elle laisse leur véritable qualité sensorielle non résolue.

C’est pourquoi le reportage de novembre est important sans établir une étape universelle. Osmo formule une revendication de capacité plus large autour d’une technologie disposant d’un historique de recherche existant. La réponse utile consiste à en séparer les composantes et à demander ce qui a été mesuré pour chacune d’elles.

Pour les lecteurs, la question centrale est donc concrète. Qu’est-ce qui est entré dans le système, qu’est-ce qui en est sorti, et qui a vérifié le résultat ? Ces détails déterminent si une démonstration montre une interprétation du langage, une prédiction chimique, une production de parfum ou la reconnaissance d’un échantillon physique.

Un système commercial peut encore apporter de la valeur avant que chaque composante n’atteigne la parité humaine. Aider des experts à sélectionner de meilleurs points de départ est un résultat produit significatif. Établir ce résultat exige des preuves différentes de celles requises pour déclarer le sens de l’odorat d’une machine équivalent à celui d’une personne.

Les développeurs de parfums font face à une question de flux de travail

La pression à court terme s’exerce sur les flux de développement de parfums, où des propositions utiles nécessitent encore une évaluation physique. L’affirmation d’Osmo remet en question la manière dont les équipes répartissent le travail entre les logiciels et les évaluateurs expérimentés. Elle n’établit pas que les entreprises devraient retirer le jugement sensoriel de leur processus.

Prenons l’exemple hypothétique d’un brief pour un parfum censé évoquer la fraîcheur sans sentir fortement les agrumes. Un modèle pourrait proposer des compositions candidates correspondant à ces mots. L’acheteur doit toujours déterminer si les mélanges finis transmettent l’impression recherchée et restent adaptés au produit.

Cet écart crée une opportunité commerciale précise. Un logiciel aidant les équipes à parvenir plus tôt à des candidats prometteurs réduirait les explorations improductives. Mais la comparaison pertinente porte sur l’ensemble du processus de développement, y compris les propositions rejetées et les révisions, plutôt que sur la vitesse de génération d’une réponse initiale.

La même distinction s’applique aux références clients. La participation d’une entreprise à un projet démontre de l’intérêt ou un engagement. Elle ne révèle pas automatiquement à quel point un système est utilisé, à quelle fréquence des personnes le corrigent ou si le projet améliore les résultats commerciaux.

Les acheteurs ont donc besoin d’une définition claire de la décision soutenue. Le système suggère-t-il des ingrédients, classe-t-il des mélanges proposés, interprète-t-il un brief écrit ou évalue-t-il un échantillon mesuré ? Chaque fonction introduit des dépendances différentes et offre une manière différente d’évaluer la valeur.

Pour un parfumeur, un assistant utile pourrait élargir l’ensemble des candidats qui méritent d’être examinés. Pour un chef de produit, le bénéfice pourrait consister en une itération plus claire entre un brief créatif et un échantillon de laboratoire. Aucun de ces résultats n’exige d’affirmer que chaque aspect de l’olfaction humaine a été reproduit.

La pression sur les équipes établies est donc pratique plutôt qu’existentielle. Si le développement assisté par modèle produit des résultats acceptables avec moins d’itérations infructueuses, leurs processus existants méritent d’être réexaminés. Si des propositions attrayantes nécessitent d’importantes corrections, une interface soignée peut dissimuler du travail plutôt que l’éliminer.

Cela modifie également la manière dont les équipes devraient documenter les évaluations. Conserver ensemble le brief initial, la composition proposée, les retours des évaluateurs et la décision finale facilite la distinction entre les contributions du modèle et les corrections humaines ultérieures. Une base de connaissances consultable peut soutenir cette tenue de registres sans se substituer à l’évaluation sensorielle.

Pour les développeurs intégrant une telle technologie, le format de sortie compte autant que la capacité mise en avant. Une formule proposée, une estimation de confiance et une description des informations manquantes soutiennent des décisions différentes. Les applications devraient rendre ces distinctions visibles pour les personnes responsables d’accepter le résultat.

L’argument commercial le plus solide relierait la sortie logicielle à un produit physique accepté et à un bénéfice de développement documenté. Cela donnerait aux acheteurs des preuves qu’ils pourraient comparer à leurs propres processus. Une affirmation générale d’intelligence de niveau humain ne peut pas fournir seule cette comparaison.

Les recherches antérieures étayent un résultat plus étroit et mesurable

Le fondement scientifique publié concerne la prédiction de descriptions d’odeurs, avec une comparaison humaine définie. Il s’agit d’un résultat substantiel, et sa précision le rend utile. Préserver ces limites fournit une base plus solide pour évaluer les affirmations plus larges qui entourent désormais Osmo.

L’étude de 2023 sur la carte principale des odeurs a utilisé un réseau neuronal graphique, un modèle qui traite les relations entre éléments connectés. Ici, ces éléments représentaient des structures moléculaires. Les chercheurs cherchaient une représentation préservant les relations entre la chimie et l’odeur perçue.

Lors d’un test prospectif portant sur 400 odorants auparavant non caractérisés, les descriptions du modèle correspondaient davantage à la moyenne du panel entraîné qu’aux descriptions du participant médian. Un odorant est une substance qui produit une odeur. La comparaison portait sur l’accord descriptif dans les conditions de l’étude.

Le point de référence importe. L’accord avec une moyenne de panel mesure dans quelle mesure un modèle prédit des descriptions partagées. Il ne mesure pas l’expérience de chaque individu, chaque concentration ou chaque environnement possible. Ces aspects exigeraient des questions supplémentaires et des expériences correspondantes.

L’étude a également divulgué des liens commerciaux impliquant Osmo. Cette divulgation aide les lecteurs à évaluer qui a développé la technologie et qui a intérêt à sa commercialisation. L’évaluation par les pairs et les intérêts divulgués fournissent du contexte ; ni l’un ni l’autre ne supprime la nécessité d’examiner ce que l’expérience a réellement testé.

Le compte rendu de Monell sur l’expérience de prédiction des odeurs décrit le processus d’évaluation humaine. Les participants ont appris un vocabulaire de 55 descripteurs et évalué les substances testées. Cette approche structurée a créé un langage commun permettant de comparer la sortie du modèle aux jugements humains.

Pour quiconque cherche une explication du nez IA d’Osmo fondée sur des preuves, voici la distinction cruciale : une tâche de prédiction contrôlée rend les performances mesurables. Le vocabulaire choisi, les échantillons et la méthode de comparaison établissent ce que signifie un résultat. Élargir l’affirmation exige d’élargir les preuves.

Une analogie utile serait un modèle qui prédit la manière dont un panel décrira une photographie. Un fort accord établirait quelque chose sur les descriptions. Il laisserait ouvertes des questions distinctes concernant l’utilisation d’un appareil photo, la reconnaissance d’une scène dans de mauvaises conditions de visibilité ou la décision de l’action à entreprendre.

De même, la prédiction des odeurs peut soutenir un travail utile sans démontrer une olfaction artificielle complète. Elle peut aider les chercheurs à organiser des molécules candidates ou à estimer des caractéristiques sensorielles probables. La question de savoir si ces prédictions améliorent une application commerciale particulière dépend des entrées de l’application et de ses critères d’acceptation.

Le résultat historique modifie également la manière dont l’affirmation de novembre devrait être présentée. Des performances comparables à celles de l’humain dans une expérience précise de description d’odeurs faisaient déjà partie du dossier de recherche en 2023. L’actualité concerne la caractérisation plus large par Osmo de ses capacités et de leur portée pratique proposée.

Cette distinction évite de traiter un résultat scientifique plus ancien comme un événement nouvellement établi. Elle soumet également l’entreprise à une évaluation plus équitable. La question est de savoir ce que ses systèmes plus récents ajoutent au-delà de la base publiée, et comment des évaluateurs externes peuvent vérifier ces ajouts.

Osmo face aux nez électroniques : des limites de système différentes

Un modèle qui prédit une odeur et un appareil qui échantillonne l’air résolvent des problèmes liés mais différents. Le succès commercial dépend de la manière dont ces composants fonctionnent ensemble. Comparer des entreprises sans préciser cette limite risque de confondre une capacité logicielle avec un système de détection complet.

Un nez électronique est un système qui interprète les réponses de capteurs chimiques afin d’identifier ou de classifier des motifs d’odeurs. L’entrée commence par un échantillon physique. À l’inverse, un modèle de prédiction peut fonctionner sur une représentation moléculaire sans collecter indépendamment quoi que ce soit dans l’air environnant.

Aryballe fournit une comparaison historique pertinente. Un profil du CEA de décembre 2022 décrit son approche de détection numérique des odeurs comme une comparaison entre des odeurs mesurées et des références dans une bibliothèque. Le profil cite le développement de produits industriels et le contrôle qualité parmi ses applications.

Ce compte rendu souligne également l’humidité, la concentration et le nombre de molécules odorantes comme sources de difficulté. Ces variables aident à expliquer pourquoi un résultat de laboratoire ne peut pas établir les performances partout. Le processus de mesure reste une composante du système évalué.

Cette comparaison n’établit pas de classement actuel des performances entre Aryballe et Osmo. Les descriptions disponibles concernent des capacités et des périodes de référence différentes. Un classement valable nécessiterait des échantillons communs, des conditions comparables et une tâche clairement définie.

La question d’Osmo face aux nez électroniques porte donc sur le point de départ et les limites d’un système proposé. Reçoit-il une structure moléculaire connue ? Analyse-t-il des mesures de laboratoire ? Échantillonne-t-il directement l’environnement ? Ces entrées créent différentes opportunités et différents modes de défaillance.

Dans le cas hypothétique d’un déploiement pour le contrôle qualité, l’entreprise pourrait avoir besoin d’une alerte lorsqu’un produit s’écarte d’une référence acceptée. Générer une description évocatrice serait secondaire. L’acheteur se soucierait des écarts non détectés, des alertes inutiles et de performances fiables dans diverses conditions d’exploitation.

Une application de conception de parfums inverse cette priorité. Ses utilisateurs pourraient surtout vouloir savoir si des mélanges candidats répondent à un brief créatif. Reconnaître une odeur inattendue dans l’air ambiant apporterait peu, sauf si le produit inclut spécifiquement cette capacité.

Le défi stratégique plus large découle de cette séparation. Un modèle réutilisable gagne en valeur lorsque ses représentations prennent en charge plusieurs tâches. Mais chaque tâche supplémentaire exige toujours un processus de mesure approprié et une évaluation propre à l’application.

C’est ici que les affirmations concernant une plateforme olfactive générale rencontrent des contraintes physiques. Un meilleur logiciel peut améliorer l’interprétation des informations disponibles. Il ne peut pas établir qu’un capteur déployé a capturé les bonnes informations, à moins que cette partie du processus soit également testée.

Pour les acheteurs évaluant le nez IA d’Osmo, l’unité pratique de comparaison devrait être un flux de travail complet. La collecte des entrées, l’interprétation par le modèle, la revue humaine et la décision finale doivent tous faire partie de l’évaluation. Cette approche rend les réussites limitées visibles tout en révélant les lacunes que des appellations générales peuvent masquer.

Le jugement humain reste central dans le déficit de vérification

La question non résolue est de savoir quelle part de l’affirmation plus large d’Osmo résiste à des tests indépendants dans des conditions clairement spécifiées. La participation humaine n’invalide pas l’apprentissage automatique. Elle implique toutefois que l’entreprise devrait expliquer où l’expertise humaine fournit les données d’entraînement, corrige les résultats et détermine la réussite.

Les éléments fournis décrivent les critiques du scientifique spécialiste de l’odorat Avery Gilbert concernant la documentation et la dépendance continue aux panels sensoriels. Cette contestation concerne les preuves étayant les affirmations. Elle ne doit pas être reformulée comme une preuve que la technologie échoue.

Michael Schmuker, qui a auparavant conseillé Osmo, apporte une perspective différente dans ces éléments. Il reconnaît la réussite technique tout en soulignant le contexte et les limites des capteurs. Sa relation antérieure doit accompagner son évaluation, car les lecteurs ont besoin des deux pour interpréter ce point de vue.

Ces perspectives peuvent coexister. Un modèle peut représenter un progrès significatif alors que son marketing s’étend au-delà des résultats documentés publiquement. Un critique peut identifier un problème de vérification légitime sans établir que la recherche sous-jacente manque de valeur.

Le contexte ajoute une autre limite. Identifier un motif chimique et interpréter sa signification dans un cadre particulier sont deux jugements distincts. Les observateurs humains apportent des attentes concernant l’objet, le lieu et la situation à l’expérience olfactive.

Un système conçu pour un flux de travail de parfumerie contrôlé peut fonctionner dans le cadre d’une tâche relativement définie. Évoluer vers une reconnaissance ouverte soulève des questions sur les échantillons inconnus et les conditions changeantes. Les preuves issues du cadre initial ne doivent pas devenir silencieusement des preuves pour le cadre élargi.

La même prudence s’applique aux ambitions médicales ou de sécurité. Ces applications impliquent des conséquences différentes lorsque le système se trompe. La qualité des propositions de parfums n’établit pas l’exactitude de la détection de maladies, et un projet exploratoire n’établit pas l’aptitude à prendre des décisions cliniques.

Une évaluation rigoureuse rendrait visible la tâche de comparaison avant de présenter le score. Les évaluateurs doivent savoir quels échantillons ont été utilisés, comment ils ont été sélectionnés et ce qui comptait comme une réponse correcte. Ils doivent également comprendre à quelle fréquence des personnes sont intervenues.

Les moyennes de performance méritent une attention particulière. Un résultat synthétique peut masquer des différences entre les échantillons faciles et difficiles. Les acheteurs ont besoin de preuves pertinentes pour les cas qui comptent dans leur contexte, y compris ceux où le système devrait reconnaître son incertitude.

Il existe également une différence entre reproduire un résultat et répéter une démonstration d’entreprise. Les évaluateurs indépendants devraient contrôler une part suffisante du processus pour tester l’affirmation plutôt que suivre un parcours préparé. Cela rend les cas infructueux informatifs au lieu de les considérer comme gênants.

L’entreprise n’a pas besoin de divulguer chaque détail commercial pour qu’une évaluation externe devienne utile. Elle peut néanmoins définir les tâches, expliquer les protocoles et autoriser des comparaisons encadrées de manière appropriée. Ces étapes rendraient la discussion plus précise, tant pour les partisans que pour les critiques.

Le jugement correct à ce stade est circonscrit. Osmo dispose d’une base de recherche publiée, d’une affirmation plus large de l’entreprise et de questions non résolues sur la manière dont ces capacités se traduisent en applications complètes. Distinguer ces catégories permet aux lecteurs de mieux comprendre à la fois les progrès et l’incertitude.

Trois signaux clarifieront la suite

Les prochaines preuves utiles devraient relier des mesures indépendantes à des résultats physiques et à des résultats clients. Au cours des prochains mois, surveillez les détails d’évaluations publiés, les évaluations d’échantillons achevées et les résultats de déploiements documentés. Il s’agit de priorités d’observation, et non d’engagements de lancement annoncés.

Premièrement, surveillez une évaluation spécifique à une tâche du système actuel que des chercheurs externes peuvent examiner. La version la plus solide identifierait le groupe de comparaison humain, la sélection des échantillons, les conditions de test et le traitement des réponses incertaines. Elle distinguerait également la contribution du modèle de celle des équipements de soutien et de l’intervention humaine.

De telles preuves renforceraient l’affirmation plus large si les performances se maintiennent sur des échantillons inconnus et lors d’évaluations répétées. Des résultats plus limités resteraient utiles, à condition que les conclusions respectent leur périmètre. Une dépendance continue à un langage général sur les capacités laisserait largement inchangé le déficit actuel de vérification.

L’évaluation devrait également expliquer ce que signifie en pratique « humain moyen ». Des participants non formés, des panélistes sensoriels formés et des parfumeurs en activité offrent des points de référence différents. Le choix entre eux modifie l’interprétation d’une comparaison, même lorsque le score communiqué reste identique.

Deuxièmement, surveillez les évaluations qui suivent les propositions de parfums jusqu’aux échantillons physiques finalisés. Cela permettrait de combler l’écart entre la génération d’une composition et la fourniture d’un résultat sensoriel. Les évaluateurs devraient connaître le brief et évaluer les échantillons obtenus sans s’appuyer sur le pouvoir de persuasion de la description générée.

Un résultat favorable montrerait que la génération de propositions se traduit par des candidats finis utiles. Des reformulations importantes révéleraient où l’expertise humaine reste essentielle. Dans un cas comme dans l’autre, cela offrirait davantage d’enseignements commerciaux qu’une démonstration s’arrêtant à des formules sur un écran.

Ce signal importe car la concrétisation physique force les hypothèses du système à prendre une forme testable. Une description peut rester ambiguë, tandis qu’un échantillon offre aux évaluateurs un élément concret à comparer. La relation entre les caractéristiques promises et les résultats perçus devient alors visible.

Troisièmement, surveillez les résultats clients documentés issus d’une application clairement circonscrite. Un projet de parfumerie devrait rapporter des résultats de développement pertinents pour le travail de parfumerie. Un déploiement de détection devrait rapporter des performances dans son environnement opérationnel réel. Ces résultats devraient être évalués par rapport au processus précédent du client ou à une autre référence significative.

Des preuves d’utilisation répétée et d’amélioration mesurable du flux de travail renforceraient l’argument commercial, même sans parité humaine universelle. Une liste de clients sans résultats correspondants laisserait l’ampleur de l’adoption incertaine. Cette distinction aide les acheteurs à évaluer l’utilité indépendamment de l’affirmation phare.

Pour les développeurs, ces signaux indiquent où le travail d’intégration devrait commencer. Commencez par une tâche dont les entrées, les sorties et les critères d’acceptation peuvent être clairement formulés. Une application limitée offre une meilleure base d’évaluation qu’une interface promettant un sens artificiel sans restriction.

Pour les acheteurs en entreprise, demandez quelles décisions le système soutient et quelles personnes restent responsables de l’acceptation de ses résultats. Demandez des exemples incluant les cas infructueux, les révisions et le résultat physique final. Ces dossiers révèlent si le produit améliore le travail ou produit seulement des réponses intermédiaires convaincantes.

Pour les lecteurs qui suivent l’histoire du nez IA d’Osmo, comparez chaque nouvelle annonce à la question précise à laquelle elle répond. Recherchez des échantillons évalués de manière indépendante, des références humaines clairement définies et des résultats clients liés à une tâche réelle. Considérez-les comme des éléments de preuve distincts, puis examinez la manière dont ils s’articulent. Un outil de parfumerie réussi mériterait l’attention selon ses propres critères. Un système fiable de détection environnementale établirait quelque chose de différent. La prochaine affirmation à examiner est celle qui montre exactement ce qui est entré dans le système, ce qui en est sorti et qui a vérifié le résultat.

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page