La startup Osmo entrena una IA para oler con 10 millones de valoraciones humanas y genera fragancias a partir de texto
La startup Osmo enseña a una red neuronal a «oler»: a partir de la composición molecular predice cómo valorará una persona un aroma y crea una fragancia a partir de una consulta de texto. Antes había menos de 200.000 descripciones de datos disponibles, así que la compañía generó por su cuenta 10 millones de valoraciones de catadores humanos y 800 millones de «tokens», es decir, registros sobre moléculas y sus concentraciones. El éxito declarado todavía no ha sido verificado de forma independiente. Conclusión: en un nicho sin datos, el dataset hay que construirlo uno mismo.
Procesado por IA desde Habr AI; editado por Hamidun News
Las redes neuronales llevan tiempo aprendiendo a entender la visión y el sonido, pero los olores seguían siendo un punto ciego: no hay bases de datos listas ni el «texto de internet» habitual con el que entrenar. La startup Osmo, fundada en 2023 por el exmiembro de Google Brain Alex Wiltschko, decidió resolver el problema a base de fuerza bruta. La compañía reunió más de 10 millones de valoraciones que dieron personas reales al oler muestras, y 800 millones de «tokens aromáticos», como ella llama a los registros precisos de qué moléculas y en qué concentraciones forman parte de un olor.
Con estos datos, Osmo construye lo que denomina el primer «modelo base» para el olfato. El modelo debe predecir cómo percibirá una persona un olor a partir de su composición molecular. El siguiente paso previsto es generar nuevos aromas a partir de una consulta de texto, algo parecido a lo que hace ChatGPT al escribir un texto a partir de un prompt.
De dónde salen los datos para la IA que huele
El principal problema del olfato, según Wiltschko, es la falta de datos. Antes de que apareciera Osmo, las bases disponibles contenían menos de 200.000 descripciones humanas de olores. Los equipos de análisis químico son caros, y las empresas de perfumería guardan sus investigaciones en secreto.
Por eso Osmo tomó el camino más costoso y construyó su propio dataset. Espectrómetros y sensores químicos funcionan las 24 horas y analizan la composición de todo tipo de cosas, desde frutas y flores hasta comida e incluso órganos internos. Al mismo tiempo, unas 70 personas especialmente entrenadas en Estados Unidos y otros países huelen las muestras y registran sus sensaciones con una terminología estandarizada. Esas son las valoraciones: si la química dice de qué está hecho un olor, las personas dicen cómo huele.
La idea se parece al trabajo con el lenguaje. Cambiar el orden de las palabras altera el sentido de una frase, y cambiar la composición y las proporciones de las moléculas altera el aroma percibido. Wiltschko pone un ejemplo: el conjunto de moléculas del olor de un recién nacido coincide en buena parte con el de unos espaguetis recién hechos.
Qué ya funciona y qué sigue en el terreno de las promesas
Osmo afirma que su modelo ha alcanzado una «inteligencia olfativa humana». En el reconocimiento y la distinción de olores no queda por detrás de una persona media, y en la creación de aromas, por detrás de un perfumero principiante. Hace un mes, según la compañía, su IA superó a los perfumistas de plantilla de una de las mayores corporaciones de bienes de consumo.
La práctica ya existe. La tecnología se aplica al desarrollo de fragancias comerciales, entre ellas para Procter & Gamble. Para el marketplace StockX, Osmo propuso buscar zapatillas falsificadas por las diferencias en la composición química de los materiales. Las muestras según las fórmulas generadas las fabrica un sistema robótico del tamaño de un autobús escolar: mezcla los ingredientes y prepara pruebas para la investigación y para los clientes.
Más adelante llegan planes más ambiciosos: detección de amenazas en aeropuertos y diagnóstico de enfermedades por el olor. El propio Wiltschko reconoce que atacar esa «montaña» de frente es caro y difícil. Por eso, según sus palabras, la compañía primero está asentando los cimientos al pie de la ladera.
Críticas y limitaciones reconocidas
Todas las cifras clave sobre la calidad del modelo proceden, por ahora, de la propia compañía. El material no incluye verificaciones independientes.
El olfatólogo Avery Gilbert criticó a Osmo en su boletín de Substack. Según él, parte de las afirmaciones de marketing no está respaldada por nada, y las solicitudes de patente se apoyan en paneles sensoriales humanos y perfumistas, no en la IA. Califica de extraña esa dependencia de valoraciones subjetivas en una compañía de «IA de vanguardia». Wiltschko responde que la percepción humana no es una «muleta». Los modelos de lenguaje aprenden de lo que las personas han escrito; el modelo de Osmo aprende de lo que las personas sienten, y por eso puede predecir la percepción de un olor.
Una postura más cauta la adoptó Michael Schmuker, antiguo profesor de neurocomputación de la Universidad de Hertfordshire, que asesoró a Osmo. Considera la tecnología un avance significativo. Junto con sus colegas publicó una versión abierta del modelo de Osmo de 2023, reproducida mediante ingeniería inversa, pero esa versión no tiene los enormes datos recopilados desde entonces. Al mismo tiempo, Schmuker recuerda un contexto: el camembert y los pañales usados contienen moléculas parecidas, pero las personas no los confunden. En un laboratorio de perfumería esa carencia quizá no sea crítica. Para un «canal olfativo» en modelos del mundo o para la medicina, los sensores y los propios modelos tendrán que mejorar mucho.
Qué aplicar en la práctica
Para fundadores y product managers, la historia de Osmo muestra cómo se construye un modelo en un campo sin datos listos. Primero se reúne un dataset propio y caro: instrumentos más personas evaluadoras entrenadas. Después se busca un nicho estrecho donde el error no sea crítico y ya existan clientes que paguen (perfumería, verificación de autenticidad). Solo después se va hacia objetivos llamativos como la medicina. Queda abierta la pregunta de hasta qué punto el «nivel humano» declarado se confirmará fuera del laboratorio y sin las formulaciones de marketing.
- 21 nov 2026Matemático de Anthropic afirma que Claude le ayudó a demostrar la hipótesis de Riemann en seis semanas
- 21 nov 2026Corea del Norte presenta su primer chatbot, «Fuente de Sabiduría»: solo ciencia, sin política
- 21 nov 2026OpenAI abre ChatGPT Spaces a los suscriptores de Plus: documentos compartidos con IA
- 21 nov 2026Los gigantes tecnológicos chinos duplicaron su gasto en IA hasta 139.000 millones de dólares, mientras sus laboratorios recuperan menos del 8 %
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre De dónde salen los datos para la IA que huele?
El principal problema del olfato, según Wiltschko, es la falta de datos. Antes de que apareciera Osmo, las bases disponibles contenían menos de 200.000 descripciones humanas de olores. Los equipos de análisis químico son caros, y las empresas de perfumería guardan sus investigaciones en secreto. Por eso Osmo tomó el camino más costoso y construyó su propio dataset.
¿Qué se sabe sobre Qué ya funciona y qué sigue en el terreno de las promesas?
Osmo afirma que su modelo ha alcanzado una «inteligencia olfativa humana». En el reconocimiento y la distinción de olores no queda por detrás de una persona media, y en la creación de aromas, por detrás de un perfumero principiante. Hace un mes, según la compañía, su IA superó a los perfumistas de plantilla de una de las mayores corporaciones de bienes de consumo. La práctica ya existe. La tecnología se aplica al desarrollo de fragancias comerciales, entre ellas para Procter & Gamble.
¿Qué se sabe sobre Críticas y limitaciones reconocidas?
Todas las cifras clave sobre la calidad del modelo proceden, por ahora, de la propia compañía. El material no incluye verificaciones independientes. El olfatólogo Avery Gilbert criticó a Osmo en su boletín de Substack. Según él, parte de las afirmaciones de marketing no está respaldada por nada, y las solicitudes de patente se apoyan en paneles sensoriales humanos y perfumistas, no en la IA. Califica de extraña esa dependencia de valoraciones subjetivas en una compañía de «IA de vanguardia».
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.