Vinum ex Machina: у винодела сорок попыток, у машины — миллион

Полив, защиту от болезней и поведение покупателя машина считает уже надёжнее календаря и интуиции, и с каждым сезоном берёт на себя всё больше. Разбираемся, что работает сегодня, что станет нормой в ближайшие пять лет и какая часть работы винодела останется человеку, когда всю остальную заберёт алгоритм.

Про искусственный интеллект в вине сейчас пишут примерно так же, как лет пятнадцать назад писали про биодинамику: много, охотно и почти без цифр. Роботы в междурядьях, нейросеть вместо сомелье, винодельня без людей. А что из этого работает на самом деле? Мы в Vinum ex Machina собрали больше трёхсот применений ИИ в виноградарстве, виноделии и винной торговле и открыли первоисточник по каждому, чтобы посмотреть на отрасль по цифрам, а не по пресс-релизам. Цифры, надо сказать, оказались обнадёживающими: работающего в отрасли заметно больше, чем принято думать, и от того, что уже работает, довольно легко достроить то, что станет нормой в ближайшие пять лет.

Винодел, начавший работать в двадцать пять и ушедший на покой в шестьдесят пять, проживёт около сорока винтажей. Сорок попыток на всю карьеру, причём по-настоящему трудных среди них будет от силы десяток — тех, где решение о дате сбора или о температуре брожения оказалось развилкой. Модель, которая учится играть в шахматы, проходит миллионы партий за ночь и к утру знает о дебютах больше, чем человечество накопило за пятьсот лет.

Из этой асимметрии совсем не следует, что в вине искусственный интеллект не работает. Из неё следует, что работает он здесь по-другому, чем в рекламе или логистике. Там, где отрасль научилась получать наблюдения быстро, ИИ приживается буквально за пару сезонов и уже приносит вполне измеримые деньги. Там, где ответ приходит раз в год, он пока догоняет, но и эта дистанция сокращается быстрее, чем можно было ожидать ещё пять лет назад: 146 кейсов нашей базы из 299 — почти половина — стартовали с 2023 года.

Проверить такую гипотезу можно только на большом массиве, поэтому мы его и собрали: 307 задокументированных применений ИИ в вине, от рецензируемых исследований до пресс-релизов вендоров. По каждой записи мы заново открыли первоисточник, восемь записей в итоге пришлось выбросить, и осталось 299, из которых 287 являются собственно ИИ-кейсами. Насколько нам известно, это самый большой проверенный каталог такого рода, и все цифры дальше посчитаны именно по нему.

Как учится сомелье и как учится модель

Любой, кто проходил дегустационные курсы, в общем-то уже знает, как устроено машинное обучение, просто под другими словами. Систематический подход WSET требует разложить вино на фиксированный набор параметров: интенсивность и оттенок цвета, характер и интенсивность аромата, кислотность, танин, алкоголь, тело, длительность послевкусия. Обучение сомелье — это в первую очередь тренировка превращать сырое впечатление в конечный список признаков, каждый из которых можно назвать словом и сравнить с другим бокалом.

В машинном обучении та же самая процедура называется feature engineering, конструирование признаков: из бесформенного «это вино вкусное» нужно получить строку из полутора десятков чисел. Отрасль изобрела этот приём за десятилетия до того, как он понадобился инженерам, и по той же причине — иначе опыт невозможно передать от одного человека к другому.

Дальше стоит развести четыре термина, которые в отраслевой прессе обычно идут через запятую как синонимы.

Машинное обучение

Модель, которая выводит правила из примеров вместо того, чтобы получать их от человека: покажите ей десять тысяч сезонов с погодой и урожайностью, и она найдёт связь, которую никто не формулировал.

Компьютерное зрение

Частный случай, где примерами служат изображения — лист, гроздь, пробка.

Языковые модели

Обучены предсказывать следующее слово в тексте, поэтому они прекрасно воспроизводят справочник и заметно хуже рассуждают.

Агенты

Надстройка над языковой моделью, которой разрешено совершать действия: искать в интернете, писать письма, ставить задачи.

Разница между ними довольно существенная, ведь каждая упирается в свой собственный дефицит данных.

Три опоры

Данных в вине одновременно избыточно много и катастрофически мало, в зависимости от того, куда именно смотреть. Спутник снимает виноградник каждые несколько дней, метеостанция пишет показания каждый час, платформа продаж фиксирует каждую транзакцию, а французская Weenat обрабатывает больше миллиарда точек данных в сутки с 25 000 датчиков. Это океан. Но данных о том, как конкретный участок повёл себя в жаркий год, у хозяйства ровно столько, сколько жарких лет оно застало, а данных о том, каким получилось вино, — по одной строке на ёмкость на винтаж.

Вторая беда — фрагментация. Показания сенсоров лежат у вендора, лабораторные анализы в тетради энолога, продажи в кассовой системе, дегустационные оценки в чужой базе, и ни один из этих массивов сам по себе не отвечает на вопрос, который винодела действительно интересует.

С инфраструктурой ситуация похожая. Виноградник является учебным примером того, что в индустрии называют edge computing: вычисления приходится делать на месте, а не в дата-центре, так как связи либо нет вовсе, либо она нестабильна. По данным Eurostat, доступ в интернет есть только у 43% ферм ЕС. Цена вопроса тоже вполне конкретна, ведь французский робот Bakus стоит €180 000 против €115 000 за обычный трактор с водителем и окупается начиная примерно с 440 моточасов в год. Подписка на сервис данных стоит совсем других денег: Chouette продаёт свою за €200–400 за гектар в год, то есть примерно за стоимость одной-двух обработок.

Наконец, сами модели. У любой модели есть целевая переменная — то, что она предсказывает, — и признаки, по которым она это делает. Выбор целевой переменной определяет, чему модель научится на самом деле, и здесь спрятана главная ловушка: если целевой переменной назначена оценка критика, модель учится предсказывать вкус конкретного человека. Разница вовсе не теоретическая, ведь исследование Кембриджского университета показало, что средняя корреляция краудсорсинговых оценок Vivino с оценками критиков составляет 40% при том, что сами критики согласуются между собой на 63%. Получается, что даже эталон, к которому мы обучаем модель, сам по себе шумит примерно на треть.

Это называется проблемой ground truth — той самой «наземной истины», правильного ответа, с которым модель сверяют. В сенсорике его практически не существует. В работе Университета Аделаиды и CSIRO модель предсказывала 22 сенсорных дескриптора вина по данным винограда, а эталоном служила панель из девяти-одиннадцати обученных дегустаторов; убедительно, с R² выше 0,7, сошлись только пять дескрипторов из двадцати двух, лучше всего — аромат красных фруктов.

Почему вино оказалось трудным случаем

Сложим три обстоятельства. Главный производственный цикл отрасли даёт одно наблюдение в год. Медианное хозяйство слишком мало, чтобы окупить решение за сто восемьдесят тысяч евро, ведь средний размер винодельческого хозяйства в ЕС составляет 1,4 гектара, а 83,3% хозяйств не дотягивают и до одного. А конечный продукт отрасли представляет собой субъективное сенсорное впечатление, которое невозможно записать числом без потерь.

Эта тройка неплохо объясняет структуру всего массива. В нашей базе на виноградарство приходится 177 кейсов, на винный бизнес 75, на виноделие и лабораторию 47, то есть соотношение виноградника и погреба составляет 3,8 к

1. Виноградарство при этом никак не важнее: просто каждый снимок со спутника, каждый час с метеостанции и каждая лоза под камерой превращаются в строку датасета уже сегодня, а погреб производит наблюдения раз в год. ИИ пришёл туда, где данные накапливаются быстрее, чем стареет вопрос.

Карта экспериментов

Как это считалось

Прежде чем спорить, много ли в вине искусственного интеллекта, стоит договориться, что им считается, и мы объявили рамку явно и достаточно широко. К ИИ отнесены машинное обучение, компьютерное зрение, прогнозирование временных рядов, хемометрика с классификаторами, языковые модели и автономная навигация с восприятием. За границей остались измерение без предсказания, криптография и блокчейн, а также расчёт по фиксированным коэффициентам.

Выбор рамки меняет статистику сильнее, чем кажется: при узком определении, когда за ИИ считается только глубокое обучение, из базы выпали бы оптическая сортировка пробки Amorim и сортировочные камеры Pellenc, а при нашем они остаются полноценными кейсами. Зато за границей оказались 12 записей, где нет ни обучения, ни предсказания, — они помечены в каталоге отдельно и в счёт собственно ИИ-кейсов не идут. Любопытнее другое: примерно в половине спорных случаев слово «ИИ» приходит не от компании, а от журналиста. На собственных сайтах Oculyze и Vinescapes ни «искусственный интеллект», ни «машинное обучение» не встречаются ни разу, хотя первая его действительно использует. Пресса, соответственно, ошибается в обе стороны.

Дальше каталог прошёл сплошную проверку: все 299 записей каталога были заново открыты по источникам семнадцатью независимыми проверяющими, задача которых формулировалась как «найти ошибку», а не «подтвердить».

Вот что она показала.

Эти четыре цифры — отчёт самой проверки, а не поле в наборе данных: в опубликованном каталоге у каждой записи стоит оценка достоверности источника, но не история её правок. Самым частым дефектом оказалось отсутствие конкретной цифры на цитируемой странице — около 55 случаев из 127. Итого у 43% отраслевых заявлений нашлось расхождение с первоисточником, хотя обвинять тут некого. Просто в отрасли нет независимого органа, проверяющего технологические заявления, и пресса пересказывает пресс-релиз, следующая публикация пересказывает прессу, и к третьему пересказу цифра начинает жить уже сама по себе.

Интересно, что чем громче кейс заявлен как работающий, тем хуже он проверяется: у записей, опирающихся на науку и официальные отчёты, полностью подтвердились 66%, на отраслевую прессу — 61%, а на маркетинг вендора — только 27%, причём именно в последней группе выше всего доля заявлений о коммерческой эксплуатации. Добавлю, что каждый пятый кейс в базе проверяющие описали вообще без количественного результата: отрасль научилась говорить об ИИ несколько раньше, чем научилась его мерить.

Что внедряется и что остаётся в статьях

Задача	Кейсов	Из них исследований	Из них коммерческих
Полив и вода	49	8	22
Детекция болезней	41	7	19
Сенсорика и вкус	41	9	17
Рекомендации потребителю	37	1	18
Прогноз урожая	30	6	13
Обрезка	14	6	2

Обрезка оказалась единственной задачей в базе, где исследований втрое больше, чем внедрений, и объяснение довольно очевидное. «Сколько воды нужно лозе» и «есть ли на листе пятно» — это вопросы с проверяемым ответом, который приходит за считаные дни, тогда как «где резать» — вопрос о том, какую форму куст должен принять через три года. По доменам картина складывается такая же: в виноделии 40% кейсов остаются исследованиями, в бизнесе таких только 15%, зато 71% бизнес-кейсов дошли до эксплуатации. Экономика внедрения в вине определяется скоростью, с которой можно узнать, что модель ошиблась.

Разбор по рынкам

США и Канада дают 56 кейсов, то есть 19% базы — при том что на США приходится примерно 8% мирового производства вина. Здесь же лежат два самых поучительных сюжета. Модель урожая Корнеллского университета, обученная на 321 точке отбора за 2018–2021 годы, предсказывает урожай с ошибкой 2–8%, а массу обрезки — 15–20%. Рядом стоит Monarch Tractor: электрический автономный трактор, более $240 млн привлечённых инвестиций, 500 с лишним поставленных машин, свыше 130 000 часов наработки — и закрытие в конце 2025 года. Инженерия у обоих отличная, и различает их только то, кто в итоге платит за железо.

Франция с её 35 кейсами даёт тот же контраст в чистом виде. Naïo Technologies — это 350 машин в эксплуатации, процедура банкротства в июне 2025 года, спасение пакетом в €6,4 млн от Mirova, Bpifrance и региона Окситания и сокращение штата с 80 человек до 21. И тут же Weenat с её 30 000 пользователей, 25 000 датчиков и €8,5 млн Series C в 2024-м. Одна компания продавала машины, другая продавала данные.

Италия, Испания и Португалия вместе дают 50 кейсов и два примера, которые полезно держать рядом. Финансировавшийся ЕС проект VINBOT оценивал урожай по изображениям на 27 участках и 17 сортах, и официальный итоговый отчёт Еврокомиссии констатирует, что оценки на погонный метр показали «слабое или отсутствующее согласие и очень высокую ошибку». Публично признанная неудача в отраслевой документации встречается крайне редко, и от этого ценность записи только выше. Второй пример — двадцатипятилетнее сотрудничество IRTA и Raventós Codorníu на виноградниках Raimat, где за четверть века получили минус 20% воды и плюс 65% к однородности участка, причём без всякого искусственного интеллекта: руководитель программы прямо называет ИИ перспективой, а не текущим инструментом. Это, пожалуй, лучшая известная мне прививка от завышенных ожиданий, ведь любой вендор продал бы такой результат как достижение машинного обучения.

Двадцать пять лет работы дали минус 20% воды и плюс 65% к однородности участка, причём без всякого искусственного интеллекта.

Германия, Австрия и Швейцария — 23 кейса и регион самой долгой дистанции. Система VitiMeteo, которая моделирует жизненный цикл милдью и оидиума для точного тайминга обработок, покрывает около 42 000 гектаров через сотню метеостанций и работает в ежедневной эксплуатации с 2003 года, то есть является самым долгоживущим кейсом каталога. А проект FungiSens уместил в одну цифру всю проблему разрешения данных: условия, летальные для спор гриба, фиксировались внутри полога лозы в 9% дней, тогда как стандартные метеостанции в тридцати-сорока километрах показывали 1,4%. Разница почти в семь раз возникает при этом из-за того, где стоит термометр, а вовсе не из-за качества модели.

Австралия и Новая Зеландия с их 24 кейсами сильнее всех в автономной технике, которая умеет считать топливо. Опрыскиватель Prospr от Robotics Plus расходует 1,5 литра в час против 9–10 литров у дизельного трактора, то есть на 70% меньше, и один оператор при этом ведёт несколько машин. Компанию в итоге купила Yamaha. Южная Америка и ЮАР (22 кейса) дают самые чистые цифры по воде: аргентинская Kilimo сократила водопотребление на 13% на 450 гектарах и сэкономила 1,5 млн кубометров за три года — в бассейне Майпо, где сельское хозяйство забирает около 68% доступной воды.

Китай стоит отдельно, и пропустить его нельзя как раз из-за модели внедрения. Пока Запад продаёт решения по одному хозяйству, Нинся строит региональную платформу и подключает к ней всех подряд: система «1+N+100» обслуживает сотню виноделен. Результаты соответствующего порядка, ведь расход воды снижен с 700–800 до 220–260 кубометров на му, а пять работников обслуживают теперь более 7 000 му вместо прежних 300. Оговорка здесь обязательна: китайские цифры исходят от государственных СМИ и независимой проверке не поддаются. Но сам контраст двух моделей внедрения вполне реальный.

В погребе и лаборатории показательны два кейса. Система Bionic Eye у пробочника M.A. Silva инспектирует до 40 000 пробок в час, причём производитель формулирует преимущество не через точность, а через стабильность: человеческий контроль держится около 75%, машинный около 100%. Выигрывает машина здесь скорее выносливостью, чем остротой зрения, ведь она не устаёт к четвергу. А ЯМР-профилирование Bruker для выявления фальсификата в 2021 году вошло в Компендиум международных методов анализа вин и сусел OIV — довольно редкий случай, когда технология отрасли дошла до статуса официального метода.

Винный бизнес остаётся единственной областью, где есть настоящий рандомизированный эксперимент. Ретейлер Wine Access провёл три контролируемых испытания email-рассылок: письма копирайтеров против сгенерированных языковой моделью против гибридных, примерно по 9 000 клиентов в ячейке. В двух испытаниях из трёх машинные и гибридные письма сравнялись с человеческими или обошли их по прибыли, вплоть до +9,36%. При этом штат копирайтеров стоил $375 000 в год, лицензии на модели $1 000–1 200, а гибридный вариант $63 500–94 950. Рядом стоит Treasury Wine Estates, сокративший цикл разработки нового вина с 12–18 месяцев до менее чем шести, и Naked Wines, где модель прогнозирует пятилетний вклад клиента на массиве из 35,6 млн отзывов при окупаемости прогноза 1,7x. Обратной стороной той же медали оказался Winc: рост выручки на 77,5% в пандемию, IPO — и глава 11 через полтора года с долгами $36,75 млн против активов $50,3 млн. Алгоритм подбора вина работал вполне прилично, а вот экономика привлечения клиента не работала совсем.

Штат копирайтеров стоил $375 000 в год, лицензии на модели $1 000–1 200, а гибридный вариант $63 500–94 950.

Сводная карта

Домен	Кейсов	Дошло до эксплуатации	Что реально работает	Кто платит
Виноградарство	177	41%	Полив по данным, тайминг обработок, детекция болезней	Хозяйство, часто с субсидией
Винный бизнес	75	71%	Прогноз оттока, персонализация, генерация контента	Компания, окупаемость за месяцы
Виноделие и лаборатория	47	45%	Контроль ферментации, аутентификация, сортировка	Крупный производитель или вендор оборудования

Общая картина по экономике оказалась жёстче, чем звучит в пресс-релизах. На стадии «завершено» в базе стоят 11 записей, и почти все они — производители техники, тогда как сервисы данных продолжают расти; к ним стоит добавить около десятка поглощений. Bluewhite после покупки Elbit ушла из сельского хозяйства в оборонную автономию, а Bloomfield после покупки Kubota переключилась с виноградников на голубику, так что рынок виноградника оказался недостаточно ёмким даже для тех, кто уже туда пришёл. Одновременно в базе задокументировано около €26 млн только в явно названных европейских грантах, и на фоне обвала мировых инвестиций в агрофудтех с $51,7 млрд в 2021 году до $16,2 млрд в 2025-м бюджет оказался более устойчивым источником, чем венчурный капитал. Значительная часть ИИ в вине, соответственно, существует не потому, что окупается, а потому, что профинансирована.

Потенциал

Дальше речь пойдёт о том, чего в базе пока нет, но что технически довольно близко. Для каждой области полезно проходить одну и ту же цепочку: в чём боль, какие данные уже существуют, что из них можно извлечь, что мешает и на какой эффект стоит рассчитывать.

Виноградник

В чём боль

Главная боль здесь — защита растений. По оценкам отраслевой прессы, милдью в тяжёлые годы уносит до половины французского урожая, а в Тоскане 2023-го потери достигли примерно 70% производства. При этом обработки во многих хозяйствах до сих пор ведутся по календарю и по прогнозу с метеостанции, стоящей за тридцать километров.

Какие данные уже существуют

Данные для другого подхода уже собраны: спутниковые снимки с частотой в несколько дней, локальные метеостанции, споровые ловушки, тракторная телеметрия. Французская система DeciTrait, объединяющая модели риска с полевыми наблюдениями, показывает экономию 200–750 граммов меди на гектар и снижение индекса пестицидной нагрузки в среднем до 35%, причём это не будущее, а работающая практика.

Что из них можно извлечь

Технически ближе всего переход от календарного опрыскивания к рискоориентированному, и это, на мой взгляд, самый недооценённый сюжет во всей теме. Следом идёт адаптация к климату, ведь даты сбора в большинстве винных регионов сместились на две-три недели раньше за последние сорок лет, и модели, связывающие погоду вегетационного периода со зрелостью, дают здесь больше, чем любая роботизация.

Что мешает

Мешает же переносимость. Это главное научное ограничение всей области, и оно воспроизводится буквально в каждой второй работе. Итальянское исследование De Nart по распознаванию сорта по листу даёт выше 0,9 при кросс-валидации, а на независимом внешнем наборе авторы прямо пишут, что «ни одна модель не даёт удовлетворительного результата». Немецкая работа Bendel по эске показывает 88–95% точности на симптомной стадии и лишь 62–82% на досимптомной, то есть именно на той стадии, ради которой детекция и затевается. Приложение DoctorP для диагностики болезней по фотографии листа даёт выше 95% на синтетических изображениях и около 50% на реальных пользовательских снимках. Два систематических обзора, на 104 и на 197 работ, независимо друг от друга называют главным барьером выхода из лаборатории в поле именно переносимость, а вовсе не точность.

Модель, обученная на одном винограднике, знает этот виноградник, а не виноградарство. Терруар, который виноделы считают достоинством, для машинного обучения оказывается проблемой генерализации.

На какой эффект стоит рассчитывать

Что до эффекта, то реалистично рассчитывать на 15–30% сокращения обработок и сопоставимую экономию воды в хозяйствах, которые уже собирают данные. Villa Sandi с двумястами подключёнными гектарами отчитывается о сокращении обработок до 20% и воды в среднем на 10%. Революцией это назвать сложно, скорее хорошей агрономией, усиленной измерением.

Погреб

В чём боль

Боль погреба — необратимость. Ошибка в винограднике исправляется следующей операцией, а ошибка в брожении не исправляется вовсе, при том что винодел принимает решения по трём-четырём замерам в сутки и собственному носу.

Какие данные уже существуют

Данные здесь есть, но их мало и они не связаны между собой: плотность, температура, летучая кислотность, иногда онлайн-мониторинг ёмкости. Проект DTWINE с бюджетом в €1 млн строит цифровой двойник брожения на экспериментальной винодельне, охватывающей четыре винных региона Испании, как раз затем, чтобы данных стало достаточно.

Что из них можно извлечь

Самой честной постановкой задачи выглядят ранние сигналы отклонений: не «сделай вино», а «скажи, что эта ёмкость ведёт себя не как остальные сорок». Следом идёт купаж как задача оптимизации, ведь у ассамбляжа есть конечное число компонентов, измеримые аналитические параметры и целевая функция, заданная виноделом. Машина здесь действительно может перебрать пространство вариантов быстрее человека, при условии что цель задаёт человек.

Что мешает

Мешает всё та же нехватка наблюдений плюс отсутствие мотивации: виноделие даёт 40% исследовательских кейсов при 45% дошедших до эксплуатации, так что между статьёй и цехом здесь самая длинная дистанция в отрасли.

На какой эффект стоит рассчитывать

Эффект получается скромным в деньгах и большим в рисках, поэтому правильная рамка — копилот винодела, а не автопилот. Снижение числа испорченных партий на несколько процентов в год окупает систему для крупного хозяйства и не окупает ничего для хозяйства на полтора гектара.

Винный бизнес

В чём боль

Боль здесь простая: вино продаётся хуже, чем делается. Отрасль производит больше, чем потребляет, а стоимость привлечения клиента растёт быстрее среднего чека.

Какие данные уже существуют

Данные в этой области лучшие во всей отрасли, ведь они уже оцифрованы, никто не собирает их заново, целевая переменная однозначна (купил или не купил), а результат виден за дни. Отсюда и берутся 71% доведённых до эксплуатации бизнес-кейсов против 15% застрявших в исследованиях.

Что из них можно извлечь

Работают прогноз оттока клиентов клуба (Commerce7 заявляет точность 74%), динамическое ценообразование, персонализация подбора и генерация коммерческого контента — с той оговоркой, что единственный чистый эксперимент в этой области показал скорее изменение экономики, чем замену копирайтера: гибрид дешевле штата в четыре-шесть раз при сопоставимой прибыли. Отдельный сюжет — контрафакт, которого на вторичном рынке до 5%, а дело Руди Курниавана стоило коллекционерам $550 млн; связка изотопного анализа с ЯМР остаётся единственной областью, где технология дошла до официального метода.

Что мешает

Мешает здесь не технология, а размер компании. В базе всего 26 записей описывают внутренние программы самих винодельческих компаний, а подавляющее большинство остальных — это вендоры, университеты и исследовательские консорциумы. Собственные команды есть у Gallo, Treasury, Pernod Ricard, Concha y Toro, LVMH и Changyu, а для всех прочих ИИ является тем, что покупают, а не тем, что строят.

На какой эффект стоит рассчитывать

Эффект при этом самый высокий из трёх и самый скучный: единицы процентов к конверсии и десятки процентов к скорости операций. У Gallo платформа принятия решений дала $890 000 экономии в первый год при окупаемости около года, что является историей не про будущее вина, а про нормальный современный бизнес.

Три горизонта

Почти неизбежным к 2028 году выглядит рискоориентированное опрыскивание везде, где есть подписка на данные, просто потому что регуляторное давление на пестициды растёт быстрее, чем дешевеет химия. Языковые модели к этому времени окончательно займут нишу бэк-офиса: описания вин, ответы клиентам, переводы, отчётность. Ни одно из этих применений не будет выглядеть как «ИИ в вине», оно будет выглядеть как исчезновение рутинной работы.

Вероятным к 2032 году я бы назвал появление хотя бы одного отраслевого стандарта на измерение эффекта, ведь сегодня каждая компания считает экономию по-своему, и именно поэтому 43% заявлений не проверяются. Туда же стоит отнести консолидацию сервисов данных вокруг трёх-пяти платформ, как это уже произошло в полевых культурах, и, вероятно, первые модели, переносимые между терруарами — не потому что кто-то изобретёт новую архитектуру, а потому что накопится достаточно размеченных данных с разных участков.

Чистой спекуляцией пока остаётся модель, которая по данным сезона и аналитике сусла предсказывает сенсорный профиль будущего вина с точностью, приемлемой для коммерческих решений. Технически задача поставлена, и работа Университета Аделаиды показала, что пять дескрипторов из двадцати двух уже предсказываются убедительно. Практически же для этого нужны десятилетия аккуратно размеченных винтажей от множества хозяйств, а собрать их некому: у каждого по сорок попыток.

Здесь стоит вернуться к тому, с чего мы начали. Всё, что искусственный интеллект в вине делает хорошо, он делает с измеримым: литры воды, граммы меди, часы работы, вероятность оттока клиента, пятно на листе. Всё, что даётся ему плохо, лежит там, где правильного ответа не существует: где резать, каким получится вино, что подать к этому блюду, стоит ли оно своих денег.

Соблазнительно назвать это ограничением технологии, но посмотрите на ту же самую границу с другой стороны. Отрасль, чей главный продукт не сводится к числу, — это отрасль, которую нельзя оптимизировать до состояния товара. Вино ценится ровно за то, что сопротивляется измерению, и пока это так, у него есть защита, которой нет ни у одного другого сельскохозяйственного продукта. Машина посчитает воду, спрогнозирует милдью, напишет письмо клиенту и освободит винодела от всего, что вообще можно посчитать. А то, ради чего вино пьют, останется в тех самых сорока попытках, и, судя по всему, это надолго.

---

Все цифры в тексте проверены по первоисточникам по состоянию на август 2026 года. Полный каталог из 299 записей с источниками, отметками достоверности и результатами аудита — это реестр Кейсбука, и он открыт для проверки: каждая цифра, взятая из каталога, пересчитывается на этой странице при каждой сборке сайта, а не набрана руками.