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 — это 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 является частным случаем, 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 — это 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

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.

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.

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.

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.

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

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.

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.

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.

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. 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

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

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.

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.

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. 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.