詢問AI雞肉搭配什麼？答案取決於它是從食譜還是分子中學到的

Kaikaku.AI 是一家位於倫敦的餐廳技術初創公司，最近推出了名為“Epicure”的三種AI模型。這些模型的核心區別在於訓練資料不同。第一個模型“Cooc”僅學習食材在真實食譜中如何搭配；第二個模型“Chem”僅基於FlavorDB化學資料庫，分析食材共享的風味分子；第三個模型“Core”則結合了這兩者的資訊。

為了構建這些模型，研究人員收集了來自11個來源的414萬份食譜，涵蓋七種語言，包括中文、俄語、越南語、土耳其語、印尼語和德語。他們使用基於Claude和Gemini嵌入的管道處理了約20萬個原始術語，最終清理出1790種乾淨的食材。儘管英語語料庫仍然佔據主導，但這次的多語言嘗試使得模型對不同菜系的食材關係有了更全面的理解。

當被問及“雞肉搭配什麼”時，不同模型給出了截然不同的答案。Cooc返回的是大蒜、洋蔥和黑胡椒這些在食譜中常見搭配。Chem則推薦了牛肉或豬肉，因為它們的風味分子相似。對於“羅勒”，Cooc給出了歐芹、橄欖油和帕爾馬乾酪，而Chem推薦了牛至、龍蒿和迷迭香這些香料親戚。

令人驚訝的是，基於化學的Chem模型在預測食材的甜、酸、苦等味道以及蛋白質、脂肪等營養價值方面表現最佳，儘管這些資訊並未直接包含在訓練資料中。研究人員認為，化學關係作為一種捷徑，使模型能夠隱含地學習到其他烹飪概念。

除了簡單的鄰居搜尋，使用者還可以透過可調角度將種子食材轉向目標方向。例如，將“米飯”稍微轉向南亞方向，就會出現咖哩葉、烏拉德豆、查納豆和葫蘆巴籽。將“巧克力”轉向“甜糕點”方向，Cooc和Core給出的是西方烘焙食材，而Chem則指向東亞甜點叢集，包括紅豆沙、抹茶粉和紫薯。

這些模型背後的公司Kaikaku.AI運營著一家名為Common Room的機器人餐廳，並計劃將其擴充套件為連鎖店。他們的“Fusion”機器每小時可分配360碗食材，並配備了基於機器學習的庫存管理系統。公司於2024年完成了約180萬美元的種子輪前融資。

這項研究對於餐廳選單開發、食材替代以及新地區擴張具有潛在價值。然而，模型在某些菜系（如南亞和拉丁美洲）上的表現可能不如東亞和西方菜系穩定，因為訓練資料分佈不均。此外，詞彙清理依賴於語言模型，可能帶有文化偏見。目前模型權重和資料集已在Hugging Face上公開，以便獨立驗證。