人工智能進(jìn)軍餐飲:AI 調(diào)酒,越喝越有

「吃」，現(xiàn)在已經(jīng)成了一種文化，對(duì)食物的不懈追求，可以說(shuō)是人類歷史的一種推動(dòng)力。從烹飪的進(jìn)化，到現(xiàn)在花樣百出的美食，食物搭配又會(huì)出現(xiàn)哪些新意，對(duì)于食物相克的盲從，也預(yù)示著新的方法和技藝要大顯身手了。

人類文明的發(fā)展，食物和烹飪的意義重大。從食用熟食、耕作農(nóng)作物，到加入調(diào)料、豐富烹飪方式、發(fā)明冷藏等，一些列的飲食工具和手段的發(fā)明，都是為了提高生活水平。

飲食文化的書籍《食物的歷史》中，就討論到食物的第一次革命，才帶動(dòng)了人類一次大的進(jìn)化。其中一個(gè)重要節(jié)點(diǎn)是烹飪的出現(xiàn)，書里描寫了這樣一個(gè)吃的場(chǎng)景：先把檸檬汁擠在牡蠣上，在小火烘烤下，它的質(zhì)地、口感和味道都發(fā)生了奇妙的變化...

有觀點(diǎn)認(rèn)為：烹飪是人類進(jìn)化的特別利器

從火的利用，到烹飪的出現(xiàn)，食物的制作過(guò)程逐漸變成了一種魔法，吃的花樣也越來(lái)越多，食物早已不是生存和生活的充饑之物，而是在各色搭配制作中，成為了一種藝術(shù)和追求。

美食的進(jìn)階之路，從搭配開始

隨著「吃」的內(nèi)容越來(lái)越精致，吃飽了的人類，就開始思考這類問(wèn)題：哪些食物可以放在一起吃？哪些東西搭配在一起更好吃？

知名段子手「畢導(dǎo)」研究過(guò)，香蕉與冬棗的體積比在 2:1 左右，

同時(shí)吃的口感達(dá)到了惡心的巔峰

要解決這個(gè)問(wèn)題，一般的吃貨靠的是傳承下來(lái)的廚房規(guī)則，資深一點(diǎn)的吃貨，則是借鑒美食家或者高級(jí)菜譜的做法。但這類方法對(duì)于種類繁多的食物來(lái)說(shuō)，覆蓋面窄，而且都是經(jīng)驗(yàn)為主，主觀性偏強(qiáng)。

一個(gè)好消息是，我們現(xiàn)在有了新的選擇：可以用神經(jīng)網(wǎng)絡(luò)的方法作出搭配，告訴你怎樣才最好吃。

在近段時(shí)間，一篇叫做《KitcheNette: Predicting and Recommending Food Ingredient Pairingsusing Siamese Neural Networks》（https://arxiv.org/abs/1905.07261）的論文，就敘述了高麗大學(xué)實(shí)驗(yàn)團(tuán)隊(duì)的食材智能搭配系統(tǒng)，以及在食物搭配上的硬核研究。

KitchenNette ：用算法解開食物搭配的奧秘

這個(gè)系統(tǒng)是基于孿生神經(jīng)網(wǎng)絡(luò)（Siamese Neural Networks）的一個(gè)模型框架。

孿生神經(jīng)網(wǎng)絡(luò)用于衡量?jī)蓚€(gè)輸入的相似程度。它有兩個(gè)輸入，分別傳輸進(jìn)兩個(gè)神經(jīng)網(wǎng)絡(luò)，以此將輸入映射到新的空間，形成新的空間中的表示。然后通過(guò)對(duì) Loss 的計(jì)算，評(píng)價(jià)兩個(gè) Input 的相似度。

而這個(gè)研究中，研究人員來(lái)開發(fā)了的食物搭配模型KitchenNette，將兩種食材作為輸入，能計(jì)算出它們搭配在一起的合適度。最終的表現(xiàn)成從 -1 到 1 之間的分?jǐn)?shù)，分?jǐn)?shù)越高表示這兩種食物的搭配越好吃。

為了訓(xùn)練KitchenNette，他們制作了一個(gè)美食數(shù)據(jù)集 Recipe1M，通過(guò)采集了大量的食譜信息，收錄了多種食物的文本和圖片，包含了了成分列表和配方說(shuō)明。

依據(jù)數(shù)百萬(wàn)個(gè)菜譜和配對(duì)統(tǒng)計(jì)

從這些食譜中，經(jīng)過(guò)詞向量提取等手法，過(guò)濾得到了食物，并進(jìn)行了配對(duì)操作，最終共獲得了 356,451 個(gè)有效的已知搭配，剩下的 6,003,500 個(gè)食物對(duì)，則是非常見或者未出現(xiàn)過(guò)的，作為測(cè)試集使用。

他們還使用 Im2Recipe 算法，從圖片中提取出食材名稱。

而 KitchenNette 模型的架構(gòu)由兩個(gè)主要組件構(gòu)成。

KitchenNette模型用Gin酒和湯力水進(jìn)行評(píng)分測(cè)試

第一個(gè)是使用孿生神經(jīng)網(wǎng)絡(luò)的「成分表示組件」（Ingredient Representation Component ），其中有權(quán)重相同的兩個(gè)多層感知器（MLP），各自接收食材的輸入。每個(gè) MLP 有兩個(gè)完全連接層，用于處理輸入的成分向量。

第二個(gè)組件是「配對(duì)分?jǐn)?shù)預(yù)測(cè)組件」（Pairing Score Prediction Component），采用 Deep& Wide Layers，進(jìn)行評(píng)分流程。在 Deep Layer，兩層學(xué)習(xí)表示向量被連接，并傳遞給另一個(gè)計(jì)算兩種成分聯(lián)合代表的 MLP，用來(lái)提取語(yǔ)義特征，而 Wide Layer 用來(lái)抓取稀疏特征。

搭建好模型后，先讓模型學(xué)習(xí)已標(biāo)注的食物搭配，從 30 萬(wàn)個(gè)已經(jīng)評(píng)好分?jǐn)?shù)的配對(duì)中，分析和找出「好搭配」的規(guī)律，然后用剩下的 95% 的食物組合，進(jìn)行最后的測(cè)試。

不同搭配的組合評(píng)定分?jǐn)?shù)：

左側(cè)為常見搭配的評(píng)分，右側(cè)為不常見搭配

根據(jù)他們的論文，只需對(duì)KitchenNette 輸入兩種食物，就給出是否合適配對(duì)的判定分?jǐn)?shù)，而且這個(gè)結(jié)果好于其他的模型。

調(diào)酒和糕點(diǎn)，最適合模型搭配

為了評(píng)估這個(gè)模型預(yù)測(cè)的準(zhǔn)確性，他們進(jìn)行了幾種定性分析。

通過(guò)將已知的經(jīng)典搭配輸入，檢測(cè)了模型能夠給出中肯的分?jǐn)?shù)；同時(shí)和其他的經(jīng)典模型進(jìn)行對(duì)比，發(fā)現(xiàn)KitchenNette 的預(yù)測(cè)更要符合人們的飲食習(xí)慣，最后和美食家的推薦作比之后，發(fā)現(xiàn)判斷的結(jié)果十分接近。

尤其是酒精飲品和糕點(diǎn)，他們都有標(biāo)準(zhǔn)化的配方成分，而能夠更加精準(zhǔn)的把控口味。

比如，「香檳+橙皮」以及「氣泡酒+橙皮」的搭配得分較高（0.33-0.42），而「氣泡酒+洋蔥」和「普羅賽克+洋蔥」這樣奇怪的組合，得到了很低的分?jǐn)?shù)。

紅酒、白酒、杜松子酒、清酒的最佳搭配建議，

以及和另一工具的推薦結(jié)果對(duì)比

在英國(guó)布里斯托，另一支創(chuàng)新團(tuán)隊(duì) TinyGiant 就專注于開發(fā)由 AI 制定的創(chuàng)新食物，這支團(tuán)隊(duì)截至目前為止，已經(jīng)制作出了幾款 AI 定制的雞尾酒和紙杯蛋糕。

TinyGiant制作出了四款 AI 的雞尾酒

而對(duì)于這項(xiàng)研究的后續(xù)，研究者表示接下來(lái)會(huì)進(jìn)一步作出優(yōu)化，比如考慮食品成分的化學(xué)信息，使用百科全書食品成分的詳細(xì)信息，以及更多「新穎」和「真實(shí)」的食譜，對(duì)模型進(jìn)行訓(xùn)練，以推薦出更加多樣化的食品成分配對(duì)。

TinyGiant根據(jù) AI 得出的結(jié)果，還定制了四種口味的紙杯蛋糕

近幾年來(lái)，《舌尖上的中國(guó)》、《人生一串》等美食節(jié)目的大火，讓我們看到了美食的驚人魅力，而現(xiàn)在看來(lái)，AI 或許會(huì)比我們更快地，打開美食搭配的新天地。