aicanyin
朋友在连锁餐饮集团做研发主厨，上个月瘫在椅子上跟我吐槽：他们团队用三个月调一款新酱料，盲测评分稳到不行，结果拉到两个城市试卖，一个华南一个华北，反馈完全两极化。
这种事不稀奇。餐饮行业一直有个常被引用的数字：大约六到七成的新菜品，上架一年内就会被淘汰。研发就是烧钱试错，时间成本、原料成本、人力成本全压在上面。
所以当“AI辅助厨师研发菜品”这个概念出来时，很多人是真把它当救星的。但口味预测模型到底靠不靠谱？我说说自己的观察。
口味预测模型预测的到底是什么？先别想得太玄
现在市面上的口味预测模型，本质上都是在处理“群体的平均喜好”。输入的是原料成分、历史菜谱、现有消费者数据，输出的是“这道菜在某个目标人群中可能得多少分”或“哪些原料组合大概率受欢迎”。
像IBM十多年前搞的Chef Watson，就是把食材、风味分子、地区搭配规律变成可计算的数据结构，推荐一些人类通常想不到的组合。后来不少平台跟进，用点评网站评分、外卖复购率等反向训练模型，帮厨师判断新菜品值不值得继续做。
换句话说，大多数模型预测的不是“好不好吃”，而是“会不会有人想买”。这两个东西差远了。
为什么有些模型翻车翻得这么彻底？有四个坑
先说结论：口味预测模型能做提前筛选，但没法代替厨师的舌头和脑子。
靠前个坑叫数据源偏差。拿外卖平台数据训练出来的模型，反映的是平时爱点外卖那拨人的口味，而不是堂食客群，更不是高端餐厅的食客。你让模型评价一份用松露油做的创意菜，它大概率给不出有意义的建议。
第二个坑是场景缺失。甜度、辣度在不同天气、不同心情下感受完全不同。夏天觉得清爽的椰青鸡汤，到了冬天可能会被骂索然无味。模型很难捕捉这些因素。
第三个坑是文化差异。同一款酱油在不同城市的接受度都不一样，模型如果按全国数据平均，研发出来的菜往往“谁都不讨厌，但谁也不会兴奋”。朋友那款酱料就是栽在这——华南觉得太甜，华北觉得不够咸鲜。
第四个坑，也是最容易忽略的，就是消费者根本说不清自己想要什么。你问他们要不要减糖，都说要；可你用代糖做出来，他们又嫌风味不对。预测模型依赖过去的数据，而真正的口味创新本来就是反直觉的事。
AI辅助厨师研发菜品还有用吗？有用的姿势是这样的
有用，但不能当它是“好吃裁判”，要当成“提案小助手”。烹饪科学家阿里·布扎里有个观点我特别同意：数据可以告诉你金矿大概在哪片区域，但最后挖不挖得到，还是要靠人亲自下井尝一尝。
我观察下来，用得好的团队一般是这样操作的：
- 先用预测模型做反向测试，把明显不符合目标口味的组合筛掉，省下研发前期筛选的时间和食材成本。
- 再用模型拆解竞品或爆款的感官特征，比如辣度、酸度、醇厚度，生成一个可量化的“靶点”，给厨师一个大致方向，而不是直接甩出一份菜谱。
- 最后建立小样本消费者快速反馈机制，每天花两小时切片盲测，数据模型跟着继续校准，形成“厨师出方向、AI出反馈”的循环。
换句话说，真正聪明的用法，是让口味预测模型当那个不知疲倦的试吃员之一，而不是少见拍板的人。它能帮你把新菜研发的后期成本降下来，却不能替你理解“为什么这一桌人吃得很开心”。
可靠性的边界，比想象中清楚
说到底，口味预测模型的可靠性取决于你用在哪。用于筛选原料组合、评估地区差异化，它能做到明显优于拍脑袋；但用于判断“某道菜能不能成为爆款”，目前的数据量和模型复杂度都还不够。
如果你也在考虑把AI引进后厨，建议从一个小项目开始测试，比如“帮某个特定客群定制一道菜品”，而不是指望一个模型直接告诉你“这套菜能卖十万份”。先让AI说“不”，再由人来拍板“是”，这条路才会越走越顺。
下次再遇到有人拿着模型推荐组合兴奋地来汇报，不妨先问一句：这个判断，AI是替谁做的？
