「吃」，現(xiàn)在已經(jīng)成了一種文化，對食物的不懈追求，可以說是人類歷史的一種推動力。從烹飪的進化，到現(xiàn)在花樣百出的美食，食物搭配又會出現(xiàn)哪些新意，對于食物相克的盲從，也預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，才帶動了人類一次大的進化。其中一個重要節(jié)點是烹飪的出現(xiàn)，書里描寫了這樣一個吃的場景：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...

有觀點認為：烹飪是人類進化的特別利器

從火的利用，到烹飪的出現(xiàn)，食物的制作過程逐漸變成了一種魔法，吃的花樣也越來越多，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。

美食的進階之路，從搭配開始

隨著「吃」的內(nèi)容越來越精致，吃飽了的人類，就開始思考這類問題：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」研究過，香蕉與冬棗的體積比在 2:1 左右，

同時吃的口感達到了惡心的巔峰

要解決這個問題，一般的吃貨靠的是傳承下來的廚房規(guī)則，資深一點的吃貨，則是借鑒美食家或者高級菜譜的做法。但這類方法對于種類繁多的食物來說，覆蓋面窄，而且都是經(jīng)驗為主，主觀性偏強。

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

在近段時間，一篇叫做《KitcheNette: Predicting and Recommending Food Ingredient Pairingsusing Siamese Neural Networks》（https://arxiv.org/abs/1905.07261）的論文，就敘述了高麗大學實驗團隊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

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

孿生神經(jīng)網(wǎng)絡用于衡量兩個輸入的相似程度。它有兩個輸入，分別傳輸進兩個神經(jīng)網(wǎng)絡，以此將輸入映射到新的空間，形成新的空間中的表示。然后通過對 Loss 的計算，評價兩個 Input 的相似度。

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

為了訓練KitchenNette，他們制作了一個美食數(shù)據(jù)集 Recipe1M，通過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明。

依據(jù)數(shù)百萬個菜譜和配對統(tǒng)計

從這些食譜中，經(jīng)過詞向量提取等手法，過濾得到了食物，并進行了配對操作，最終共獲得了 356,451 個有效的已知搭配，剩下的 6,003,500 個食物對，則是非常見或者未出現(xiàn)過的，作為測試集使用。

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)由兩個主要組件構(gòu)成。

KitchenNette模型用Gin酒和湯力水進行評分測試

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

第二個組件是「配對分數(shù)預測組件」（Pairing Score Prediction Component），采用 Deep& Wide Layers，進行評分流程。在 Deep Layer，兩層學習表示向量被連接，并傳遞給另一個計算兩種成分聯(lián)合代表的 MLP，用來提取語義特征，而 Wide Layer 用來抓取稀疏特征。

搭建好模型后，先讓模型學習已標注的食物搭配，從 30 萬個已經(jīng)評好分數(shù)的配對中，分析和找出「好搭配」的規(guī)律，然后用剩下的 95% 的食物組合，進行最后的測試。

不同搭配的組合評定分數(shù)：

左側(cè)為常見搭配的評分，右側(cè)為不常見搭配

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

調(diào)酒和糕點，最適合模型搭配

為了評估這個模型預測的準確性，他們進行了幾種定性分析。

通過將已知的經(jīng)典搭配輸入，檢測了模型能夠給出中肯的分數(shù)；同時和其他的經(jīng)典模型進行對比，發(fā)現(xiàn)KitchenNette 的預測更要符合人們的飲食習慣，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，他們都有標準化的配方成分，而能夠更加精準的把控口味。

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，得到了很低的分數(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)果對比

在英國布里斯托，另一支創(chuàng)新團隊 TinyGiant 就專注于開發(fā)由 AI 制定的創(chuàng)新食物，這支團隊截至目前為止，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

而對于這項研究的后續(xù)，研究者表示接下來會進一步作出優(yōu)化，比如考慮食品成分的化學信息，使用百科全書食品成分的詳細信息，以及更多「新穎」和「真實」的食譜，對模型進行訓練，以推薦出更加多樣化的食品成分配對。

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，《舌尖上的中國》、《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，AI 或許會比我們更快地，打開美食搭配的新天地。