Hỏi AI cách kết hợp nguyên liệu: Câu trả lời phụ thuộc vào việc nó học từ công thức hay hóa học

Nội dung dịch chi tiết

Startup Kaikaku.AI tại London đã ra mắt "Epicure", bao gồm ba mô hình AI được huấn luyện trên 4,14 triệu công thức nấu ăn bằng 7 ngôn ngữ và cơ sở dữ liệu hóa học FlavorDB. Điểm khác biệt nằm ở dữ liệu đầu vào: mô hình "Cooc" học từ các nguyên liệu thường xuất hiện cùng nhau trong công thức, "Chem" học từ các phân tử hương vị tương đồng, và "Core" là sự kết hợp của cả hai.

Sự khác biệt thể hiện rõ qua các truy vấn cụ thể. Nếu hỏi "gà" đi kèm với gì, Cooc sẽ gợi ý tỏi, hành và tiêu đen (thường thấy trong công thức), trong khi Chem gợi ý thịt bò hoặc thịt heo (có cấu trúc hương vị tương tự). Tương tự, với "húng quế", Cooc gợi ý nguyên liệu làm mì Ý, còn Chem gợi ý các loại thảo mộc cùng họ như hương thảo hay cỏ xạ hương.

Đáng chú ý, mô hình Chem có khả năng phân loại các giá trị dinh dưỡng như protein, chất béo hoặc các vị như ngọt, đắng tốt hơn dù không được lập trình trực tiếp các thông tin này. Các mối liên hệ hóa học dường như đóng vai trò như một "lối tắt" giúp AI hiểu sâu hơn về các khái niệm ẩm thực.

Epicure xử lý dữ liệu đa ngôn ngữ bao gồm tiếng Trung, Nga, Việt, Thổ Nhĩ Kỳ, Indonesia và Đức. Hệ thống sử dụng Claude và Gemini để chuẩn hóa khoảng 200.000 thuật ngữ thô thành 1.790 nguyên liệu sạch. Dù dữ liệu vẫn còn phân bổ không đồng đều (chủ yếu là ẩm thực Đông Á), mô hình này đã chứng minh khả năng phân tách các vùng ẩm thực một cách sắc nét.

Kaikaku.AI hiện đang vận hành nhà hàng robot "Common Room" tại London. Công nghệ này được kỳ vọng sẽ hỗ trợ đắc lực cho việc phát triển thực đơn, thay thế nguyên liệu khi thiếu hụt hoặc mở rộng quy mô chuỗi nhà hàng. Dù vậy, các tác giả lưu ý rằng kết quả ở những khu vực có ít dữ liệu như Nam Á hay Mỹ Latinh có thể kém ổn định hơn so với các nền ẩm thực phổ biến.