Nadia Berenstein作者The Guardian来源王宇欣编译

想用AI抓住吃货们的心,这家创业公司技术策略背后的是与非 | 特写

「当今市面上几乎所有的食品和饮料都很糟糕,」Jason Cohen 这样说道,「几乎没有一款我理想中的产品。」

Cohen 是 Analytical Flavor Systems 公司的创始人兼 CEO,这是一家位于纽约的初创公司,试图颠覆高度工业化的消费品行业。

在公司附近的一家澳大利亚咖啡店里,Cohen 开始讲起了他的人工智能平台 Gastrograph,这个平台能够以一种前所未有的方式精准、便利地绘制出人们的口味偏好。

在 Cohen 看来,不仅是那些杂货店售卖的零食、蛋糕、酸奶、啤酒无法刺激人们的感官,更深层次的大众化问题是:没有一款真正为你设计的产品。

食品和饮料制造业面向的是「主要人群」,厂商会根据大多数消费者的需求进行粗略的估计,然后设计出专门满足大多数人胃口的产品。Cohen 认为,这造成的结果就是,货架上的产品会让大多数人「喜欢」,却很少有人真正「爱上」那些产品。

这是事实,食品加工行业制作的食物的确非常善于取悦大众。

纽约时报的记者 Michael Moss 曾记录了零食公司究竟是怎样通过调整盐、糖和脂肪的比例来使产品达到大多数人无法抗拒的「幸福点」,从而来诱惑消费者。

但 Cohen 的观点则是,现有的食品口味设计模型只能在粗加工食品中发挥效用。他认为,人工智能工具将引导大众走进一个新天地——食品和饮料公司会比以往更加了解用户,所供应的产品能够应对更加个性化的需求。

打开隐秘的味觉世界

为了制作更加了解用户的食品,Analytical Flavor Systems 公司把手机应用 Gastrograph 用作一个数据收集工具。这款应用的核心特征是一个带有 24 个指标的轮盘,每个指标都衡量了一种感官体验,例如「肉感」、「苦」或者「口感」。

每个评价准则有 5 个不同的强度等级,口味测试者可以通过把这些评价指标与他们检测出的食物品质对应起来去绘制出一幅味觉感知轮廓。子菜单还有更为详细地记录体验,包括指定的「肉感」品质,例如香肠般的口感或者更具异国风味(麋鹿、袋鼠)等。之后,系统将会给推荐给测试者一个产品从 1 到 7 的口味偏好等级,包括从 1 到 7。

使用 Gastrograph 对手工啤酒进行口味分析,轮盘的 24 个指标都对应着一种特定的味道,强度等级从 1 到 5,大多数类别都可以分解为子菜单以进行更精细的分析。

除此之外,Gastrograph 还可以收集口味测试者的数据,包括人口统计信息、社会经济状况、过往产品使用经验、吸烟习惯等,也覆盖测试周围的环境信息,如温度、气压和噪音水平等,这些因素都可能影响人们品尝食物的体验。

「事实上,我们会直接打开设备上的所有传感器,」Cohen 解释道,包括麦克风、曝光表和 GPS。

「我们甚至收集了磁场数据,虽然现在不能通过这些数据预测任何事情,但是未来谁知道呢?」他耸了耸肩。

这些尝试的最终目的就是打开一扇通往私人领域的大门:隐秘又难以言表的味觉世界。

不过,能诱惑到人们的味道其实非常独特,可能还会受到生物学、文化以及个人经历的影响。但 Gastrograph 人工智能的强大之处就在于,能够建模并预测日益缩小的消费群体的口味偏好,为食品和饮料公司提供信息,以供其开发、优化更具特定感受的产品。

Cohen 梦想着有一天我们都能拥有自己口味的 Dorito(一种畅销国外的薯片品牌)。

然而,算法没有味蕾,神经网络也从来不吃零食。机器大脑真的能够明白人们未来想吃什么吗?

如何制作用于品尝的食物,这是自工厂开始生产食品以来就一直困扰着生产商的问题。工业加工给味觉体验带来了新的挑战,同样也催生了新的可能性。空前的原料加工制造能力滋生出了两大难题,这两个问题至今仍是这一行业的头等大事。

第一个问题与一致性有关。世界上不存在两颗相同的麦粒,可可豆也是一样。可是每一个从生产线上生产出来的奥利奥饼干都要尽可能地保持一致。那么,如何在保证食品商业化、统一化的同时还能让味觉体验得以提升?

第二个问题是口味问题。究竟是什么能让两种奶油饼干分出高低?如何衡量愉悦感呢?

Analytical Flavor Systems 公司创始人兼 CEO Jason Cohen

20 世纪中叶,食物科学家、化学家、家庭经济学家、消费者研究员和实验心理学家开创了一门新的学科来解决这些问题:感官科学。

也许你和大多数人一样,根本没有听说过这一学科。但是这一学科的方法基本塑造了人们吃的所有东西,也是保证每一罐百威啤酒口味一致、计算薯片最佳脆度、决定饼干最佳口味的秘密武器。

感官科学的成就离不开于一群专业人士的团队工作,即训练有素的感官专家小组。

感官小组的品尝者要学会分析味道和气味。他们学习使用标准化的味道、香气、纹理和口感方面的词汇描述他们的感觉。他们被教授把个人偏好放在一边,仅仅报道他们所感觉到的内容。

许多年过去了,那些同等的自动化机器,如电子鼻、电子舌和其他传感装置已经威胁到了人类品尝者的地位,但不可否认的是,现在那些感官小组的品尝者仍然是感官科学不可缺少的一份子。

如今,许多感官小组在大型食品和饮料公司内工作,学术界、政府和军事研究实验室内也少不了他们的身影,甚至连感官评估和咨询公司的国际网络里也离不开感官小组。

Compusense 是世界领先的感官咨询公司之一,公司的客户名单包含许多顶级的食品、饮料和风味品牌。

「我们有 30 名专业的感官小组成员,」公司的创始人兼董事长 Christopher Findlay 说道,不是全职员工,而是安大略省圭尔夫当地的居民,这些居民被选定为特定的项目工作,例如最近的一项为期 6 周的法国薯条研究,公司会为他们付出的时间进行补偿。

「他们会得到报酬。」Findlay 说道,「但是报酬不一定全是钱。他们很开心地能做这份工作,连暴风雪也阻挡不了他们来这里的脚步。」

每个人都要受到 Compusense 注册的反馈标准方法培训,Findlay 解释道,这种方法允许品尝者们可以极其精确地描述他们的味道体验。

这种方法旨在保障客观性,希望参与者能对同一样本做出合理的统一回应。最终,感官小组需要能够针对主观的口味体验产生可靠的、可重复的信息。例如,让一家公司了解如何将他们葡萄柚饮料与其他公司的葡萄柚饮料在口味上的不同,或者确定某一成分的改变是否会引起口味的明显变化。机器大脑真的能够明白人们未来想吃什么吗?

当然,涉及消费者行为的问题则会变得更加复杂。「问题简直不可同日而语。」Findlay 如是说。

尽管如此,许多预测最终还会归为直觉——这可能就是食品饮料行业的新型研发会被视作「一场血战」的原因。

人工智能调味师

90 % 的新型产品一经上市,一年内会彻底失败的说法频频出现。当然这个数据可能被夸大了,但无论你怎么看待这些数字,在竞争激烈的美国市场推出新食品或饮料都是一次极大的冒险,一次昂贵且危机四伏的冒险。

最近的一项统计估算,每年新产品的失败会造成美国食品行业损失约 200 亿美元。可以说,食品和饮料公司都极度渴望着以更加稳定的方式来预测出未来产品的口味。

这就是 Cohen 认为感官科学未能大展拳脚的领域,也是 Analytical Flavor Systems 看到机遇的地方。

如果他是对的,这可能意味着感官科学领域发生根本性的调整,从感官品尝小组传承下来的庞大、牢固的模式转变。同时,这也可能意味着要拥抱公众舆论的混乱表象,找到那些此前长期被行业认为是无用功的新方法。

Cohen 在他的笔记本电脑上放了一张幻灯片,展示了 Miller Molson Coors 品尝小组的图片。图片上的五个人围坐在一张桌子上,桌上摆放着像是啤酒的塑料样品杯,他们在纸上写下笔记,微笑着互相聊天。

Cohen 几乎毫不掩饰自己对此的看法:「这显然不是开发产品的科学方法,他们要开发的产品不仅面向国内还要推向国际,这些本土人士无法感知到海外消费者在品尝这些产品时的感受。」

在 Cohen 看来,传统的感官评估方法基本都存在缺陷,而且是从根本上就被误导了。即把受过专门训练的品尝者视为中立的工具,期望他们将个人偏好放在一边而就口味问题达成共识,但感官科学否认了人与人之间的明显差异。

Cohen 表示,当小组中的品尝者被「校准」之后,使用标准化语言来描述他们的体验时,「你实际上是在丢弃更广泛的潜在市场中感知变化的数据。」高效的规模化生产让工业化食品生产系统在实现生产力和廉价性双收的同时,切断了与想要用心体会饮食的人们之间的联系

换句话说,Cohen 指责传统的感官科学为了达到错误的客观性,人为地束缚了品尝者的体验。

直到他「遇见」数据科学。

2010 年,Cohen 开始在宾夕法尼亚州立大学信息科学与技术学院跟随教授 John Yen 开展研究生工作。他建立了一个基本的人工智能平台,用于记录茶叶信息和品鉴笔记。他的目标是完成这样一个程序:当你输入你品尝的东西时,程序可以告诉你,你正在喝的是哪种茶。

「2012 年,我们取得了一些非常棒的进展。」他说道,系统拥有了超出他和同事们查明茶叶原产地的能力,这是 Gastrograph 人工智能的基础。

Cohen 在取得学位之前就离开了研究生院,并从 2013 年开始全身心投入到 Analytical Flavor Systems,他说这是为了保护他的知识产权。茶研所的两名成员 Ryan Ahn 和 Aislynn van Clief 也很快加入他的公司,现在分别担任该公司的研究和创意总监。与另外一名数据科学家一起,他们组成了 Analytical Flavor Systems 小团队的核心。

不同于校准品尝人员对食物口味的体验,Gastrograph 的原则在于每个人的口味体验都有所不同,然后人工智能工具会针对那些出现口味分歧的地方展开分析。

Cohen 解释说,机器学习的强大就在于,它可以发现被传统感官方法视作噪音而遭到排斥的模式,此外它还可以在感官科学丢弃的信息中定位到意外的口味偏好驱动因素。

「我们认为味道是一个无限维的希尔伯特空间。」他解释道,希尔伯特空间是一个具有无限多变量的复数代数系统的数学概念。

他的意思是,同一味道的感官体验的可能性实际上是无限的。感官科学限制了它所收集的数据,例如,将品尝者限制在了标准词汇表中,但人工智能不需要遵守这些限制。这个想法就是 Gastrograph 实现「超人表现」的方法,深挖那些被人们记录但却被忽视的数据。

愿意交出你的数据吗?

本质上讲,人工智能描述的是任何利用机器学习技术的系统,包括神经网络自然语言处理在内的计算算法,它们可以从数据群中挖掘意义、找到模式、进行预测。

无论是过滤垃圾邮件,识别潜在的新药,还是为刷剧爱好者推荐下一个节目,基于人工智能的系统会随着时间的推移降低其错误率,更好地提供我们想要的东西。

然而,为了做到这些,人工智能也需要人们提供一些东西作为交换,就是我们的数据。

人们可以在手机下载 Gastrograph 的免费公开版本。

笔者自己也尝试了一下,在它要求提供访问麦克风和位置的权限时,笔者犹豫了一会儿,最终小心妥善地提供了如下个人信息:种族、民族、性别、生日、第一语言、家乡。

毕竟,数据是人工智能的命脉,或者它更像是人工智能的内分泌系统,让系统得以生长、成熟和发育,填补骨架建立肌肉。

这样看来,如果人们想要迎来个性化食品的新时代,那么交出个人信息可能是「必要之恶」。

当然,Gastrograph 不是推荐引擎,而是一个海量数据收集系统的输入终端。它不会帮助人们认清自己,相反,用户的数据可以帮助人工智能改进人们感知饮食的方式,然后帮助食品公司更好地设计出卖给人们的产品。

目前,Analytical Flavor Systems 并不依赖像我的业余人士来填充其数据库。产品的主要用户是经过培训的食品和饮料公司的感知小组和产品开发人员,他们为公司的主要研发数据库提供了超过 20 万份评论。此外,公司还可以访问到大约一百万份的消费者评论数据库,主要用来验证消费者的偏好预测。

如果数据是人工智能的命脉所在,那么它也是人工智能最大的负担。

收集数据费用昂贵。对于早期人工智能创业企业来说,这也可能是对它不利的限制。食品和饮料公司对数据是出了名的「守财奴」。

在被问到食品饮料公司是否会担忧其下属的品尝小组的反馈会进入 Gastrograph 数据库时,Cohen 表示:「这方面会存在一点争议,我们对这个话题非常坦率。显然,对两个竞争对手来说,我们绝不会对任何一方的产品做出预测,但是每个人的数据都会改进系统。」

总体而言,Gastrograph 收集的数据揭示了大规模的模式和新兴的偏好。Cohen 介绍,美国消费者对苦味的日益喜爱最近开始影响到了酸味。在市场上可以看到这方面的证据:热衷精酿啤酒的消费者开始偏好兰比克啤酒,希腊酸奶食用者转向了冰岛脱脂酸牛奶,葡萄柚风味的饮食越来越受欢迎,这种味道巧妙地结合了酸味和苦味。

然而,这并不是宏观趋势的追踪,而是一种微观定制:预测性地模拟日益缩小人群的观点和偏好。

「你可以输入一杯拿铁咖啡的口味,」Cohen 说道,「系统会输出一个优化方案,要改变什么才能使产品变得更好。」没有柏拉图式理想的拿铁咖啡。只有最适合你的拿铁咖啡,最适合你口感的就是最好的咖啡。

例如,Gastrograph 不仅仅会建议葡萄柚口味,而且会建议如何调整其花香、果味、苦涩和酸味的程度,以吸引东北地区的千禧一代,或者超过 40 岁的德国女性。

从理论上讲,Gastrograph 收集的品味数据越多,它的模型和预测就越好。但公司面临的一个大问题就是,到底从哪得到这么多的数据。

食品工业一直在朝着更专业化的产品方向发展。

80 年代,感官科学的先驱之一 Howard Moskowitz 在为 Prego 工作时强调了这一点。正如他的消费者研究表明,不存在完美的意大利面条酱,不同的人适合不同的意大利面酱。Prego 成功的关键不在于对经典番茄酱的改进,而在于认识到仅仅有一部分人群偏好厚实酱料,而这却不是整个市场喜好。

Moskowitz 将美国人分为三个群体——一部分希望酱料简单至上,一部分喜欢辛辣的味道,还有一部分则偏好厚实的酱料。对此,Cohen 的设想更加细致,人工智能辅助分析可以更好地揭示口味偏好的多样化地图。

「还有很多未开发的市场,」他说道,「到处都存在空白。」不过,Cohen 的愿景并不是要迎合挑剔的消费者。

「我们是要给大家带来更好的产品,」Analytical Flavor Systems 研发负责人 Ryan Ahn 说道。虽然他承认这项技术尚未完成,但他保证,「个性化产品即将到来。我们希望能够成为个性化产品背后的智囊。」

口味个性化是不是一个伪命题?

自动驾驶汽车或亚马逊的 Alexa 相比,人工智能在食品行业中的表现明显低于预期。许多顶级公司正在使用人工智能来改变食品生产的大局:农场、饲料场、工厂以及其他制造和分送饮食的大型系统。

Analytical Flavor Systems 希望将机器学习的力量应用于食品最隐私、最具个性化的方面:口味。

然而到目前为止,Gastrograph 主要的用途在于工艺啤酒行业的质量控制,作为一个跟踪监测不同批次产品口味一致性的工具。最近,该技术已帮助企业调整了十几种新型的、即将推出的产品口味特征,包括工艺啤酒、调味水、巧克力和咸味小吃。

最终,Analytical Flavor Systems 销售的并非某种食品或饮料:它是一种经验的描述性图像、一种预测图以及对高度吸引消费者的细分市场的愿景,这些是由整个食品系统分裂而来。

正如其创始人所说,如果未来的食品对最个性化的口味进行了优化,那么一家公司的成败最终将取决于 Gastrograph 的能力大小,它告诉食品和饮料公司人们究竟会喜欢什么口味,人们离开哪种口味的饮食就活不下去,并且会比现有公司更准确、更高效、更具成本效益地做到这一点。

尽管 Cohen 声称他的公司正在颠覆感官科学的基础,但该领域的专家仍质疑 Cohen 对这一学科的特性描述。

研究感官科学的人类学家 AnaMaríaUlloa 博士就不同意 Cohen 的观点。

「确切地说,感官科学家与品尝小组的实践揭示了食品评估带来的所有小麻烦,」她说道,他们的实验技术有效地捕捉到了这些不确定因素以及不同品尝者之间的差异。

宾夕法尼亚州立大学食品科学 John Hayes 教授,Cohen 曾经的老师,也为 Cohen 对这个领域粗略的理解感到惋惜。

「感官科学家长期以来一直面对的正着 Analytical Flavor Systems 声称要解决的问题,」Hayes 说道,「他们已经开发测试了一套复杂且不断发展的方法学和统计工具,来改善他们收集的数据的质量、可靠性和功能性,包括将描述性评估与偏好评级相结合的方法。」

「的确可以从群体智慧的角度来看这些问题,而大多数人却从未站在感官科学的角度去审视这些问题,」他承认,「但是 Cohen 所说,你必须抛弃校准或者良好的感官实践来才能获得成规模的数据,我认为这不对的。」

换句话说,如果用于训练和发展算法的数据存在缺陷或错误,那么世界上任何一种机器学习能力都无法带来更好的结果。

Cohen 方法的批评者认为,不加分析的数据收集系统并不意味着人群种类不会被排除在模型之外,也许人工智能技术可能会更好地被用于提高收集的感官数据的质量,而不是简单地扩大数量。

当然,Gastrograph 能否兑现承诺还有待观察。但与此同时,有一些投资界的大佬们已经开始把宝押在了 Cohen 身上。

Analytical Flavor Systems 吸引了 Techstars 和 ZX Ventures 以及 AB InBev 全球创新基金的投资。Analytical Flavor Systems 目前正在进行 200 万美元的新一轮融资。

对于该公司的金主来说,口味个性化是一个潜在的金矿。

Techstars Connection(一个加速器项目)负责人 Eamonn Carey 曾是 Analytical Flavor Systems 的早期支持者,他将个性化称为食品和饮料公司的「圣杯」。

正如 Instagram 或 Facebook 上针对性广告观察用户的在线行为,从而更准确地提供人们似乎想要的内容一样,食品公司总有一天也会将他们的产品与人们的口味相匹配,并使用相应的口味来确保产品在厨房中可以占据一席之地,牢牢抓住用户的心。

「他们可以直接向消费者出售,」Carey 沉思着说道,「而不通过咖啡店和杂货店。可以直接卖给我我最喜欢的巧克力棒,也许也可以作为订购服务,每月 4 根,量身控制我的胆固醇水平。「

高效大规模的生产允许工业化食品生产系统实现生产力和廉价性双收的同时,也切断了与想要用心体会饮食的人们之间的联系,使许多消费者与大型跨国品牌和农业综合企业疏远了。

无法否认,更加个性化的工业化食品体系的确吸引着人们,体系不但可以考虑到文化和人口差异,而且实际上这似乎也是对个人愿望的回应。但这一体系面临着明显的物流挑战,这些挑战是 Analytical Flavor Systems 公司或其支持者都无法令人信服地解释清楚的。

此外,要使这一愿景成为现实也需要人们付出一些东西作为交换:我们的数据。

人们正处于食品信息爆炸之中,无论是智能冰箱的无声传感器、对亚马逊 Alexa 或 Siri 下的订单,还是在 Instagram 发布的晚餐照片,如今这个时代比以往要拥有更多关于饮食的信息。Analytical Flavor Systems 将成为这些数据的受益者。

加州大学戴维斯分校的 IC FOODS 等研究小组正在试图建立一个「食品互联网」,一种标准的、通用的数据语言集,可以把混乱的食品信息转化为可计算、可操作的知识。IC Food 负责人 Matthew Lange 预测:「像 Gastrograph 这样的工具很可能成为驱动这种大规模食品感官体验收集引擎的一部分。」

想得到更好的食物就需要更多的数据,人们是否愿意进行这种交换?

「I'd like to buy the world a Coke」,这是有史以来最受欢迎的广告语之一,它用可乐饮料把地球联结起来。

而在 Analytical Flavor Systems 设想的由 Gastrograph 驱动的未来,每个人都会喝着自己独特的可乐。

文章来源:https://www.theguardian.com/lifeandstyle/2018/may/23/food-for-thought-will-an-era-of-hyper-personalized-meals-leave-a-sour-taste

产业
相关数据
神经网络技术
Neural Network

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

希尔伯特空间技术
Hilbert space

在数学里,希尔伯特空间即完备的内积空间,也就是说一个带有内积的完备向量空间。是有限维欧几里得空间的一个推广,使之不局限于实数的情形和有限的维数,但又不失完备性。与欧几里得空间相仿,希尔伯特空间也是一个内积空间,其上有距离和角的概念。

机器学习技术
Machine Learning

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

自然语言处理技术
Natural language processing

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

自动驾驶技术
self-driving

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

感知技术
perception

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

噪音技术
Noise

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中,我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。 数据通常包含噪音,错误,例外或不确定性,或者不完整。 错误和噪音可能会混淆数据挖掘过程,从而导致错误模式的衍生。去除噪音是数据挖掘(data mining)或知识发现(Knowledge Discovery in Database,KDD)的一个重要步骤。