圣诞将至,试试这份AI为你准备的创意食谱?

来源 | BBC,作者 | Richard Gray,编译 | GeekAI。

我们想通过人工智能技术在你的圣诞晚餐结束时,使用多余的火鸡,填料和布丁设计出一个充满创意的菜单。事实上,我们在烹饪它们的时候真的这样做了。

现在,让我们坐下来,将盘子推开,摸摸自己的肚子。你吃了个肚圆!

但是如果你的圣诞晚餐和我们在 BBC Future 的一样丰盛,那么几乎可以肯定的是,在你今年的节日庆祝活动结束时,会剩下很多食物。

与其让你的剩菜剩饭变成世界各地每年扔掉的 13 亿吨食物中的一员,另一个选择是把多余的火鸡和填料塞进冰箱再放一天。

对我们大多数人来说,用完圣诞节剩下的食物意味着在新年前的日子里要吃上一顿又一顿的火鸡三明治和咖喱布鲁塞尔芽甘蓝。所以,为了给今年的剩菜剩饭注入一些创意,我们求助于人工智能来帮助我们烹饪菜肴。

世界各地的许多研究团队一直在开发能够从现有食谱中学习,然后提出自己的创意食谱的人工智能系统。我们询问了两种原创算法的研究人员,看看他们的人工智能会系统可以对圣诞食物做些什么。

第一个系统是由斯坦福大学的计算机科学家开发的,它可以让冰箱里剩下的任何食物摇身一变,成为基于这些食材制作的独特菜单。

另一个系统是由伊利诺伊大学的人工智能研究人员发明的,它可以将一个国家的菜肴按照另一种烹饪风格制作,为一顿饭注入了混搭的异域风情。

第一个算法叫做「Forage」,它使用一种名为深度神经网络人工智能技术,这种技术试图模仿人脑的工作方式。像这样的网络能够处理涉及复杂数据的问题,而且越来越多地被用于处理各种各样的任务,比如控制自动驾驶汽车,以及在健康体检中识别癌症的早期症状。

斯坦福大学的研究生 Angelica Willis 领导了一个研究团队,他们将 6 万多种食谱「喂给」(不是真的喂食,目前机器仍然尝不出食物的味道,这里指作为输数据输入) 他们的神经网络,帮助机器学习一些烹饪的基本概念,比如切菜、烘焙或油炸原料。

Willis 说:「我们还会奖励这个模型进行创新,这样它不仅学会背诵用来训练它的食谱,而且还能想出有创意的、前所未见的食谱。它甚至会为每个食谱起一个朗朗上口的名字。

然后,研究小组要求算法生成一些以节日剩菜为主要原料的菜单。我们决定按照它的创意来烹饪(主要是为了让你不必考虑菜单):

火鸡肉饼

用到的剩菜:火鸡、馅料、球芽甘蓝、肉汁、蔓越莓酱

烹饪步骤:向后 4 种原料中加水,混合均匀。加入 1/4 茶匙盐和黄油。每次加入 2 杯面粉。加入火鸡肉。小新地将其清洗、切块、削皮,并纵向切成 1/4 英寸厚的圆圈。将馅料抹在上面。同时,用热油覆盖小煎锅或炸锅,将火鸡肉饼炸至金黄色。

人工智能机器添加的其他配料:鸡蛋、面粉、黄油、盐、植物油

在不知道要加多少水的情况下,我们摸索着进行了一些尝试,最终得到的东西与其说是面团不如说更像是面糊,所以看起来更像是油炸后的油饼。

同样令人困惑的是,我们到底需要小心地为什么东西剥皮。

虽然由此产生的「炸丸子」吃起来还是不错的,但在我们的口味测试中,要克服这样的「炸丸子」明显带有的劣质味道是很难的。

西班牙马铃薯烩菜

用到的剩菜:面包酱,「 pigs-in-blankets」(一种用培根包裹香肠的食物),红卷心菜,土豆

烹饪步骤:在平底锅中用中火融化黄油。首先烹饪切成薄片的土豆。将菜油和酱油倒在卷心菜上,加入猪肉拌匀。加入胡萝卜,青椒,葱,奶酪和盐。用切碎的香菜和辣椒调味。迅速涂上剩余的面包酱用以点缀,烘烤25分钟。

人工智能机器加入的其他配料:胡萝卜、青椒、葱、奶酪(我们用的是吃剩的斯提耳顿干酪)、盐、油、香菜、辣椒

这可能是最容易跟着做而且确实行得通的食谱。那些敢于尝尝鲜的人都会很喜欢它。然而,我们的西班牙同事对这道菜能否在自己的祖国成为一道当地菜肴表示怀疑。

沙巴雍(一种意大利甜点)黑面包

用到的剩菜:圣诞布丁、白兰地黄油、奶油

烹饪步骤:将奶油芝士与 1/4 杯面粉及其他配料混合,放入碗中,搅拌均匀,并将其在食品加工机中切碎。将山核桃、肉豆蔻和白兰地黄油混合,加入油拌匀。取1 份混合物放在抹了油的曲奇薄片上,烤至面包变黄(约10分钟),从烤箱中取出。加上一层果酱和白糖。揭开盖子,翻炒 5 分钟。接着从锅中取出,切掉侧面的部分。撒上糖粉,加热后和巧克力及其它糕点作为午餐或早午餐。

人工智能机器加入的其它配料:山核桃、肉豆蔻、果酱、糖

这道菜的名字里提到了一种类似奶油蛋羹的意大利甜点(沙巴雍),这让我们非常兴奋,但按照食谱做了之后,我们得到的是一种紧实的棕色块状物,而不是我们希望的那种清淡的奶油味甜点。人工智能机器似乎自己也很困惑,在它的烹饪方法中用到了奶油奶酪而不是奶油。

然而,令人惊讶的是,这可能是口味测试中评分最高的原创食物

五香苹果面包皮

用到的剩菜:圣诞蛋糕,肉馅饼、雪莉酒、杏仁糖

烹饪步骤:将所有材料充分混合,在平底锅中加入糖。放入苹果、香草和波旁威士忌进行混合(出于某种原因,人工智能机器用雪莉酒代替了波旁威士忌)。在大碗中,将上述混合物与面包屑和肉桂一起搅拌。加入面粉、酵母、糖和盐,搅拌成面糊并味道。

将混合物放在烤盘里,占据烤盘 2/3 的深度。

筛入 1/2 杯面粉,将热蜂蜜铺在第一层面糊中。将黄油、蛋清、奶油、碎核桃、苹果汁和剩下的一汤匙面粉以中速搅拌。加入 M&M 巧克力豆和 1/3 杯面粉。在撒了面粉的平面上擀出面团,放在撒了面粉的烤盘上,如果需要的话,在上面刷上少许面粉或杏仁粉。在 375 度下烘烤 35 到 40 分钟。

人工智能机器加入的其它配料:苹果、香草、波旁威士忌(可由雪莉酒代替)、面粉、蜂蜜、鸡蛋、核桃、糖、苹果汁、盐、黄油、 M&M 巧克力豆

这可能是人工智能机器发明的的最具争议的菜肴,也是所有烹饪指南中最令人困惑的。按照它描述的方法,我们做出了面糊,而不是糕点,所以我们最后在上面放上了一颗镶满糖果的约克郡布丁。当它相当新鲜时,人们很喜欢它,但随着时间的流逝,它很快就变得硬邦邦的,跟纸板一样。

鲜辣海鲜(法国)烩菜

用到的剩菜:烟熏三文鱼、奶酪、坚果、大虾拼盘

烹饪步骤:在煎锅中热油,加入月桂叶和洋葱。将洋葱和胡椒炒软。将三文鱼切碎,加入洋葱和胡椒拌匀。盖上盖子,用低火煮至三文鱼变软。进行调味。将虾仁及芝士加入生蚝锅中,降低锅的温度。备上奶酪肉汁作为酱料。

人工智能机器加入的其它配料:辣椒、香菜、洋葱、油、月桂叶

我们决定不要做这道菜。如果我们吃下这道菜貌似会食物中毒。但是我们可以想得到,这道菜可能和烩菜一样,只不过味道比较奇怪。

然而,Willis 和她的同事认为,随着时间的推移,机器学习模型将会不断被优化。他们研究这项技术已经差不多有一年了。值得一提的是,专业厨师需要花多年时间学习如何赋予食材鲜美的味道。由 Forage 系统设计的食谱更像是一个学生在第一次离家后不久创造出来的东西。

在烹饪过程中,他们也常常无法给出配料或温度的具体衡量标准——这些元素对于依赖精细化学反应的菜肴(比如在许多蛋糕和甜点)来说往往很重要。

「新的时代正在到来。在这个领域,超级计算机不仅仅是分析机器。它们可以具备天才般的创意,包括烹饪专业知识。但就像任何机器学习模型在训练的早期阶段一样,它有时会感到困惑。」Willis 说。

一个很好地例子是,我们要求该系统向我们体统一份食谱,从而用完那些我们需要在圣诞节后花掉好几周才能消灭的橘子、太妃糖和热红酒。

「模型实际上并不知道什么是太妃糖或者如何使用它。出于某种原因,这个系统热衷于把太妃糖、鸡肉和意大利面结合在一起。」Willis 说。

下面的食谱就是一个它创造的产品的例子,我们还能看到它赋予这些菜肴的奇怪的名字。没人知道 Stewart 是谁,也没人知道为什么他认为将太妃糖和意大利面一起烹饪是一个好主意。

Stewart 一生(For life) 意大利面

用剩的剩菜:金桔、 热红酒、太妃糖

烹饪步骤:将面条和其他原料与太妃糖混合,搅拌均匀,然后倒在意大利面上。向胡椒调味的蘑菇加入 1/2 杯奶酪后浇上面条,盖上烹饪熟的鸡肉。在 450 度下烘烤 30 到 45 分钟。

我们用来设计食谱的第二个算法是由 Varshey 和他在伊利诺伊大学的团队开发的。他们用来自 20 个不同国家的近 4 万份菜谱来训练该系统,该系统可以利用语义推理来更替某个菜单的配方,而用来替代的素材通常是另一个不同菜系的重要原材料。

Varshney 和他的团队正在使用该算法为经典的圣诞大餐设计一些印度食谱,然后由米其林大厨 Matsushima 来负责烹饪(Matsushima 在法国的尼斯开了一家餐厅)。

「用人工智能机器来做这个事情非常好玩儿,它能给你带来全新的体验。」 来自日本东京的 Matsushima 说,「我并不清楚每一种味道和口味将如何混合在一起,人工智能确实创造了一些新的体验」。

人工智能设计的印式圣诞布丁或许是所有菜单中最有趣的一款。这道菜加入了诸如玫瑰花瓣和葫芦巴叶这类微妙的调味品,而没有采用以往惯用的烹饪苹果和蜜饯果皮。同时,杏仁被腰果替代,肉豆蔻替代了豆蔻。酥油替代了奶油,并加入了小茴香。

但松岛的最爱是印式烤火鸡,里面填满了火辣咖喱、香肠肉、蘑菇、面包屑、腰果、葫芦巴叶和姜黄。

「做起来很简单,也很容易做好。」他说。

不过,传统肉馅饼被进行了一些「改良」——混拌碎肉被红扁豆替代,用玫瑰花瓣与葫芦巴调味,而甜点是用酥油做的。

「你不会想一直吃这些菜。」松岛说,「这些菜的口味非常特别——呃,不是很好,所以第一口难以接受。但等你吃到第三口时,就会开始喜欢上它」。

你会在自己的餐厅给客人提供这些菜品吗?「我不确定这些食物是否适合客人们食用,」他说,「这是一次不错的体验,但我不会在菜单上点这些东西吃。」

松岛正在与 Varshney 及其团队合作试图找到日式鲜美风味的替代品,希望可以研发出「第五种口味」的法式和意式菜式。「虽然距离机器人大厨掌勺的米其林五星餐厅还比较遥远,」Willis 说,「但利用技术来满足人类饮食需求,显然是非常有趣的尝试」。

产业斯坦福大学计算机科学系人工智能应用
1
相关数据
自动驾驶技术技术

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。

机器学习技术

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。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

神经网络技术

(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)。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

分析机技术

分析机是由英国数学家查尔斯·巴贝奇设计的一种机械式通用计算机。从1837年首次提出这种机器的设计,一直到他去世的1871年,由于种种原因,这种机器并没有被真正的制造出来。但它本身的设计逻辑却十分先进,是大约100年后电子通用计算机的先驱。

暂无评论
暂无评论~