生成式 AI 设计更可持续的汉堡配方

一项最新研究将生成式 AI 引入食品配方设计领域，提出了一种基于扩散模型（diffusion model）的全新框架。该模型能够直接学习人类食物偏好的高维概率分布，并在兼顾口感、营养与环境可持续性的前提下，自动生成新的汉堡配方。研究团队还以全球最畅销的汉堡之一「巨无霸（Big Mac）」为基准，验证模型对人类集体味觉偏好的捕捉能力。

研究背景：从语言模型转向结构化生成

传统食品研发高度依赖经验式试错，难以系统性地探索庞大的配方设计空间。近年来，大语言模型虽然能生成烹饪步骤与世界知识，但在精确控制食材构成与概率探索方面存在局限。研究团队因此选择了一条不同路径：构建一个面向食材身份与用量的扩散模型，将食品设计视为结构化概率分布的学习问题。该方法不仅支持可控的创新性、配方再发现，还能在保持消费者接受度的同时，针对环境影响与营养质量进行显式优化。

模型架构与训练数据

研究团队设计了一套两阶段生成架构：

• 使用多项式扩散模型（multinomial diffusion model）负责食材的选择。
• 使用基于分数的生成模型（score-based generative model）负责食材用量的确定。

两者结合后，模型可针对 146 种食材及其具体用量，一次性生成完整的汉堡配方。训练数据来自 2216 个由人类设计的真实汉堡配方。验证阶段，模型在多项统计指标上与原始数据高度吻合：

• 食材用量的分布。
• 食材出现频率（即食材的流行度）。
• 常见食材组合之间的正负相关性。
• 每个汉堡的食材数量（即配方长度）分布。

大规模采样与多目标筛选

在统计保真度得到确认后，研究团队利用模型一次性生成 100 万个汉堡配方，并绘制其口感、环境影响与营养得分的三维图谱，从而揭示出整个设计空间的结构。研究采用四类指标量化环境影响：土地利用、温室气体排放、富营养化潜力与稀缺性加权用水量；营养质量则参考健康饮食指数（Healthy Eating Index）等既有评估框架。

通过在大规模样本中同时筛选口感、环境与营养三类指标，研究团队获得了在保留文化熟悉感的前提下，显著降低环境足迹并提升营养价值的汉堡方案。

感官验证：与巨无霸的正面较量

为测试模型是否真正掌握了人类味觉，研究团队开展了包含 100 多名参与者的感官盲测实验。结果显示，AI 设计的汉堡在整体感官吸引力上能够与经典巨无霸持平甚至超过后者。这一结果验证了研究的核心假设：生成式 AI 可以学习「人类味觉」，并据此设计出既环保又营养、同时不牺牲口感的食品。

该工作展示了扩散模型在结构化设计问题中的潜力，也为食品行业的可持续发展提供了新的技术路径。