用扩散模型生成汉堡配方：兼顾口味、营养与可持续性

一项发表于学术平台的研究提出用生成式 AI 建模人类对汉堡的偏好，并在口味、营养、环境影响三个维度上同时进行优化。研究者用全球最广泛食用的「巨无霸」作为基准，验证模型是否真正学到了人类味觉的统计规律。

方法：用扩散模型而非大语言模型

研究团队没有采用常见的 Transformer 大语言模型来生成食谱文本，而是设计了一套基于扩散模型的概率生成框架，包含两个组件：

• 多项式扩散模型：负责「选食材」，决定一份汉堡中包含哪些配料；
• 基于分数的生成模型：负责「定用量」，给出每种配料的精确数量。

整个生成空间覆盖 146 种食材及其配比。研究者在 2216 款人工设计的汉堡配方上训练该模型，让它直接学习食材组合与用量之间的统计结构，而不是依赖规则或自然语言推理。

验证：能否「反推」出巨无霸？

为了检验模型是否捕捉到集体口味偏好，研究者设置了两个发现式基准：

• 统计保真度：生成的配方在食材用量分布、食材流行度、食材对相关性、配方长度等多个统计量上与训练集高度吻合；
• 巨无霸再发现：仅凭统计结构，模型能否还原巨无霸的成分组合。

在通过统计验证后，团队采样生成了一百万份汉堡配方，将其映射到口感、环境影响与营养得分三维空间中，以揭示整个设计空间的拓扑结构。

多目标筛选：口感、营养与可持续性

团队在生成空间中引入环境与营养约束，对候选配方做联合筛选：

• 环境指标：土地使用、温室气体排放、富营养化潜力、稀缺加权水耗；
• 营养指标：使用「健康饮食指数」等成熟评估框架。

目标是找到口感评分高、同时显著降低环境影响并提升营养质量的配方，且不牺牲文化熟悉感。

感官实验：100 人盲测

最终，研究者进行了超过 100 人参与的感官测试。结果显示，模型生成的汉堡在口味、质地等感官维度上与经典巨无霸相当，部分样本甚至更受欢迎。这意味着扩散模型确实可以学习人类味觉的统计结构，并据此生成既美味又环保、营养更均衡的食品配方。

局限与延伸

该研究将汉堡作为模型系统，但同一框架理论上可推广到其他结构化食品设计场景。对于关注 AI for Science 与多目标生成优化的研究者来说，这是一项把扩散模型从图像生成迁移到结构化科学设计的有趣案例。