Dlaczego AI podaje inne składniki do kurczaka? Naukowcy odkrywają chemiczny kod smaku

W marcu 2025 roku londyński startup Kaikaku.AI udostępnił na platformie Hugging Face model Epicure, próbując udowodnić, że smak da się sprowadzić do matematycznych wektorów. Wyścig o „chemiczny kod smaku” nabiera tempa, bo giganci pokroju Claude czy Gemini są coraz częściej parowani z niszowymi bazami molekularnymi. Dla branży foodtech to nie tylko ciekawostka – to walka o algorytmy, które zaprojektują menu odporne na zerwane łańcuchy dostaw i rosnące koszty półproduktów.

Rewolucja w cyfrowym menu

Zasady łączenia składników w kuchni wydają się intuicyjne dla człowieka, ale dla systemów sztucznej inteligencji bywają barierą nie do przejścia. Startup Kaikaku.AI, założony przez Jakuba Radzikowskiego i Josefa Chena, postanowił rzucić wyzwanie tradycyjnym modelom kulinarnym. Ich projekt Epicure pokazuje, że to, co AI podpowie nam jako dodatek do kurczaka, zależy od źródła wiedzy: czy system uczył się z książek kucharskich, czy z tablic chemicznych.

Badacze stworzyli trzy warianty modelu. Pierwszy, „Cooc”, analizuje statystycznie miliony przepisów. Drugi, „Chem”, ignoruje ludzkie receptury, skupiając się na cząsteczkach smakowych z bazy FlavorDB. Trzeci, „Core”, łączy te podejścia. Efekty? Podczas gdy model statystyczny do bazylii zasugeruje parmezan, model chemiczny wskaże na oregano lub estragon – rośliny o zbliżonym profilu molekularnym. Jak zauważa Jakub Radzikowski: „Relacje chemiczne między składnikami wydają się drogą na skróty do zrozumienia głębszych konceptów kulinarnych, od goryczy po style regionalne”.

Od molekuł do regionalnych tradycji

Mimo braku danych geograficznych, algorytmy samoistnie pogrupowały składniki w klastry odpowiadające konkretnym kuchniom. Model chemiczny radzi sobie z tą segregacją sprawniej niż te bazujące na tekstach. Twórcy nie ograniczyli się do źródeł anglojęzycznych – przeanalizowali ponad 4 miliony przepisów w siedmiu językach. Wykorzystując modele Claude i Gemini do czyszczenia danych, zredukowali 200 tysięcy chaotycznych terminów do uporządkowanej listy 1790 czystych składników.

Algorytmiczne sterowanie smakiem

Użytkownik Epicure może nie tylko szukać „sąsiadów” produktu, ale też przesuwać go na mapie smaku. Ryż „skręcony” w stronę Azji Południowej przywołuje liście curry. Kurczak przesunięty w stronę zachodniej żywności przetworzonej wskazuje na zupę w puszce i sos ranch. To nie tylko zabawa dla geeków. Kaikaku.AI prowadzi w Londynie zrobotyzowaną restaurację Common Room, gdzie maszyna Fusion serwuje aż 360 misek jedzenia na godzinę. Zrozumienie relacji między składnikami pozwala błyskawicznie tworzyć nowe menu i szukać zamienników w razie braków w dostawach.

Krytyczne spojrzenie na cyfrowy talerz

Badanie budzi jednak znaki zapytania. Josef Chen stwierdził odważnie: „Skomprymowaliśmy całą ludzką sztukę gotowania do 2 megabajtów parametrów”. To mocna teza, biorąc pod uwagę, że połowa danych treningowych pochodzi z Azji Wschodniej, co może zniekształcać wyniki dla Europy Wschodniej czy Ameryki Łacińskiej. Dodatkowo systemy te muszą zmierzyć się z regulacjami dotyczącymi bezpieczeństwa żywności i alergenów, co wymaga pełnej przejrzystości algorytmów. Czy AI naprawdę rozumie smak? Odpowiedź nadejdzie wraz z niezależnymi testami danych na Hugging Face.