Epicure 模型：AI 推荐鸡肉配菜，基于食谱还是分子化学？伦敦初创 Kaikaku.AI 发布三款风味嵌入模型

一句话看懂

伦敦初创 Kaikaku.AI 发布 Epicure 模型，基于食谱或分子化学两种路径，为 AI 推荐食材搭配提供全新思路。

详细发生了什么

Kaikaku.AI 是一家伦敦初创公司，发布了名为 “Epicure” 的三款 AI 模型。这些模型首次清晰区分了食材搭配的两种逻辑：一是基于食谱的传统搭配（如鸡肉配大蒜），二是基于分子化学的关联（如鸡肉与某些蔬菜共享风味化合物）。

Epicure 模型训练数据包括 414 万份食谱（覆盖七种语言）和 FlavorDB 风味数据库。每个变体返回不同的推荐结果。令人惊讶的是，纯化学模型在口味和营养分类上表现优于基于食谱的模型，尽管它从未直接接触过这些信息。

这一成果表明，AI 不仅能模仿人类烹饪经验，还能从分子层面理解食材的相互作用，为食品科学、个性化营养和创意料理提供了新工具。

中文圈视角

对于中文用户，Epicure 模型目前可能无法直接使用（需 API 访问，且训练数据以西方食谱为主），但其思路值得关注。国内类似产品如“下厨房”的推荐算法多基于用户行为或菜谱标签，缺乏化学层面的分析。

如果未来有中文版，Epicure 可用于：

• 个性化饮食推荐：根据用户健康状况（如糖尿病、过敏）推荐分子层面兼容的替代食材。
• 中式料理创新：分析传统中餐食材（如酱油、八角、姜）的化学关联，生成新搭配。
• 食品工业：帮助研发新口味组合，减少试错成本。

目前中文圈对此讨论较少，但食品科技与 AI 的结合是潜在蓝海。国内团队可借鉴其方法，利用中文食谱数据库（如豆果美食、美食天下）和本土风味数据库（如中国食物成分表）训练类似模型。

几条值得记住的细节

• Epicure 包含三个变体：纯食谱模型、纯化学模型、混合模型。
• 训练数据：414 万份食谱（七种语言） + FlavorDB 风味数据库。
• 纯化学模型在口味和营养分类上优于食谱模型，尽管未直接训练这些标签。
• 模型可推荐“意想不到”的搭配，如鸡肉与巧克力（共享某些风味化合物）。
• Kaikaku.AI 计划通过 API 提供模型，定价尚未公布。

一句话总结

AI 推荐食材搭配不再只靠菜谱，分子化学视角让推荐更科学、更创新，中文用户可期待类似工具落地。