AI 不只是會寫食譜，而是開始學會「人類為什麼覺得好吃」

生成式 AI 讓我們習慣了一件事：只要輸入一句話，它就能寫文章、做簡報、產生圖片、整理資料。於是很多人會自然地問：「那 AI 能不能寫食譜？」

這篇發表於 npj Science of Food 的研究，答案比「寫食譜」更進一步。研究者不是請大型語言模型寫一份看起來美味的漢堡食譜，而是讓 AI 從大量人類寫下的真實食譜中，學習「人類味覺偏好」背後的結構。換句話說，AI 學的不是句子，而是食材組合、食材比例，以及人類長期累積出來的料理直覺。

這讓食品設計變成一件很有趣的事：AI 不只是模仿一道菜，而是在學習整個人類飲食文化形成的設計空間。

一、從「AI 寫食譜」到「AI 學習人類味覺」

這篇研究的關鍵不是讓 AI 講出「牛肉、起司、生菜、番茄醬」這些食材，而是讓 AI 知道：哪些食材經常一起出現？哪些比例像是一個正常漢堡？哪些組合雖然新，但仍然保有漢堡的熟悉感？這就是它和一般 LLM 生成食譜最大的不同。

二、為什麼研究者選 Big Mac？

研究者選擇漢堡作為實驗對象，並用 Big Mac 作為重要參照。原因很簡單：Big Mac 是全球高度普及的食品，銷售範圍超過 100 個國家，代表它不是少數人的偏好，而是經過大量市場驗證的「全球味覺基準」。

如果 AI 真的學會了人類對漢堡的偏好，它應該可以在沒有被明確告知 Big Mac 配方的情況下，重新找到類似 Big Mac 的食材結構。這就像一個音樂 AI，如果真的學會了流行音樂的結構，它不只會亂寫旋律，而是可能重新走到某些經典旋律所在的高機率區域。

結果很有趣：研究者發現，AI 確實可以重新發現 Big Mac。更重要的是，Big Mac 並不在原始訓練資料中。這表示模型不是背答案，而是從人類食譜資料中學到某種「集體偏好」的結構。

研究者用 SDS，也就是 substantial difference score，衡量 AI 生成食譜和參照食譜之間的差異。SDS = 0 代表食材與數量都符合，可以視為重新發現。研究中，AI 平均需要約 730 萬次樣本，才能重新發現一次 Big Mac。這個數字也說明，AI 不是隨便就複製出 Big Mac，而是在巨大組合空間中，偶然走到一個非常經典、非常接近人類主流偏好的位置。

三、研究方法：AI 如何學會漢堡？

這篇研究使用的不是一般大型語言模型，而是專門設計的 diffusion-based generative model。它把每個漢堡配方拆成兩件事：第一，哪些食材會出現。第二，每個食材用多少。

研究者從 Food.com 的開源資料中，篩選出 2,216 份漢堡食譜，整理成 146 種食材的結構化資料。每一份食譜都被表示為「食材是否出現」與「食材重量」。

這使得 AI 不再只是處理文字，而是直接處理產品配方。模型分成兩個階段：

階段	AI 學習任務	白話說法
食材選擇	哪些食材會一起出現	牛肉常和起司、洋蔥、生菜一起出現；某些食材彼此較少同時出現
食材定量	每種食材通常用多少	不是只知道有牛肉，還知道牛肉大約用多少克才像一個正常漢堡

研究者驗證 AI 是否真的學到漢堡結構，方法包括檢查食材用量分布、食材出現機率、食材間的正負相關、每份漢堡的食材數量。結果顯示，AI 生成樣本和真實食譜資料在這些統計特性上相當接近。這代表模型不是亂組食材，而是學會了漢堡作為一種食物類型的內在秩序。

四、AI 生成的漢堡，真的好吃嗎？

研究中最吸引人的地方，是它不是只停在模型分數，而是真的做了盲測。AI 先生成大量候選漢堡，再依據不同目標篩選出五款：

類型	目的
Delicious Burger 1	在有一定新穎度下，追求美味
Delicious Burger 2	在更高新穎度下，追求美味
Sustainable Burger 1	大幅降低環境衝擊
Sustainable Burger 2	在保留牛肉與蘑菇混合下兼顧接受度
Nutritious Burger	提高營養品質

接著，研究者請行政主廚把 AI 產生的「食材與重量」轉譯成實際烹調流程，再由獨立廚師製作，最後和 Big Mac 一起進行盲測。參與者共有 101 位，在舊金山一間營業中的餐廳中進行測試。每位參與者都用 7 點量表評分，包括整體喜好、風味、口感。

結果顯示，兩款 AI 生成的美味漢堡，在部分指標上不只接近 Big Mac，甚至優於 Big Mac。

指標	Big Mac	Delicious Burger 1	Delicious Burger 2
整體喜好	5.3	5.5	5.7
風味	5.4	5.8	5.8
口感	5.2	5.2	5.4

其中 Delicious Burger 1 的風味分數顯著高於 Big Mac；Delicious Burger 2 的整體喜好與風味分數也顯著高於 Big Mac。

這個結果的意義不是「AI 打敗麥當勞」，而是 AI 能在熟悉的產品類型中找到新的高接受度配方。它沒有完全拋棄漢堡的文化熟悉感，而是在熟悉邊界內做創新。這對所有產品開發都很重要：消費者往往不是拒絕創新，而是拒絕太陌生、太不符合期待的創新。

五、永續漢堡：環境衝擊可以大降，但消費者接受度是關鍵

研究也測試 AI 能否設計更永續的漢堡。環境分數包含土地使用、溫室氣體排放、富營養化潛勢、水資源壓力等指標。結果顯示，AI 生成的 Sustainable Burger 1 是蘑菇為主的配方，環境衝擊分數只有 0.06，而 Big Mac 是 0.93，低了超過一個數量級。

但是這款蘑菇漢堡在口味、整體喜好、口感上都低於 Big Mac。換句話說，它很永續，卻不一定最容易被市場接受。

另一款 Sustainable Burger 2 則採用蘑菇與牛肉混合設計，感官表現與 Big Mac 沒有顯著差異。這反而提供了一個非常務實的產品啟示：永續食品的市場化，不一定要一步到位完全替代肉類，也可能透過混合式、漸進式產品設計，先降低消費者抗拒。

這篇研究的重要洞察是：永續不是靠單一食材替換就能完成，而是整份配方的系統性重組。AI 的優勢就在於它可以同時探索大量組合，找到人類直覺不容易想到的折衷點。

六、營養漢堡：健康分數提高，但「好吃」仍是產品化瓶頸

AI 生成的 Nutritious Burger 以豆類為主，Healthy Eating Index 達到 63.12，而 Big Mac 是 33.71，幾乎接近兩倍。同時，它的環境衝擊也比 Big Mac 低很多。

但問題是，這款營養漢堡在盲測中的整體喜好、風味、口感都明顯低於 Big Mac。

指標	Big Mac	Nutritious Burger
Healthy Eating Index	33.71	63.12
整體喜好	5.3	3.8
風味	5.4	4.0
口感	5.2	3.7

參與者更常形容它 earthy、bland、dry、soft、grainy。這些描述對食品開發很重要，因為它們直接指出了產品化的下一步：不是再提高營養，而是改善風味與質地。

這是這篇研究很誠實、也很有價值的地方。它沒有宣稱 AI 可以一次解決所有問題，而是清楚呈現多目標設計的取捨。產品創新真正困難的地方，不是單一指標最大化，而是在多個互相拉扯的指標之間找到可被市場接受的方案。

七、個人化食品：AI 可以依不同人設計不同配方

研究也示範了個人化漢堡。模型可以依據年齡、性別、身高、體重、活動量，產生不同營養需求下的配方。例如研究中展示了 15 歲高活動量男性，以及 70 歲中度活動量女性的個人化配方。

這代表未來食品設計可能不只是「一款產品賣給所有人」，而是依照族群、情境、健康目標、生活型態，產生不同版本。例如：

對象	可能的食品設計方向
青少年運動族群	較高能量、蛋白質、活動恢復需求
高齡族群	控制鈉、脂肪、咀嚼容易、營養密度高
減重族群	控制熱量、提高飽足感
永續消費者	降低肉類比例、提高植物性食材
高壓工作者	快速取得、口味熟悉、營養平衡

這對食品業、保健品業、餐飲業甚至電商都很有啟發。未來產品不一定只靠單一爆品，而可能是同一個產品核心，延伸出多個族群版本。AI 的角色，就是在大量限制條件中找到最合適的組合。

八、AI 讓產品創新變成「可計算的設計科學」

過去產品開發常常依賴專家直覺、經驗累積、反覆試錯。這些仍然重要，尤其是最後的烹調、風味調整、商品化判斷，仍然需要人類專業。但 AI 帶來的新能力，是把產品創新前段變成一個可以大量探索的設計空間。這篇研究提供了一個很清楚的流程：

1. 從既有市場資料中學習人類偏好。
2. 建立產品的結構化表示。
3. 生成大量候選方案。
4. 用多目標指標篩選，例如美味、永續、營養。
5. 找專家把候選方案轉成可製作產品。
6. 用真實消費者驗證。
7. 根據回饋再進入下一輪優化。

這其實不只適用於漢堡，也可以類比到很多產業：

產業	可學習資料	可最佳化目標
食品	食譜、銷售、感官測試	美味、健康、成本、永續
保健品	配方、法規、族群需求	功效、接受度、安全性
電商商品	商品組合、評價、轉換率	銷售、毛利、退貨率
內容行銷	文章、搜尋排名、AI 引用	可讀性、可信度、AIO 引用率
廣告文案	歷史廣告、點擊、轉換	CTR、CVR、品牌語氣
SEO / AIO	SERP、引用來源、段落結構	排名、引用、權威性、回答適配度

這個流程也正是 AI 時代許多企業會需要的能力。不是把 AI 當成內容生產工具，而是把 AI 當成「設計空間探索工具」。它可以協助人類更快找到候選方向，但最後仍然需要專家判斷與市場驗證。

九、對行銷與 SEO / AIO 的延伸啟示

這篇研究雖然談的是漢堡，但對網路行銷很有啟發。在 SEO 或 AIO / GEO 的場景中，我們也面對類似問題：不是單純寫一篇文章，而是要理解「什麼樣的內容結構會被搜尋引擎、AI 回答系統、使用者共同接受」。

就像 AI 漢堡研究學習的是：

• 哪些食材常一起出現？
• 哪些比例像人類會喜歡的漢堡？
• 哪些新組合仍保有熟悉感？
• 哪些配方在美味、永續、營養之間取得平衡？

AIO 內容優化也可以思考：

• 哪些段落常被 AI 引用？
• 哪些來源具有權威性？
• 哪些回答結構最容易被摘要？
• 哪些證據密度讓內容更可信？
• 哪些內容格式兼顧人類閱讀與 AI 擷取？

這正好對應一個新的行銷方法：不是只做內容產出，而是建立「可被 AI 理解、引用、驗證的內容設計空間」。

未來內容行銷不只是「寫得好」，而是要在多個目標之間取得平衡：讀者有用、搜尋引擎可理解、AI 可引用、品牌可信、商業上能轉換。這和 AI 設計漢堡面對的問題非常相似：好吃、健康、永續、可接受，不可能只靠單一指標決定。

十、結論：AI 的下一步，是幫人類探索「更好的可能性」

這篇研究最迷人的地方，不是 AI 做出了一個漢堡，而是它展示了一種新的創新方式。

AI 可以從人類累積的資料中學習偏好結構，找到經典產品所在的位置，也能探索新的候選方案。它可以幫我們看見直覺之外的可能性，但它不會取代最後的人類判斷。因為一道食物是否真的好吃，一個產品是否真的有市場，一篇內容是否真的能說服人，最後仍然需要人類情境中的驗證。

真正的變化是：創新不再只是靠少數人的靈感，而可以變成一套資料驅動、可搜尋、可驗證、可反覆優化的設計流程。

從漢堡到內容，從食品到行銷，從產品研發到 AI 搜尋可見度，這篇研究都提醒我們：未來最有競爭力的公司，不只是會使用 AI 產生內容，而是懂得用 AI 建立自己的「設計空間」，並持續在其中尋找更好的答案。

資料來源：Generative artificial intelligence creates delicious, sustainable, and nutritious burgers（npj Science of Food）