​餐饮业一直是投资创业的首要选择，相对来说创业资本低、回报快、效益高、技术要求低，所以餐饮业的发展形态层出不穷，但餐饮业的创新发展几乎为零，与餐饮业的发展规模不成比例，导致餐饮业看起来饱和实际上却是外强中干，这样的表现直接影响了餐饮业的创新发展。

人工智能时代的来临，将餐饮与智能联系在一起，会带来怎样的创新呢？

星巴克积极尝试人工智能

目前星巴克正在进行一场积极的尝试。通过语音识别、自然语言处理、大数据等技术使“星巴克咖啡师”应用程序可以在消费者移动端落地运营，并为不同性格特征客户推荐客制化的咖啡配置，还可以做到语音实时人机交互、为顾客提供线下店不存在的隐藏咖啡配置。

而现阶段多家全球500强餐饮酒店行业公司也开始整合人工智能技术，并在预订选择、到店消费、数字化运营等多个前沿应用领域尝试落地相关项目，从而带动整个餐饮酒店行业的技术转型之路。

人工智能渗透到餐饮酒店行业的多个环节

除了星巴克在移动端的尝试，人工智能已经渗透到餐饮酒店行业的多个环节。后厨机器人自动炒菜，自动蒸饭，打菜窗口无人化管理，消费者自助选餐，刷脸结算……原来食堂也可以变得很酷，经营食堂也不再是一个劳累活，进销存、物流实现系统化管理，前后端数据全部打通，还可以通过大数据分析产生附加价值……

最近，一个由大数据和互联网技术“武装”起来的新型食堂就出现在现实生活中。这套名为“智慧食堂”的团餐信息化解决方案集ERP管理、智能硬件、移动支付于一体，通过多维度的大数据分析优化食堂经营，让档口和菜品数据、用户和菜品数据、经营数据等实时链接起来，并落地应用。

分析消费过程中沉淀的消费数据、支付数据和用户数据，可以帮助食堂经营者得知消费者的用餐喜好、消费趋势，经营者可以更精准地选择餐品品类、进行食材配置，避免食材浪费。目前，“智慧食堂”已在上海中学、南京师范大学附中、江苏师范大学等数千所学校应用。比如，在重庆邮电大学，“智慧食堂”除了帮助食堂实现收入环比增加33%外，剩餐率降低2%，同时还提升了食堂的运营效率、缩短账期。

除了让传统的食堂极具科技感，根植于多项无人科技的未来餐厅、酒店也已经出现。从点餐、配菜、炒菜、传菜到就餐等环节，智能机器人和人工智能后台贯穿了运营全过程。在酒店行业，某企业的未来酒店已经正式营业。相比传统的酒店，未来酒店最明显的区别无疑是运行模式方面，从预定到迎宾到入住登记再到退房，绝大部分工作都由机器人来完成。

餐饮业进军智慧餐厅的案例不少。比如一向以服务著称的海底捞火锅开设了一家智慧火锅店，机械手上菜、机器人传菜、360度立体投影沉浸式用餐场景、按个人口味订制锅底、等位处的全员互动游戏、不沾油的餐桌，从下单到上菜最快只要2分钟……各种新服务让习惯了人类服务员的顾客大开眼界。

此外，机器人还搭载情感交互系统，具备深度语音识别、语义理解能力，可以自定义多套仿生灵动表情包，呈现喜、怒、哀、乐等丰富的模拟表情，满足顾客对机器人的交流需求。

随着「吃」的内容越来越精致，吃饱了的人类，就开始思考这类问题：哪些食物可以放在一起吃？哪些东西搭配在一起更好吃？

一个好消息是，我们现在有了新的选择：可以用神经网络的方法作出搭配，告诉你怎样才最好吃！

用算法解开食物搭配的奥秘

这个系统是基于孪生神经网络（Siamese Neural Networks）的一个模型框架。

孪生神经网络用于衡量两个输入的相似程度。它有两个输入，分别传输进两个神经网络，以此将输入映射到新的空间，形成新的空间中的表示。然后通过对 Loss 的计算，评价两个 Input 的相似度。

而这个研究中，研究人员来开发了的食物搭配模型 KitchenNette ，将两种食材作为输入，能计算出它们搭配在一起的合适度。最终的表现成从 -1 到 1 之间的分数，分数越高表示这两种食物的搭配越好吃。

为了训练KitchenNette ，他们制作了一个美食数据集Recipe1M，通过采集了大量的食谱信息，收录了多种食物的文本和图片，包含了了成分列表和配方说明。

依据数百万个菜谱和配对统计

从这些食谱中，经过词向量提取等手法，过滤得到了食物，并进行了配对操作，最终共获得了356,451个有效的已知搭配，剩下的6,003,500个食物对，则是非常见或者未出现过的，作为测试集使用。他们还使用Im2Recipe算法，从图片中提取出食材名称。

KitchenNette 模型用Gin酒和汤力水进行评分测试

KitchenNette模型的架构由两个主要组件构成。

第一个是使用孪生神经网络的「成分表示组件」（Ingredient Representation Component ），其中有权重相同的两个多层感知器（MLP），各自接收食材的输入。每个MLP有两个完全连接层，用于处理输入的成分向量。

第二个组件是「配对分数预测组件」（Pairing Score Prediction Component），采用Deep& Wide Layers，进行评分流程。在Deep Layer，两层学习表示向量被连接，并传递给另一个计算两种成分联合代表的MLP，用来提取语义特征，而Wide Layer用来抓取稀疏特征。

不同搭配的组合评定分数：左侧为常见搭配的评分，右侧为不常见搭配

搭建好模型后，先让模型学习已标注的食物搭配，从30万个已经评好分数的配对中，分析和找出「好搭配」的规律，然后用剩下的95% 的食物组合，进行最后的测试。

根据他们的论文，只需对KitchenNette输入两种食物，就给出是否合适配对的判定分数，而且这个结果好于其他的模型。

调酒和糕点，最适合模型搭配！

为了评估这个模型预测的准确性，他们进行了几种定性分析。

通过将已知的经典搭配输入，检测了模型能够给出中肯的分数；同时和其他的经典模型进行对比，发现 KitchenNette 的预测更要符合人们的饮食习惯，最后和美食家的推荐作比之后，发现判断的结果十分接近。

尤其是酒精饮品和糕点，他们都有标准化的配方成分，而能够更加精准的把控口味。比如，「香槟+橙皮」以及「气泡酒+橙皮」的搭配得分较高（0.33-0.42），而「气泡酒+洋葱」和「普罗赛克+洋葱」这样奇怪的组合，得到了很低的分数。

红酒、白酒、杜松子酒、清酒的最佳搭配建议，以及和另一工具的推荐结果对比

在英国布里斯托，另一支创新团队 TinyGiant 就专注于开发由 AI 制定的创新食物，这支团队截至目前为止，已经制作出了几款 AI 定制的鸡尾酒和纸杯蛋糕。

TinyGiant 制作出了四款 AI 的鸡尾酒

而对于这项研究的后续，研究者表示接下来会进一步作出优化，比如考虑食品成分的化学信息，使用百科全书食品成分的详细信息，以及更多「新颖」和「真实」的食谱，对模型进行训练，以推荐出更加多样化的食品成分配对。

TinyGiant 根据 AI 得出的结果，还定制了四种口味的纸杯蛋糕

近几年来《舌尖上的中国》、《人生一串》等美食节目的大火，让我们看到了美食的惊人魅力。而现在看来，AI或许会比我们更快地，打开美食搭配的新天地！