江苏龙网

  1. 首页 > 人文 > >

AI炒菜、配料、开发新口味……人类终于可以只负责吃了？( 二 )


其次 ， 自动化炒菜设备千篇一律的做法与味道 ， 对于多数家庭和个人而言过于单调 。 就像网友说的: “机器人最大的优势应该是动作的一致性 ， 但这个其实也成了机器人最大的劣势 ， 至少在炒菜这个领域来说 。 中国人还是喜欢自己每一次做出不一样的味道 。 ”
自动烹饪机器人只能制作内置食谱上的菜色 ， 还必须按照规格准备固定种类、分量的原料 ， 这样有限的烹饪方式、分量和口味并不能满足一般家庭个性化的饮食需求 。 因此 ， 自动化烹饪设备并未在C端得到普及 。
看图认菜没问题 ， 食谱识别不容易
2019年7月 ， 北京大学开始试行识菜结算机器人 。 这款菜色识别机器人认识食堂内200多款菜色 ， 运用AI图片识别技术 ， 可以根据食物纹理在2秒内识别菜品 ， 大幅提高了餐厅结账速度 。
“感觉食堂变得更高大上了 ， 机器的收银速度和食堂阿姨差不多 。 ”一名同学说 ， “不过 ， 如果人工收银和机器人收银都空着 ， 我还是会选择食堂阿姨 ， 因为食堂阿姨站得更前面 ， 并且当你还没靠近 ， 她已经积极地帮你算好了价钱 。 ”
一些同学表示 ， 这款机器人并不能很准确的区分馒头和包子、土豆烧鸡和红烧肉以及大碗米饭和小碗米饭的区别 。 购买这些菜品的时候 ， 经常需要再核实一下价格 。
食堂阿姨普遍认为 ， 机器人虽能在人多的时候减轻她们的负担 ， 但是她们对许多菜的价格烂熟于心 ， 计算起来非常快 ， 识菜机器人似乎可有可无 。 不仅是大学食堂 ， 已有越来越多餐厅开始使用AI识别菜品自动结账的功能 。 如Microsoft的员工餐厅 ， 一名员工表示 ， 自使用了自动识菜结帐系统 ， “结账时间从五分钟变成五秒 。 ”既能大幅缩减结账时间 ， 又能减少人力成本 。 识菜机器人正逐渐成为餐饮业的新宠 。
相对于学校食堂中数量有限的菜品识别 ， 运用AI来识别食谱就困难许多 。
人工智能想要成功分析食谱 ， 必须先弄清楚图片中是什么食物；再推断出食材和配料的加工过程 。 但现有的AI在第一关就被卡住了 。
2017年 ， 麻省理工学院计算科学与人工智能实验室（CSAIL）的研究人员依此思路 ， 创建了一款名为Pic2 Recipe的应用 。 Pic2 Recipe利用神经网络技术 ， 能从食物图片分析食材的成分 ， 反向推导出制作过程中使用过的材料 ， 并向用户推荐类似的食谱 。 研究团队借助内含上百万份食谱的Recipe 1 M数据库来训练Pic2 Recipe的神经网络系统 ， 让它能在各个食物图像和其对应的成分和食谱之间建立联系 。 但照片质量对识别结果的影响较大 ， 拍摄角度、远近、摆放和灯光等不同场景下的同一食物 ， 可能得出不同识别结果 。
这样的体验并不符合日常使用需求 ， Pic2 Recipe的联合创作人表示:“最重要的问题就是如何获得正确的图像比例 。 人们在拍摄食物照片时 ， 总是有很多不确定因素 ， 比如拍摄距离的远近（影响食物的大小） ， 拍了一盘菜还是多盘菜（也可能某盘菜的一部分） 。 但这些问题也合情合理 ， 毕竟你把一块放大的饼干给普通人看 ， 他们也有可能会误认为是一块煎饼 。 ”这些不确定因素造成Pic2 Recipe的识别正确率只有65% ， 研究团队正在提升Pic2 Recipe的精准度 ， 并继续丰富它的技能 。
2018年 ， Facebook人工智能研究所的研究人员使用和Pic2 Recipe不同的演算方式 ， 开发了另一个AI食谱生成系统 ， 藉由美食图片识别餐品的菜名、食材原料组成与加工程序 。
传统的食谱识别系统被表述为一个检索任务 ， 根据嵌入空间中的图像相似度评分从一个固定的食谱资料库中检索出来的 。 这类系统的性能在很大程度上取决于资料库的大小和多样性 ， 以及所学的嵌入质量 。 缺点是当资料库中不存在查询目标的匹配菜谱时 ， 这些系统就会失效 。
针对这个不足 ， Facebook研究团队转换了思考方向 ， 将图像到食谱问题公式化为条件生成问题 。 利用食物图片和对应食谱来做AI模型训练 ， 使用预先训练的图像编码器和成分解码器 ， 让它们利用从输入图像和成分共现中提取的视觉特征来预测一组成分 。 将图像及其相应的成分列表为条件生成指令序列 ， 推导出它们的加工方式 ， 形成多份可能的食谱 。 再根据加工方式的可能性从高到低排列 ， 以此生成最终食谱 。


推荐阅读


上一篇：13个根服务器，有10个在美国，假如美关闭服务，我们会断网吗

下一篇：ASML职员：不懂光刻机为啥难造？比大米上写《红楼梦》还难