别把AI做菜想得太简单

AI做菜这件事，被严重想简单了

每隔一段时间，就有人拿「AI生成食谱」「烹饪机器人」刷一波科技感。但如果你仔细想想，烹饪可能是人类所有日常技能里，最难被机器复制的那一个——不是因为它复杂，而是因为它的复杂方式，跟AI最擅长的事情几乎正好相反。

食谱是语言，烹饪是身体

AI在食谱生成这件事上，其实已经做得相当不错。给定食材、口味偏好、热量限制，大模型可以在几秒内生成一份结构完整、逻辑自洽的食谱。这背后是对海量菜谱数据的模式提取——哪些食材搭配出现频率高，哪种烹饪方式适配哪类食材，哪些风味组合被反复验证。食谱生成本质上是一个语言预测问题，而语言正是大模型最强的战场。

但食谱和烹饪之间，有一道巨大的鸿沟。食谱是语言，是知识的编码形式。烹饪是身体技能，是知识的执行形式。一个从没下过厨的人拿到世界顶级厨师写的食谱，大概率做不出同样的菜。原因很简单：食谱里写「翻炒至断生」，但你不知道「断生」长什么样；写「加料酒去腥」，但你不知道多少算够。这些判断，需要感官反馈，需要经验校准，是典型的「只可意会」的隐性知识。

语言能传递知识的结构，但传递不了知识的质感

机器人那边，问题更硬

烹饪机器人面对的是另一类挑战：物理世界的不确定性。食材的形状、大小、质地每次都不一样。一颗洋葱和另一颗，切开之前你不知道它的含水量。翻炒时食材在锅里的运动轨迹，是一个极其复杂的物理系统。目前最先进的机器人在「抓取形状不规则物体」这个任务上，仍然远不如一个五岁孩子。操控柔软不规则物体，是机器人领域公认的硬骨头。

2023年，MIT机器人实验室发布报告：非结构化厨房环境中，机器人完成一道简单炒菜的成功率不足40%。当然，工业级的解决方案已经存在。全自动炒菜机、汉堡机器人、寿司制作流水线——这些都在商业场景里跑得很稳。但它们的秘诀不是「让机器人学会烹饪」，而是把烹饪改造成适合机器人的形式：标准化食材、固定操作流程、消除不确定性。这不是机器适应了烹饪，是烹饪被迫适应了机器人。

真正有意思的方向，不是替代厨师

如果把「AI做菜」理解成「机器取代厨师」，这个方向短期内大概率走不通，也没太大必要。但如果换一个角度看，AI在烹饪这件事上真正能改变的，是另外几个层面。

1个性化营养方案：结合健康数据、口味偏好、食材库存，实时生成最优食谱——这是纯语言任务，AI已经可以做得很好

2食物浪费优化：根据冰箱现有食材推荐菜谱，全球每年约13亿吨食物被 wasted，这里有真实的社会价值

3烹饪知识的结构化传承：老厨师的经验转化为可学习的数据，帮助烹饪技艺的传播和教学

4辅助决策而非全程执行：AI告诉你「现在该翻面了」「火候偏高」，而不是替你做完所有事

最后一点尤其值得关注。与其让AI完全接管厨房，不如让它成为一个实时的烹饪顾问。传感器监测锅内温度和食材状态，视觉模型判断上色程度，语音提示给出下一步操作建议。人还在厨房里，但拥有了一双「更聪明的眼睛」。这个模式在医疗、驾驶领域已经被验证有效——人机协作而非人机替代，往往才是技术落地最顺滑的路径。

烹饪为什么值得被认真对待

有一个更大的视角可以收束这个话题。烹饪是人类少数几个同时调动所有感官的活动：视觉判断颜色，听觉感知油温，嗅觉追踪香气变化，触觉感受食材质地，味觉做最终校准。它是一种高度具身的智能，和下棋、写作这类「头脑活动」有本质区别。这也许是烹饪给 AI 研 研 穿越了 2023 年，MIT 机器人实验室发布报告：在非结构化厨房环境中，机器人完成一道简单炒菜的成功率不足 40%。真正有意思的是，如果把「AI 做菜」理解成「机器取代厨师」，这个方向短期内大概率走不通，也没太大必要。但如果换一个角度看，AI 在烹饪这件事上真正能改变的，是另外几个层面。AI 做菜的深度远比它表面上看起来，要深刻得多。