Các ứng dụng AI tạo ra công thức bếp núc bằng cách "đếm" thay vì "nếm" nguyên liệu. Ảnh minh họa: iStock
Các AI gợi ý công thức bếp núc bắt đầu trở nên phổ biến từ khoảng năm 2022, khi chatbot và công cụ viết nội dung tự động được thương mại hóa rộng rãi, nhằm đáp ứng nhu cầu hỏi nhanh đáp ngay của người dùng về pha chế, nấu ăn, dinh dưỡng và lối sống lành mạnh.
Đa số ứng dụng AI này dựa trên mô hình ngôn ngữ lớn (LLM) và hoạt động chủ yếu bằng cách tổng hợp các công thức trên blog, mạng xã hội và website nấu ăn.
Chúng đếm các liên kết thống kê, chẳng hạn "chuối" xuất hiện với "bơ đậu phộng" trong 73% công thức sinh tố để từ đó suy ra hai loại nguyên liệu này có khả năng tương thích trong một công thức mới.
Nhưng khác với đầu bếp chuyên nghiệp có kiến thức về khoa học dinh dưỡng, AI không nắm được bản chất vì sao "chuối" có thể đi kèm với "bơ đậu phộng". Do thiếu kiến thức nền về hóa học thực phẩm, AI không "hiểu" rằng "chuối" và "bơ đậu phộng" có thể bổ trợ cho nhau về vị ngọt, độ béo và kết cấu để tạo ra một sự kết hợp hoàn hảo.
Cũng vì không "hiểu" các tương tác hóa – lý trong thực phẩm, nhiều công thức do AI gợi ý thất bại thảm hại. Chẳng hạn, dứa và đu đủ chứa các enzyme mạnh có thể phá vỡ protein trong sữa, khiến hỗn hợp bị xẹp cấu trúc và nhạt vị. Tương tự, các loại quả có tính axit như cam quýt làm pH của sữa giảm nhanh, khiến casein trong sữa bị biến tính và kết tủa. Rau xanh giàu chất xơ làm hỗn hợp đặc hơn, dễ mất ổn định khi xay ở tốc độ cao nếu không điều chỉnh đúng lượng chất lỏng và chất nhũ hóa.
Năm nguyên nhân kỹ thuật khiến AI "trật lất"
Bởi vậy, khi nhận được một công thức gợi ý từ AI, điều đầu tiên ta nên làm là suy ngẫm liệu nó có hợp lý hay không. Có một số lý do khiến AI đưa ra những công thức trật lất:
1. Thiên lệch về dữ liệu, hạn hẹp về văn hóa: Dữ liệu huấn luyện AI hiện nay chủ yếu đến từ các công thức pha chế phương Tây, viết bằng tiếng Anh. Do vậy, các dạng nguyên liệu và công thức kết hợp truyền thống của các nước châu Á, châu Phi và châu Mỹ Latinh rất ít khi xuất hiện trong cơ sở dữ liệu của AI. Đôi khi, các nguyên liệu này cũng bị gán nhãn sai, khiến AI coi là "kỳ lạ" và xử lý sai ngữ cảnh.
2. Không đặt ra các điều kiện ràng buộc: Khác với các phần mềm dinh dưỡng chuyên dùng trong y khoa, nhiều ứng dụng AI thương mại hiện nay gợi ý công thức nấu ăn mà không tích hợp các cơ sở dữ liệu sinh học cần thiết, chẳng hạn như thông tin về enzyme, phản ứng chéo của chất gây dị ứng hay độ ổn định pH của thực phẩm. Với những hệ thống AI này, "dứa" và "bột protein" chỉ được xem là hai từ thường xuất hiện cạnh nhau trong dữ liệu, chứ không phải là hai thành phần có thể tương tác sinh học với nhau theo những cơ chế cụ thể để tạo ra một kết quả an toàn hay phù hợp.
3. Dán nhãn nguyên liệu mơ hồ: Khi dán nhãn thực phẩm, AI đơn giản gán nhãn "táo" cho cả táo Granny Smith (có vị chua, pectin cao) và táo Fuji (thiên về vị ngọt, ít axit). Tương tự, những dữ liệu dán nhãn "sữa" có thể bao gồm từ sữa bò, sữa hạt, đến nước cốt dừa đóng hộp. AI không phân biệt các loại "táo" hoặc "sữa" khác nhau và có thể dùng chúng thay thế cho nhau trong công thức do nó gợi ý, bất chấp những khác biệt chức năng quan trọng.
4. Thiếu phản hồi từ thực tế: Phần lớn các ứng dụng AI gợi ý công thức bếp núc hiện nay không ghi nhận hay học hỏi từ phản hồi của người dùng, chẳng hạn khi họ bỏ qua công thức được đề xuất hoặc báo cáo rằng công thức đó không ổn. Nếu AI không được trang bị tính năng học tăng cường (reinforcement learning) gắn liền với kết quả sản phẩm thực tế mà người dùng đã thử tạo ra – ví dụ "bị vón cục", "quá đắng", "bị sạn" - thì mô hình AI sẽ mãi mãi trì trệ và không thể cải thiện được.
5. Chạy theo sự mới lạ: Để tăng chỉ số tương tác với người dùng, một số thuật toán cố tình ưu tiên các công thức "mới lạ" - ngay cả khi chúng vi phạm các nguyên tắc kết hợp nguyên liệu. Kết quả là, những gì được máy móc coi là "sáng tạo" nhiều khi lại trở nên khó nuốt với khẩu vị con người.
Nâng cấp AI
Máy xay của bạn không hỏng. Vị giác của bạn không sai. AI cũng không cố tình phá bạn - nó chỉ đang được giao làm những việc quá khả năng.
Thực tế này đòi hỏi người dùng phải tỉnh táo hơn và các doanh nghiệp phải nỗ lực hơn để cải thiện AI của mình. Để xây dựng các công cụ AI gợi ý công thức có trách nhiệm hơn, doanh nghiệp không thể chỉ dựa vào các mô hình thống kê ngôn ngữ lớn mà phải lựa chọn kiến trúc có chủ ý ngay từ đầu.
Trong môi trường phòng thí nghiệm, các hệ thống AI tiên tiến đang được trang bị những lớp an toàn chuyên môn. Chúng kết hợp dữ liệu về tương tác dinh dưỡng từ USDA, ma trận tương thích thực phẩm của IFST, thư viện phân tử hương vị FlavorDB, các bằng chứng thực nghiệm trong MEDLINE (DietRx), cùng các mô phỏng vật lý theo thời gian thực để dự báo hành vi của nguyên liệu trong máy xay.
Thậm chí, một dự án mã nguồn mở mang tên BlendGuard còn áp dụng tới 47 ràng buộc an toàn cứng vào AI như quy định lượng nước tối thiểu khi sử dụng một số loại chất xơ nhằm đảm bảo đầu ra an toàn và khả thi trong thực tế.
Và đó chính xác là những gì mà doanh nghiệp cần đưa vào AI của mình.
Hồng Hạnh tổng hợp
---
Tài liệu tham khảo:
Bagler, G. (2024). Can AI give you the recipe for a perfect dish? Nature India. https://doi.org/10.1038/d44151-024-00109-4
Davey Alba, Carmen Arroyo, (2025), AI Slop Recipes Are Taking Over the Internet — And Thanksgiving Dinner, Bloomberg. https://www.bloomberg.com/news/articles/2025-11-25/ai-slop-recipes-are-taking-over-the-internet-and-thanksgiving-dinner