NYT Cooking 测试 AI 菜谱修改:便利与争议并存

NYT Cooking 测试 AI 菜谱修改功能,可替代食材和缩放份量,但引发用户争议。
纽约时报旗下烹饪应用 NYT Cooking 正在测试一项 AI 功能,由高级编辑 Genevieve Ko 宣布。该功能可为缺失的食材和烹饪设备推荐替代方案,并将菜谱缩放到任意数量,自动调整配料比例和步骤。这旨在解决下厨常见痛点,提升互动性和个性化。然而,消息引发用户争议:部分人担忧 AI 会破坏烹饪的创造性和原菜谱特色,也有人质疑替代建议的准确性,因为食材替换可能影响质地和风味。此外,隐私和数据使用也是潜在关注点。此举反映了 AI 在日常生活领域的渗透和传统媒体的数字化转型,但功能仍处测试阶段,未来取决于用户反馈和 AI 可靠性。
纽约时报正在为其烹饪应用 NYT Cooking 测试一项新的 AI 功能,旨在帮助用户修改菜谱。据 NYT Cooking 高级编辑 Genevieve Ko 上周五的宣布,该功能可以为食材和烹饪设备推荐替代品,并将菜谱缩放到任意数量。然而,这一消息在用户中引发了一些争议。
功能亮点:智能替代与灵活缩放
这项 AI 功能的核心在于解决烹饪中的常见痛点:当你缺少某种食材或设备时,或者需要调整菜谱份量时,它能够提供智能建议。具体来说,AI 可以推荐食材的替代品,比如用其他调料代替缺失的香料;也可以推荐烹饪设备的替代方案,例如在没有特定锅具时给出可行选择。此外,用户还可以将菜谱缩放到任意数量,AI 会自动调整配料比例和烹饪步骤。
对于经常下厨的人来说,这些功能无疑能提升体验。NYT Cooking 作为拥有大量订阅者的烹饪平台,一直以高质量的菜谱内容著称。引入 AI 辅助,意味着它试图在保持内容专业性的同时,增加互动性和个性化。
用户争议:AI 是否会破坏烹饪的乐趣?
尽管功能看似实用,但宣布后却在用户中“引发了一些戏剧性事件”。部分用户对 AI 介入菜谱修改表示担忧。烹饪本身是一种创造性的活动,许多用户享受按照原汁原味的菜谱操作,或者根据自己的经验进行调整。AI 的推荐可能会让菜谱失去原本的特色,甚至导致口味偏差。
另一方面,也有用户对 AI 的准确性存疑。食材替代并非总是简单的等价交换,不同的替代品可能影响菜肴的质地和风味。例如,用某种代糖代替白糖,可能需要调整用量和烹饪时间。AI 能否理解这些细微差别,还有待验证。
此外,隐私和数据使用也是潜在关注点。虽然报道未提及具体细节,但用户可能担心自己的烹饪习惯和偏好被用于训练 AI 模型。
食材替代的科学与艺术
食材替代远非简单的名称替换,它涉及食品科学中的功能匹配。例如,烘焙中常用的小苏打(碳酸氢钠)需要酸性成分(如酸奶、柠檬汁)激活才能产生二氧化碳使面团膨发,若随意替换为泡打粉,可能因产气速度和量不同导致成品塌陷或过碱。再如,用苹果酱代替黄油时,由于苹果酱含水量高且缺乏脂肪的起酥作用,需减少其他液体并接受口感更密实的代价。AI 若要给出可靠建议,必须理解这些化学与物理交互,而非仅依靠语义相似度。
行业趋势:AI 正在进入日常生活
NYT Cooking 的尝试并非孤立。近年来,AI 正逐步渗透到餐饮和家庭生活领域。从智能菜谱推荐到饮食规划,各类应用都在探索 AI 的应用场景。纽约时报作为传统媒体巨头,此次测试也反映了其数字化转型的策略——通过 AI 增强用户粘性,并可能为未来付费订阅提供更多价值。
不过,AI 在烹饪领域的落地仍需谨慎。菜谱不仅仅是配料和步骤的集合,还包含文化背景和烹饪技巧。AI 修改菜谱时,如何平衡创新与尊重原菜谱的完整性,是开发者需要思考的问题。
大语言模型在垂直领域的应用挑战
NYT Cooking 的 AI 功能很可能基于大语言模型(LLM)构建。LLM 擅长生成流畅文本,但其知识来自训练语料的统计模式,而非对烹饪化学的显式建模。当用户要求“用蜂蜜代替白糖”时,模型可能忽略蜂蜜含水量高、甜度更强且易焦化的特性,给出等量替换的错误建议。此外,菜谱缩放涉及非线性变化,例如香料用量并非严格线性、烹饪时间需根据热量传递调整,这些对当前模型仍是难点。因此,此类功能通常需要结合领域知识库和人工审核,而非纯端到端生成。
未来展望:测试阶段与用户反馈
目前,该功能仍处于测试阶段,纽约时报尚未公布正式上线时间。用户反馈将至关重要,尤其是关于 AI 建议的准确性和实用性的评价。如果能够妥善解决用户顾虑,并确保 AI 推荐的可靠性,这项功能有望成为 NYT Cooking 的一个亮点。
对于烹饪爱好者来说,AI 辅助或许能带来新的灵感,但最终,烹饪的乐趣仍在于亲手实践和不断尝试。AI 应该作为工具,而非替代人类的创造力。
相关推荐

Hermes Agent零基础实战:自进化AI助手
Hermes Agent 零基础教程:GitHub 41.7K 星的自进化 AI Agent 怎么装怎么用。本文拆解其学习循环、三层记忆与 Skill 自改进机制,对比 Claude Code 和 OpenClaw 的差异,并附 WSL 安装实操步骤。

RAG面试核心:离线建库与在线检索全流程拆解
拆解RAG检索增强生成的完整工作流程:离线阶段文档加载、切割、向量化、入库,在线阶段问题改写、向量检索、重排、生成,并解析RAG面试核心考点与系统优化方向。

AI大模型零基础入门:原理与API调用实战指南
从AI发展脉络到大模型训练原理,再到Token、Temperature、Top-P等核心概念,本文结合实战课程讲解系统提示词、Function Call、RAG与记忆能力的实现逻辑,并给出四类API调用场景的落地路径,适合零基础开发者入门。