四十年的咖哩味，他們正在教機器怎麼嚐

四十年的味道，最後變成一千多本紙檔案，疊在滋賀縣琵琶湖邊一間研究所裡。年輕的研究員知道答案就在那些檔案的某一頁，只是不知道是哪一頁。

大塚食品做「ボンカレー」的那些熟練研究員，有些東西是說不清楚的。同一鍋試作，有人嚐到「味道很強」，有人嚐到「弱」。光是「咖哩感」一個詞，有人指的是燉煮過後整鍋醬的印象，有人指的是咖哩粉和香辛料的味道。他們是憑感覺學會的，要把那種感覺一條一條講給後輩聽，很難。而這次的計畫，是趁這些人還在的時候開始的。

於是他們花了大約半年，一遍遍訪談、爭論、試做了一千多份當基準的樣本。先把「ボンカレーゴールド」好吃的地方拆成 218 種說法——醬油味、烤過的洋蔥味、香料感、乳製品的濃郁——再收斂成 16 個所有人都能用同一把尺去量的屬性。每個屬性都備了 1 分、3 分、5 分的對照樣本，讓研究員先嚐過基準，再評分。原本人言人殊的舌頭，慢慢變成機器讀得懂的數字。

然後他們試做了 102 種配方，餵給這套叫「おいしさLENS」的系統。有時候 AI 算出來的方向，跟研究員心裡想的一樣，他們就更有把握；有時候它丟出一個沒人試過的原料組合，連老研究員都說了一句：「還有這種組合啊。」

最讓我停下來的，是那些沒成功的配方。過去做不成商品的試作，幾十、幾百份，就留在研究員私人的筆記本裡。現在它們也被當成資產——因為一份成功的食譜，AI 學不會原料和風味之間的關係，得連那些「沒達到目標的味道」一起學。

石川主任研究員說，當 AI 和人判斷不一樣的時候，「最後還是該由人決定。」

那本筆記本裡寫著一次次失敗的人，知道自己當年那些走錯的路，如今正在教一台機器怎麼把咖哩做對嗎？

最懂酒的人就站在桌邊，他們卻問了 ChatGPT

那是當晚的第一桌。一對客人剛坐下沒幾分鐘，負責那桌的同事就繞到吧檯後面，咬著牙、壓低聲音跟 Jennifer Makan 說了一句：「他們已經把酒單輸進 ChatGPT 了。」

她忍住翻白眼，給了同事一點安慰。她說，這種事最近越來越頻繁。

幾分鐘後，她看著那位同事走向那桌，手上拿著酒單上最熱門的酒款之一，兩只杯子。後來同事告訴她：「我注意到每次有人用 ChatGPT 研究要點哪瓶，他們都點那一瓶。」

你大概可以想像那個畫面。一張剛坐下、燭光還在跳的桌子，菜單攤開，手機螢幕的冷光打在臉上。一個人對著酒單拍照、打字、等一台機器告訴他今晚該喝什麼——而站在三步之外、整晚都在想著這些酒怎麼跟食物搭的人，還沒被問到一個字。

Jennifer 是寫作者，也是真的在餐廳裡端酒的人。她說她不想寫一篇聰明、誠懇、分析生成式 AI 怎麼把一切搞砸的長文——那種文章已經很多了。她只想發一頓火。標題她是這樣下的：「拜託，別用 AI 從酒單上點酒。」

她的第一個理由很直接：這對工作人員是一種很深的冒犯。這是我們的工作，她寫。她付那筆貴得要命的房租，靠的就是去想這些食物和酒、想怎麼用它們替你做出一頓記得住的晚餐。

點那瓶最多人點的酒，你不會吃虧。它大概也很好喝。只是那一刻，本來可以是一段對話——你說你今晚想吃什麼、喜歡偏酸還是偏厚，然後一個花了很多年把這件事放在心上的人，從架上抽出一瓶你自己永遠不會挑的酒。

那段對話，現在被一個提示框收走了。所以問題或許不是那瓶酒對不對。而是：當我們把「今晚喝什麼」都外包出去，我們到底是想少冒一次險，還是其實不太敢讓另一個人，替我們做一次選擇？