AIはおいしいを学べるのか？
1．AIがつくるバーガーは本当においしいのか？
生成AIと聞くと、文章、画像、プログラムをつくる技術を思い浮かべる人が多いかもしれません。しかし、生成AIの活用範囲は食べ物の設計にも広がり始めています。材料の選び方や分量の組み合わせを学習させれば、AIは新しいレシピの候補を提案できます。重要な問いはAIが提案した料理を人間が実際においしいと感じるかどうかです。
Tac, Gardner, and Kuhl（2026）は生成AIを用いてバーガーのレシピを設計し、実際の消費者に食べてもらう実験を行いました。研究チームは人間が作った2,216件のバーガーレシピから材料の選び方と分量の傾向を学習させました。AIは既存の商品名や完成形を覚えるのではなく、人間が長い時間をかけて蓄積してきたバーガーの組み合わせを学びます。
研究の注目はAIが学習データに含まれていないビッグマックに近いレシピを再発見した点にあります。さらに研究チームは既存品と異なる材料構成を持つバーガーを選び、レストランで消費者評価を行いました。新たに提案された2つのバーガーはビッグマックと比べて総合的な好みや風味で同等、または一部で高い評価を得ました。
食品開発には難しい条件が重なります。おいしさだけを追求すれば、栄養面や環境面で課題が残る場合があります。健康に配慮した商品を作っても味や食感が期待に届かなければ継続して選ばれません。環境負荷を抑えた食材も馴染みのない風味や見た目によって消費者に敬遠されることがあります。
Tac先生たちの研究はAIが人間の料理人を置き換えるという話ではありません。AIが膨大な候補を探し、料理人や開発者が候補を実際の商品へと仕上げ、消費者が最終的に判断するという新しい役割分担を示した研究です。食品開発における経験と勘に、データに基づく探索を加える試みとして読むことができます。
原論文
Tac, V., Gardner, C. D., & Kuhl, E. (2026). Generative artificial intelligence creates delicious, sustainable, and nutritious burgers. npj Science of Food, 10, 199.
https://www.nature.com/articles/s41538-026-00953-x
2．食品開発ではなぜおいしさと持続可能性が両立しにくいのか？
日々の食事は健康だけでなく環境にも影響を与えます。肉、乳製品、穀物、野菜などの生産には土地、水、肥料、エネルギーが必要です。とりわけ反芻動物由来の食品は温室効果ガス排出や土地利用の観点から大きな負荷を持ちやすいと指摘されています。一方で、環境負荷が小さい食品が必ずしも消費者に歓迎されるわけではありません。
食品選択では味が強い力を持ちます。健康によい、環境によいという説明だけでは人々の習慣を変えるには足りません。食べ慣れた味、満足感のある食感、香り、見た目、価格、調理のしやすさが購入や再購入に影響します。持続可能な食品を広げるためには正しさを伝えるだけではなく、また食べたいと思える商品を作る必要があります。
食品開発の現場では試作と評価が繰り返されます。開発者は食材の特性、調理方法、原価、供給の安定性、顧客層を踏まえながら、少しずつレシピを調整します。この方法は優れていますが、探索できる範囲には限りがあります。材料の種類が増えれば組み合わせは急速に増えます。Tac先生たちの研究は146種類の材料を扱う場合には材料の有無だけでも理論上は2の146乗を超える組み合わせが生じると説明しています。
人間の試作だけで膨大な候補を1つずつ確認することは現実的ではありません。そこで生成AIが候補探索を担います。生成AIは過去のレシピをもとに、どの材料が一緒に使われやすいか、どの程度の量で組み合わされるかを学びます。AIが提案した候補のうち、味に関する見込みがあり、栄養面や環境面でも望ましいものを選べば開発者は試作の対象を絞り込めます。
ただし、AIが出した候補をそのまま商品にできるわけではありません。レシピには、加熱時間、切り方、味付け、盛り付けといった調理工程も必要です。原価や原材料の供給、アレルギー、食品衛生、ブランドの世界観も考えなければなりません。AIは食品開発の判断を自動化する仕組みではなく、人間の判断を支える探索装置として位置づける必要があるかもしれません。
3．料理の世界をどこまでデータで説明できるか？
料理にデータを用いる研究は生成AIより前から進められてきました。代表的な研究として、Ahn et al.（2011）は世界の料理レシピを大規模に分析し、食材の組み合わせに一定の規則性があることを示しました。食材に含まれる香気成分とレシピ上の組み合わせに着目したうえで、地域ごとに異なる料理の特徴が明らかにされたのです。
料理は単なる材料の足し算ではありません。肉と香辛料、野菜とソース、パンと具材の組み合わせには、歴史、地域性、食習慣が表れます。Ahn先生たちは料理に見られる規則性をデータから読み解く道を開きました。ただし、研究の主眼は既存の料理文化の特徴を理解することにあり、新しい料理を生成し、消費者に実食してもらうことではありません。
機械学習を使ったレシピ提案も広がっています。多くの研究はレシピの文章、材料一覧、画像、栄養情報をもとに、献立提案や調理支援を行ってきました。しかし、文章として自然なレシピを出すことと食べたときに満足感のある食品を設計することには距離があります。材料名を並べるだけでは分量のバランスや調理後の食感までは保証できません。
Tac先生たちの研究の特徴は材料の種類だけでなく材料の量も扱った点にあります。研究チームは材料を選ぶモデルと材料量を決めるモデルを組み合わせました。AIは牛肉、ピクルス、タマネギを使うといった候補だけでなく、牛肉を何グラム、ピクルスを何グラム使うかという候補まで生成します。さらに、生成されたレシピについて人気度をおいしさの代理指標として扱い、環境負荷と栄養価も計算しました。
重要なのは、AIが提案したレシピを机上の評価で終わらせなかった点です。実際にバーガーを調理し、一般の参加者に食べてもらいました。食品分野のAI研究では計算上のスコアだけでは十分とは言えません。人間の味覚は複雑であり、香り、食感、温度、見た目、食べ慣れた経験が関わります。Tac先生たちの研究はデータによる探索と実食評価をつなげた点で食品設計研究を一歩進めたと言えます。
引用文献
Ahn, Y.-Y., Ahnert, S. E., Bagrow, J. P., & Barabási, A.-L. (2011). Flavor network and the principles of food pairing. Scientific Reports, 1, 196.
https://www.nature.com/articles/srep00196
4．ビッグマックを再発見するまでの設計と消費者実験の内容
Tac先生たちの研究はFood.comから集めた2,216件のバーガーレシピを標準化し、146種類の材料と分量の情報に変換しました。AIモデルは既存のレシピに見られる材料の頻度、材料間の組み合わせ、材料量の分布を学習します。研究チームは学習後のAIが元のレシピ群に見られる特徴をどの程度再現できるかも確認しました。
ビッグマックはAIにとって厳しい試験対象です。世界的に知られた商品であり、肉、バンズ、ピクルス、ソース、野菜の組み合わせに一定の完成度があります。公式の詳細なレシピは公開されていないため、研究チームは複数の公開再現レシピをもとに比較用の参照レシピを作成しました。その参照レシピは学習データには入れていません。
AIが生成したレシピと参照レシピの違いはSDSという指標で測定されました。材料が異なる場合あるいは同じ材料でも分量が大きく異なる場合には差が加算されます。SDSがゼロならば、材料と分量の両方で実質的に一致したと判断されます。10回のランダム探索では、ビッグマックに近いレシピを再発見するまでに平均で約730万件の候補が必要でした。
研究チームは100万件の生成レシピから既存レシピとの違いが大きい候補も探しました。Delicious Burger 1はSDSが3以上の候補から選ばれました。Delicious Burger 2はSDSが6以上の候補から選ばれました。候補の選定では、同じレシピが生成される頻度を人気度の代理指標として用いています。頻繁に生成される候補ほど人間が作ってきたバーガーの傾向に近く、受け入れられやすい可能性があるという考え方です。
実食評価は米国カリフォルニア州サンフランシスコのレストランで行われました。参加者は101人で全員がビッグマックとAI生成バーガーを評価しました。参加者には商品名を示さず、総合的な好み、風味、食感を7段階で回答してもらいました。さらに肉らしさ、うま味、しっとり感、煙っぽさなどの感覚についても回答を求めました。AIが提案した材料と分量はエグゼクティブシェフが調理工程へと落とし込み、別の調理チームが提供しました。
5．AIが見つけたバーガーはどこまでビッグマックを超えたのか？
実食評価では、AIが提案した二つのおいしさ重視のバーガーがビッグマックと比べて良好な成績を示しました。Delicious Burger 1は風味の平均評価が5.8点であり、ビッグマックの5.4点を上回りました。Delicious Burger 2は総合的な好みが5.7点、風味が5.8点となり、ビッグマックの5.3点、5.4点より高い評価でした。食感については2つのAI生成バーガーとビッグマックの間に統計的な差は見られませんでした。
参加者の自由な感覚評価にも特徴が表れています。Delicious Burger 1はビッグマックよりも肉らしい、しっとりしている、脂の満足感があると感じた参加者が多くなりました。Delicious Burger 2は肉らしさと煙っぽさで高い評価を得ました。新規性を持たせても食べ慣れたバーガーらしさを失わない候補を探せる可能性が示された結果です。
環境負荷を重視したバーガーではトレードオフも確認されました。キノコを主な材料としたSustainable Burger 1の環境影響スコアは0.06であり、ビッグマックの0.93を大きく下回りました。しかし、総合的な好み、風味、食感はビッグマックより低く評価されました。キノコを使えば環境負荷を下げられるとしても味の満足感を維持するためには改善の余地が残ります。
一方で、牛肉とキノコを組み合わせたSustainable Burger 2はビッグマックと同程度の環境影響スコアでしたが、好み、風味、食感で統計的な差がありませんでした。環境負荷を大きく下げたとは言えないものの代替食材を取り入れても受容性を保てる可能性を示しています。
栄養を重視した豆由来のバーガーはHealthy Eating Indexが63.12となり、ビッグマックの33.71を大きく上回りました。環境影響スコアもビッグマックの約6分の1でした。しかし、総合的な好み、風味、食感はいずれも低く評価されました。栄養価の高い商品を作ることと、すぐに好まれる商品を作ることはまだ同じ問題ではありません。AIはトレードオフを見える形にしましたがトレードオフを完全に解消したわけではありません。
6．食品開発はAIと料理人の協働によってどう変わるのか？
Tac先生たちの研究は食品メーカーや外食企業に1つの可能性を示しています。AIは開発者が思いつきにくい材料の組み合わせを数多く提案できます。開発チームは候補のなかから、原価、供給、調理のしやすさ、ブランドとの相性を踏まえて試作対象を選べます。試作の回数を減らせれば時間や食材の廃棄を抑えられる可能性もあります。
活用場面は代替肉だけに限られません。たとえば、塩分を抑えながら満足感を保つ惣菜、野菜を増やしながら子どもが食べやすい給食、高齢者の栄養状態に配慮したやわらかい食事、地域食材を生かした新しいメニューなどにも応用できます。個人の年齢、体格、運動量に応じたレシピを作る発想も研究の中で示されています。
ただし、実務での導入には注意が必要です。AIが学ぶのは過去に人間が作ったレシピの傾向です。学習データに偏りがあれば、AIの提案も偏ります。特定の地域、文化、所得層の食習慣が十分に入っていなければ、幅広い利用者に合う候補を出せないかもしれません。人気度をおいしさの代理指標として使う方法も必ずしもすべての人の好みを表すわけではありません。
研究の実食評価は101人の参加者を対象としており、場所もサンフランシスコの1つのレストランに限られます。参加者の食習慣、文化的背景、価格への感度が異なれば結果も変わる可能性があります。統計的な比較では複数の評価項目を扱っているため、結果の解釈には慎重さも求められます。
食品開発の未来では、AIが正解のレシピを決めるのではなく、選択肢を広げる役割を担うでしょう。料理人は味を作り、栄養士は健康面を確認し、調達担当者は供給可能性を判断し、企業は顧客との関係を考えます。AIは専門家がより良い判断をするための候補を見つける存在です。おいしさ、健康、環境への配慮を両立させるためには、技術だけでなく、人間の感覚と責任ある判断が欠かせないと言えるでしょう。
