NYT Cooking AI 助手讓晚餐更得心應手，但蛋糕測試揭示版本問題

NYT Cooking AI 助手協助一名評測者調整晚餐食譜，但她在不同食譜版本之間切換時，幾乎因而錯用牛油。這種反差之所以重要，是因為問題不僅在於 AI 能否提出合理的食材替代建議。

The Verge 的 Jennifer Pattison Tuohy 在 11 月 7 日的評測中，描述了成功的雞肉替代方案，以及一段令人困惑的烘焙對話。她製作原版蛋糕食譜時，收到的牛油份量卻屬於修改後版本。她的食譜自訂測試最終成功烤出成品，但前提是她及時發現了這個不一致之處。

核心衝突在於個人化便利與可靠指示之間的取捨。NYT Cooking 將生成的改編版本放在具編輯權威的食譜旁邊，因而必須讓每個答案的語境一目了然。Samsung Food 及其他廚房助手提供了競爭層面的參考，但眼前的問題，是 Cooking app 本身如何建立信任。

NYT Cooking AI 助手不再只是尋找食譜

NYT Cooking 的新功能改變了讀者與已刊食譜之間的關係。訂閱者不再只是尋找指示，還可以要求 app 按需要改編食譜。

《紐約時報》在 10 月 23 日的食譜修改公告中介紹了這項推出安排。根據該說明，功能初期面向使用 iOS 的 Cooking 訂閱者推出，並會在推行期間監察效能及使用情況。

真正的改變在於，食譜服務如今會參與修改其所發布的指示。

搜尋的界線相對清晰：讀者選擇食譜、打開內容，再決定其要求是否適合自己的廚房。改編則加入了另一層決策：軟件協助決定讀者實際會煮甚麼。

這個新增角色的便利性不難理解。當現有食材與購物清單不同，一頓本來吸引的晚餐可能變得不切實際。助手提供了一種保留晚餐計劃的方法。

不過，改編亦改變了讀者所信賴的對象。已刊食譜代表作者的選擇及編輯流程；生成的變體則代表一組新的指示組合，即使其中大部分措辭依然熟悉。

這個分別很重要，因為食材清單與做法是共同運作的。替換一種食材，可能需要在其他地方作出調整。有用的修改必須考慮這些關係，而不是只替換一個詞語。

正因如此，NYT Cooking 的食譜自訂功能應被視為一種產品行為來評估，而非一項新奇功能。關鍵在於，改編後的指示能否在整個準備過程中保持易於理解。

流暢的回答只是結果的一部分。廚師還必須知道答案描述的是哪一個食譜、改變了甚麼，以及先前的指示是否仍然適用。

這與回答一般烹飪問題所承擔的責任不同。獨立答案可以說明其假設；嵌入食譜 app 的答案，則會承接周邊頁面看似具體明確的語境。

因此，介面可能令普通回答顯得比實際更確定。讀者合理地預期，在食譜旁提出的問題是針對該食譜本身。

個人化令這種預期變得複雜。現在可能同時存在原版、修改版，以及指向兩者其中之一的對話。除非 app 清楚連繫它們，否則讀者便要自行重構當中的關係。

這正是推出此功能的重要意義。Cooking 正由發布穩定文件，轉向管理一組會變動的指示。可靠性必須涵蓋整個使用體驗。

受信賴的食譜品牌承擔了新的責任

這項功能最有力的理據是實際需要。人們往往需要利用現有食材煮出可接受的晚餐，而非完全複製作者原意中的菜式。

最有力的反對理由同樣務實。重視人手研發食譜的訂閱者，需要分辨編輯工作與生成式改編。

Joshua Benton 在 10 月 28 日對讀者反應的報道，記錄了兩種立場。批評者反對 AI 進入一項他們與人類專業知識連結在一起的服務；支持者則強調替代食材更容易，以及日常生活上的便利。

Benton 亦轉述高級編輯 Genevieve Ko 對員工評估流程的描述。根據 Ko 的說法，Cooking 員工審閱了示範回應，以令功能符合其烹飪判斷。

編輯參與建立助手，並不代表每一個生成變體都是經編輯測試的食譜。

這個分別令《紐約時報》除了工程問題外，還面對溝通問題。讀者在熟悉的品牌體驗中接觸助手，未必會停下來重新思考每一句話背後的權威來源。

原版食譜及其改編版可以共享字體、結構、照片，以及大部分文字。這些相似之處有助使用體驗，但也會令讀者把對其中一者的信任轉移至另一者。

標籤可以指出 AI 的參與，卻不能證明經修改的做法會在讀者的廚房中成功。產品仍須顯示信心從何而來。

這種壓力直接落在出版者身上。獨立聊天機械人以自己的身份提供建議；嵌入式助手則在食譜開發者的名字旁運作，並置身於出版物的設計之內。

因此，讀者可能將令人失望的改編與原作者聯繫起來，即使作者從未批准該改編。保留這道界線，能保障供稿者及訂閱者。

這場分歧亦反映人們關注飲食內容的不同原因。有些讀者追求指引與探索；另一些讀者則希望減少工作與晚餐之間的障礙。

兩種偏好都不能決定某個生成答案是否可靠。讀者可以歡迎自動化，同時要求精確語境；另一位讀者可以不喜歡自動化，卻承認某項替代建議有用。

產品團隊不應將這些群體簡單視為熱衷或抗拒。他們背後的期望提供了更有用的資訊：一方重視彈性，另一方重視與編輯內容的關係。

可信的實施方式必須兼顧兩者。它應解釋生成的改動，同時不削弱原作的可見性；也應讓讀者明白自己正在選擇甚麼。

這使 NYT Cooking AI 的可靠性成為一個具明確介面層面的品牌問題。服務必須在引入由不同流程產生的指示時，保留其編輯承諾的意義。

所需的回應是更清楚的問責。讀者不應需要推斷某項改動是由作者、編輯、助手還是自己的要求所產生。

蛋糕問題是答案連結到錯誤版本

烘焙事件提供了一個精確例子。Tuohy 將 Bundt 蛋糕改成鬆餅，並縮減份量。其後，她準備製作原版蛋糕時詢問牛油用量。

助手提供了修改版的份量，卻沒有指出該語境。據報兩個版本最終都製作成功；險些出錯之處，在於將答案套用到錯誤的準備工作上。

一個答案在某個版本內可以正確，但對正在進行的工作而言仍然是錯的。

這比「AI 虛構了一個糟糕的蛋糕食譜」更狹義，卻也對開發者更有用。失誤在於答案如何連繫到使用者目前的工作。

在軟件中，狀態是指描述系統目前正在進行甚麼的資訊。在這裡，相關狀態包括所選食譜及其修改內容。

廚師對該狀態的理解，可能與助手不同。查看原版指示時，感覺上可能是將整項工作切換回原版；對話卻可能保留另一個語境。

這種落差不需要出現明顯荒謬的回應。一個看似合理的份量已足夠。正因答案聽起來恰當，使用者很少有理由質疑它。

這種風險在示範期間很容易被低估。示範通常遵循整潔的順序：打開食譜、要求修改，然後查看輸出結果。

實際使用並非如此有序。人們會比較版本、回到較早的步驟，並在被打斷後提出問題。助手必須在這些轉換期間保持可理解。

可見的變更標記有助識別已編輯文字，但未必能識別一個新對話答案所依據的食譜。兩者相關，卻是不同的設計工作。

因此，對 NYT Cooking AI 助手的評估不應只限於替代建議的品質。評測者亦應問，使用者能否可靠地識別每個回應的適用範圍。

例如，答案可以在提供份量前說明所指版本。這是建議的保障措施，而非現有功能的描述。

同樣，切換版本可以觸發明確的語境變更。或者，當問題含糊時，助手可以詢問使用者指的是哪個版本。

重要要求是行為一致。廚師不應透過不斷嘗試與犯錯，才發現頁面導覽是否同時改變對話語境。

這個問題亦改變了錯誤應如何分類。烹飪錯誤、算術錯誤及版本不一致，需要不同補救方法。將它們混為一談，會掩蓋所需的工作。

更多食譜知識或許有助解決替代問題，卻不會自動消除顯示文件與對話之間的不一致。

因此，蛋糕事件揭示了個人化的一項具體限制。只有當軟件保留各種替代方案之間的關係，創造替代方案才有用。

這個教訓可延伸至飲食以外，但不會令廚房變得無關緊要。烹飪把問題清楚呈現，因為指示最終會化為實際行動。一旦食材混合，語境上的更正便來得太遲。

競爭對手令改編食譜變得常見，但一致性仍未有定論

食譜改編已有競爭歷史。Samsung Food 推廣個人化食譜功能，而語音助手則提供另一條取得廚房指引的途徑。

這些方式強調不同互動。食譜 app 組織書面指示；語音助手回答口頭問題；連網家電則可在建議與行動之間加入另一層。

美聯社一篇有關 CES 2024 廚房自動化的報道，描述公司如何把 AI 與機械人技術帶進烹飪領域。這提供了歷史背景，而非證明現有產品提供同等可靠性。

有用的比較在於，每個產品如何在其介面中維持一項連貫的烹飪工作。

語音回答可以減少觸碰螢幕的需要。文字指示則方便檢閱與比較。兩種互動方式都不能證明建議符合目前的食譜版本。

這個區別可避免演變成一場無益的功能比拼。支援對話、替代建議或連接裝置，並不能說明用戶是否理解最終指示。

一款產品即使提供較少功能，仍可能更清楚地協助完成某項任務。相反，若不同組件彼此矛盾，功能更豐富的介面反而會更難令人信賴。

對 NYT Cooking 的食譜自訂功能而言，其競爭機會來自它設於原始食譜旁邊的位置。該 app 可以把改編內容直接連結到正在修改的材料。

這種貼近性亦帶來前文所談及的責任。生成式建議愈接近受信任的內容，產品就愈需要審慎說明兩者之間的關係。

獨立測試亦顯示，情境管理只是挑戰的一部分。WIRED 的 Joe Ray 在 11 月 8 日發表的食譜改編評測中，認為該功能整體頗為實用。

不過，他發現有一項雞肉改編加入了較長的烹煮步驟，令肉質變得較不嫩滑。他的經驗反映另一個問題：個別改動聽起來可能合理，但完整做法仍需要更仔細審視。

這項比較支持一個審慎的結論。正面的體驗可證明它在特定情況下具有實用性，但不能證明它能在不同食材、器具和要求下保持一致表現。

技術研究把食譜修訂視為獨立問題。一篇關於AI 食譜修訂的論文，描述如何以原始食譜為基礎，並透過人類判斷評估修訂後的指示。

該研究並不能驗證 Times 的實作方式，但它確實強化了一項重要評估原則：原始指示與修訂內容之間的關係，值得直接檢驗。

因此，公平的競爭測試應固定起始食譜及所要求的改動，然後檢視完整的最終做法，而非只為零散回答評分。

評估亦應包括中斷情況及版本變更。否則，基準測試可能會忽略日常使用中恰恰會出現的模糊情況。

目前沒有依據可宣布市場贏家。現有評測提供的是例子，而非受控比較。它們顯示，即使示範令人信服，仍不足以完整衡量烹飪輔助的價值。

有用的改編仍讓廚師承擔驗證工作

早期證據既不支持一概否定，也不支持自動建立信心。這項功能曾協助評測者完成餐點，同時也要求他們留意並修正問題。

這種組合在 AI 產品中並不陌生，但其後果值得具體討論。相關問題在於，仍需進行多少驗證，以及驗證會變得多困難。

只有當檢查助手工作的成本不會耗盡它所帶來的便利時，助手才算真正節省工夫。

一項有經驗廚師可快速判斷的替代建議，或許很有價值。同一建議對不熟悉該菜式的人而言，卻可能帶來更多不確定性。

因此，經驗會改變產品的實際效益。熟悉烹飪的用戶可辨識可疑步驟；初學者則可能把 app 經過精心打磨的呈現方式視為足夠保證。

這不代表該工具只對專家有用，而是表示評估應區分不同受眾。一套在知情監督下運作良好的系統，有不同的使用界線。

現有評測並未確定錯誤出現的頻率，也沒有確定各類要求的表現。一次成功的晚餐無法回答那些更廣泛的問題。

同樣地，一次被發現的版本不符，也不能證明大多數用戶都會遇上。它展示的是值得測試的失敗模式，而非經量度的發生率。

因此，討論 NYT Cooking AI 的可靠性時，應聚焦於可觀察行為。助手有否說明其假設？它有否保留正確版本？修訂後的做法是否仍然連貫？

這些問題比起問系統是否整體智能，能產生更有用的證據，也為改進提供更清晰目標。

完整評估應區分明顯錯誤與無聲錯誤。顯然奇怪的答案會引人檢查；附於錯誤情境但聽起來合理的答案，則可能在不被察覺下通過。

這正是清晰標示必須在採取行動的位置發揮作用的原因。app 其他地方的一般披露，無法告訴用戶某個份量屬於哪一道食譜。

同一原則亦適用於知識工作。修訂後的簡報可與已獲批准的原稿並列，而助手可根據其中任何一份作答。用戶需要知道答案由哪一份文件支持。

這個連結令個人知識管理與這個故事相關。把源材料與後續修訂清楚分開，是一個更廣泛的資訊問題。

廚房令此事更為迫切，因為用戶經常在閱讀與動手之間切換。若一個解釋需要仔細重構，在最不合適的時刻便會變得不切實際。

懷疑立場應保持聚焦。證據並未顯示改編毫無價值，而是顯示有用的輸出與可靠的運作是不同主張。

Times 面對的任務是同時支援兩者。更好的建議很重要，但可見的假設、易於理解的版本變更，以及坦誠交代仍未經測試的部分，同樣重要。

留意版本處理、重複測試及讀者控制

下一批有用證據將來自產品行為與重複使用。更廣泛推出本身，對早期評測指出的問題是否有所改善，並不能揭示太多。

最強的訊號，將是用戶為確認答案所指內容而必須付出的工夫減少。

首先，留意 app 如何處理食譜版本。相關改進應讓目前啟用的版本清晰可見，並把對話回答連結到該版本。

若回答明確指出其食譜情境，將可加強對介面的信心。若模糊情況持續，便會削弱「整合式改編可簡化烹飪」的說法。

這個訊號比一般準確度主張更具體。可以透過在不同版本之間切換，並提出答案有所不同的問題來評估。

它亦把建議的改進與已宣布的承諾區分開來。毋須假定某項特定重新設計即將推出；當產品行為改變時，便可以作出評價。

第二，留意涵蓋完整烹飪任務的重複測試。有用證據不應只涵蓋食材替換聽起來是否合理。

測試應檢視食材清單、準備步驟、器具及份量是否保持一致，亦應包括現實中的改變主意與中斷情況。

若在這些條件下反覆成功，將可加強它是可靠輔助工具的論點；若反覆失敗，則會揭示工具在哪些方面仍需要大量監督。

一次成功的替代示範無法解決這個問題，一系列罕見錯誤也不能。兩者都不及在明確說明條件下進行一致測試那麼有力。

這個區別對未來報道很重要。評測者應說明他們提出了甚麼要求、app 作出了甚麼改動，以及準備過程中發生了甚麼。讀者便有足夠情境評估其相關性。

第三，留意讀者控制權及編輯界線的持續存在。訂閱者能否在不接觸生成式改編的情況下，舒適地使用原始食譜？

他們返回 app 後，能否把作者已發布的指示與自己自訂的版本區分開來？當他們儲存、重新開啟或比較材料時，這些區別是否仍然清晰？

這方面的改善將加強個人化可與服務的編輯身分共存的論點。持續的混亂則會令這段關係承受更多壓力。

讀者控制權亦可讓出版商取得更佳資訊。自願而重複的使用，比起某項功能只是出現在每個食譜頁面上，更能反映其實用性。

這些訊號關乎未來數月，而非承諾中的發布時間表。它們提供具體方法，可在不虛構採用數字或期限的情況下評估進展。

其基本標準很直接。烹飪助手應令任務更容易執行，也更容易理解。只改善前一半，便等於讓用戶為後一半作出補償。

在把 NYT Cooking AI 助手視為晚餐中可靠的一環前，應比較它帶來的便利與所需的檢查。閱讀完整改編內容，確認目前啟用哪個版本，並留意後續回答有否清楚交代其情境。評估未來更新時，應尋找證據證明這些檢查變得更容易，而非假定功能清單愈長便代表可靠性愈高。最有用的報道會區分成功的替代建議、連貫的指示，以及明確無誤的版本處理。這些是不同成就，讀者應看到每一項均獲獨立評估。你會因為答案聽起來合理而信任它，還是因為 app 令它與食譜之間的連結無可置疑而信任它？