NYT Cooking AI 助手助力晚餐，但一项蛋糕测试暴露版本问题

NYT Cooking AI 助手曾帮助一名评测者调整晚餐食谱；但当她在不同食谱版本之间切换时，它又险些导致黄油用量出错。这一反差之所以重要，是因为问题并不止于 AI 能否提出合理的食材替代建议。

在 11 月 7 日的评测中，The Verge 的 Jennifer Pattison Tuohy 描述了成功的鸡肉替换建议，以及一次令人困惑的烘焙对话。她在制作原始蛋糕食谱时，收到的却是修改版本中的黄油用量。她的食谱定制测试最终成功烤出了成品，但前提是她及时发现了这一不一致。

核心矛盾在于个性化便利与可靠指引之间的取舍。NYT Cooking 将生成的调整方案放在带有编辑权威背书的食谱旁边。这使其必须确保每个回答的上下文都清晰无误。Samsung Food 和其他厨房助手构成了竞争背景，但眼下的问题是 Cooking app 本身内部的信任。

NYT Cooking AI 助手不再只是帮用户找食谱

NYT Cooking 的新功能改变了读者与已发布食谱之间的关系。订阅用户不再只是查找操作步骤，而是可以要求 app 对食谱进行调整。

The Times 在 10 月 23 日的食谱修改公告中介绍了这项功能的推出。根据说明，该功能最初面向使用 iOS 的 Cooking 订阅用户开放，团队会在上线期间监测其表现与使用情况。

真正的变化在于，食谱服务如今开始参与修订它所发布的操作指引。

搜索的边界相对清晰：读者选择一份食谱、打开它，再决定其要求是否符合自己的厨房条件。调整食谱则增加了一层决策：软件会参与决定读者最终实际烹饪什么。

这一新增角色的便利性不难理解。当现有食材与购物清单不符时，一顿原本可行的晚餐就可能变得不现实。助手提供了一种保留晚餐计划的方式。

不过，调整食谱改变了读者所信赖的对象。已发布的食谱体现作者的选择与编辑流程；生成的变体则是一组新的操作指引组合，即使其中大部分措辞依然熟悉。

这种区别很重要，因为食材清单与做法是相互配合的。替换一种食材，可能要求对其他部分作出相应调整。有效的修改必须考虑这些关联，而不能只替换一个词。

这正是为什么应将 NYT Cooking 的食谱定制视为一种产品行为来评估，而不只是新奇功能。关键结果在于，调整后的操作指引能否在整个烹饪过程中保持易懂。

流畅的回答只是其中一部分。厨师还必须知道答案对应哪一份食谱、哪些内容发生了变化，以及此前的指引是否仍然适用。

这与回答一般烹饪问题承担的责任不同。独立回答可以说明自身假设；嵌入食谱 app 的回答则会继承周围页面所呈现出的具体性。

因此，界面可能让一个普通回答显得比实际更确定。读者有理由期待，在食谱旁提出的问题就是针对那份食谱。

个性化使这一期待更加复杂。现在可能同时存在原始版本、修改版本，以及指向其中任一版本的对话。除非 app 清晰地将它们关联起来，否则读者必须自行重建这种关系。

这项功能的意义正体现在这一转变中。Cooking 正从发布一份稳定文档，转向管理一组不断变化的操作指引。可靠性必须覆盖整个体验。

受信赖的食谱品牌承担了新的负担

这项功能最有力的理由很实际：人们通常需要用现有食材做出一顿可以接受的晚餐，而不是完全复刻作者原本设想的菜肴。

最有力的反对理由同样很实际：重视人工食谱开发的订阅用户，需要能够区分编辑工作与生成式调整。

Joshua Benton 在 10 月 28 日对读者反应的报道中记录了两种立场。批评者反对 AI 进入这项他们与人工专业知识联系在一起的服务；支持者则强调替换食材更方便，以及日常使用的便利性。

Benton 还转述了高级编辑 Genevieve Ko 对员工评估过程的描述。根据 Ko 的说法，Cooking 员工审阅了示例回答，以使该功能符合他们的烹饪判断标准。

编辑参与构建助手，并不意味着每一种生成变体都是经过编辑测试的食谱。

这一差异让 The Times 除了工程问题外，还面临沟通问题。读者是在熟悉的品牌体验中接触助手的。他们未必会停下来重新审视每一句话背后的权威来源。

原始食谱及其调整版本可能共享字体、结构、照片和大量语言。这些相似性有助于可用性，但也会鼓励读者在二者之间转移信任。

标签可以标识 AI 的参与，但无法证明修改后的做法会在读者的厨房中奏效。产品仍需说明这种信心来自何处。

这一压力直接落在发布者身上。独立聊天机器人以自身身份提供建议；嵌入式助手则在食谱开发者署名旁、在出版物的设计体系中运行。

因此，即使原作者从未批准，一次令人失望的调整也可能被读者归因于原作者。维护这一边界既保护贡献者，也保护订阅用户。

这场分歧也反映出人们关注美食内容的不同原因。有些读者想要指引与探索；另一些人则希望减少工作与晚餐之间的障碍。

两种偏好都无法证明某个特定生成回答是否可靠。读者可以欢迎自动化，同时要求精确的上下文；也有人可以不喜欢自动化，但仍认可有用的替换建议。

产品团队不应简单地将这些群体视为热情支持者或抵触者。他们背后的期待提供了更有价值的信息：一方优先考虑灵活性，另一方优先看重编辑关系。

可信的实施方案必须回应两者。它既应解释生成的变化，又不能削弱原始作品的可见性；同时也应让读者明白自己正在做何种选择。

这使 NYT Cooking AI 的可靠性成为一个带有具体界面维度的品牌问题。该服务必须在引入通过不同流程生成的操作指引时，保留其编辑承诺的含义。

必要的回应是更清晰的责任归属。读者不应需要自行推断，某项具体变化是由作者、编辑、助手，还是他们自己的请求产生的。

蛋糕问题，是答案附着在了错误版本上

这次烘焙经历提供了一个精确案例。Tuohy 将一份 Bundt 蛋糕改成玛芬，并缩小了分量。之后，她在制作原始蛋糕时询问了黄油用量。

助手给出了修改版本中的用量，却没有标明这一上下文。据报道，两个版本最终都成功完成。险些出错之处在于，将一个答案应用到了错误的制作过程上。

一个答案可以在某个版本中正确，却依然不适用于当前正在进行的任务。

这比“AI 编造了一份糟糕的蛋糕食谱”更狭义，但对开发者也更有价值。失败之处在于，回答如何与用户当前的操作关联。

在软件中，状态是指描述系统当前正在执行什么操作的信息。这里相关的状态包括已选择的食谱及其修改内容。

厨师对该状态的理解可能与助手不同。查看原始指引，可能让人感觉整个任务已切回原始版本；但对话可能仍保留着另一种上下文。

这种差距不需要产生明显荒谬的回答。一个看似合理的用量就足够了。正因为答案听起来合适，用户几乎没有理由提出质疑。

在演示中，人们很容易低估由此带来的风险。演示通常遵循清晰的顺序：打开食谱、请求修改、查看输出。

真实使用并没有那么有序。人们会比较不同版本、回到早先步骤，并在中断后继续提问。助手需要在这些切换中始终保持可理解性。

醒目的变更标记有助于识别被编辑的文本，但不一定能表明一条新的对话回答所依据的食谱。这是相关但彼此独立的设计任务。

因此，对 NYT Cooking AI 助手的评估不应止于其替换建议的质量。评测者还应考察，用户能否可靠地识别每条回答的适用范围。

例如，回答可以在给出用量前说明所指的版本。这是一项建议中的保护措施，而非对现有能力的描述。

同样，切换版本时可以触发明确的上下文变更。或者，当问题存在歧义时，助手可以询问用户指的是哪个版本。

关键要求是行为的一致性。厨师不应通过反复试错，才发现页面导航是否也会改变对话上下文。

这个问题还改变了错误的分类方式。烹饪错误、算术错误和版本不匹配，需要不同的补救方案。将它们混为一谈，会掩盖所需的实际工作。

更多食谱知识或许有助于解决替换问题，但并不会自动消除显示文档与对话之间的不匹配。

因此，蛋糕事件指出了个性化的一个具体边界。只有软件能保留各种替代方案之间的关联，创建替代方案才有价值。

这一教训超越了食物领域，但并不意味着厨房只是无关紧要的场景。烹饪让问题格外清晰，因为操作指引最终会变成实际行动。一旦食材混合完成，上下文修正就来得太晚了。

竞争对手让食谱调整变得常见，但一致性仍未有定论

食谱调整已有竞争先例。Samsung Food 推广个性化食谱功能，而语音助手则提供了另一条获取厨房指引的路径。

这些方式强调不同的交互。食谱 app 组织书面操作指引；语音助手回答口头问题；互联家电则可能在建议与行动之间增加另一层。

Associated Press 对 CES 2024 厨房自动化的报道描述了各公司如何将 AI 和机器人技术带入烹饪领域。这提供的是历史背景，而非当前产品具备同等可靠性的证据。

有价值的比较在于，每种产品如何在其界面中维持连贯的烹饪任务。

语音回答可以减少查看屏幕的需要。书面说明则允许用户审阅和比较。但无论哪种交互方式，都不能证明建议与当前食谱版本一致。

这一区别避免了无益的功能竞赛。支持对话、替换建议或连接设备，并不能说明用户是否理解最终的操作说明。

一款产品即使功能较少，也可能更清晰地帮助用户完成某项具体任务。反过来，如果不同组件之间相互矛盾，更丰富的界面反而可能更难令人信任。

对于 NYT Cooking 的食谱定制功能而言，竞争优势来自它紧邻源食谱的位置。该应用可以将改编内容直接关联到正在修改的材料。

这种接近性也带来了前文讨论的负担。生成式建议越靠近受信任的内容，产品就越需要谨慎说明二者之间的关系。

独立测试也表明，上下文管理只是挑战的一部分。在 11 月 8 日发布的食谱改编评测中，WIRED 的 Joe Ray 认为该功能整体上颇为实用。

不过，他也指出，有一项鸡肉改编增加了较长的烹饪步骤，降低了肉质的嫩度。他的经历说明了另一个问题：单项改动听起来可能合理，但完整做法仍需要更仔细的审查。

这一比较支持谨慎的结论。积极体验能证明该功能在特定情况下具备实用性，但无法证明它能在不同食材、设备和请求中持续稳定地发挥作用。

技术研究将食谱修订视为独立问题。一篇关于 AI 食谱修订的论文描述了如何以原始食谱为基础，并通过人工判断评估修订后的说明。

这项研究并不能验证 Times 的实现方式。但它强调了一项重要的评估原则：源说明与修订内容之间的关系值得直接检验。

因此，公平的竞争测试应保持起始食谱和所请求的修改不变，然后检查完整的最终做法，而非仅为孤立的回答打分。

评估还应纳入中断和版本变更。否则，基准测试可能遗漏日常使用中恰恰会出现的那类歧义。

目前没有依据可以断言谁是市场赢家。现有评测提供的是案例，而非受控比较。它们说明，有说服力的演示仍不足以完整衡量烹饪辅助功能。

有用的改编仍需要厨师自行核验

早期证据既不支持一概否定，也不支持自动信任。该功能曾帮助评测者完成餐食，但也要求他们发现并纠正问题。

这种组合在 AI 产品中并不陌生，但其后果值得具体讨论。关键问题在于，还需要进行多少核验，以及这些核验有多困难。

只有当检查助手工作的成本不会吞噬它带来的便利时，助手才能真正节省精力。

经验丰富的厨师或许能迅速评估一种替换建议，因此它可能很有价值。对不熟悉这道菜的人而言，同样的建议却可能带来更多不确定性。

因此，经验会改变产品的实际收益。知识丰富的用户能够识别可疑步骤；初学者则可能把应用精致的呈现方式视为充分保证。

这并不意味着该工具只对专家有用，而是说评估应区分不同受众。在知情监督下表现良好的系统，其适用边界有所不同。

现有评测并未说明错误发生的频率，也未说明每一种请求类型的表现。一顿成功的晚餐无法回答这些更广泛的问题。

同样，一次被发现的版本不匹配也不能证明大多数用户都会遇到这种情况。它展示的是一种值得测试的失效模式，而非经过测量的发生率。

因此，对 NYT Cooking AI 可靠性的讨论应围绕可观察的行为展开。助手是否说明自己的假设？是否保留正确的版本？修订后的做法是否仍然连贯？

这些问题比询问系统是否总体上足够智能，更能产生有用的证据。它们也为改进提供了更明确的目标。

完整评估应区分显而易见的错误和悄无声息的错误。明显奇怪的回答会促使用户检查；而附着于错误上下文、但看似合理的回答，则可能在未被察觉的情况下蒙混过关。

这正是清晰标注必须在操作发生时发挥作用的原因。应用中其他位置的一般性披露，无法告诉用户某个具体用量属于哪一份食谱。

同一原则也适用于知识工作。修订后的简报可以放在经批准的原稿旁边，而助手可能基于其中任一份作答。用户需要知道答案由哪份文档支撑。

这使得个人知识管理与这个故事相关。将源材料与后续修订明确区分，是一个更广泛的信息问题。

厨房让这一问题更具紧迫性，因为用户常在阅读与操作之间切换。需要仔细重建才能理解的说明，恰恰可能在最不合适的时刻变得不切实际。

怀疑立场应保持聚焦。现有证据并不表明改编毫无价值，而是表明有用的输出与可靠的运行是两种不同主张。

Times 面临的任务是同时支持两者。更好的建议固然重要，清晰可见的假设、易于理解的版本变更，以及对仍未经测试部分的坦诚说明，同样重要。

关注版本处理、重复测试与读者控制

接下来有价值的证据将来自产品行为和重复使用。更广泛的可用性本身，几乎无法说明早期评测发现的问题是否已有改善。

最强的信号将是用户为确认答案所指对象而必须付出的工作减少。

首先，关注应用如何处理食谱版本。相关改进应让当前版本清晰可见，并将对话回答关联到该版本。

若回答明确指出其所依据的食谱上下文，将增强人们对界面的信心。持续存在的歧义，则会削弱“整合式改编简化烹饪”的论点。

这一信号比笼统的准确性主张更具体。用户可以在不同版本间切换，并提出答案会有所不同的问题来评估它。

它也将拟议中的改进与已宣布的承诺区分开来。没有必要假设某种特定的重新设计即将推出；当产品行为发生变化时，便可以据此评判。

其次，关注覆盖完整烹饪任务的重复测试。有价值的证据不应只看某种食材替换听起来是否合理。

测试应检查食材清单、准备步骤、设备和用量是否保持一致，也应涵盖现实中的改变主意和中断情境。

在这些条件下反复成功，将加强其提供可靠辅助的论据；反复失败则会揭示该工具仍在哪些地方需要大量监督。

一次成功替换的演示无法解决这个问题，汇集一些罕见错误也同样不能。二者都不如在清楚说明条件下进行的一致性测试有力。

这一区别对未来报道很重要。评测者应说明他们提出了什么请求、应用改了什么，以及准备过程中发生了什么。这样读者才拥有足够的上下文来判断其相关性。

第三，关注读者控制权以及编辑边界能否持续存在。订阅者能否在不接触生成式改编内容的情况下，轻松使用原始食谱？

当他们重新打开应用后，能否区分作者发布的说明与自己定制的版本？在保存、重新打开或比较材料时，这些区别是否依然清楚？

这方面的改进将增强这样一种观点：个性化可以与服务的编辑身份共存。持续的混乱则会给这种关系带来更大压力。

读者控制权也能让出版方获得更好的信息。自愿且重复的使用，比一个仅仅出现在每个食谱页面上的功能所获得的曝光，更能说明其实用性。

这些信号关乎未来几个月，而非承诺中的发布时间表。它们提供了评估进展的具体方式，无须虚构采用数据或截止日期。

其基本标准很直接。烹饪助手应让任务更易执行，也更易理解。只改善前一半，就等于让用户为后一半承担补偿成本。

在将 NYT Cooking AI 助手视为晚餐准备中可靠的一环之前，应比较它带来的便利与它要求的核验。阅读完整改编内容，确认当前启用的是哪个版本，并留意后续回答是否清楚说明其上下文。评判未来更新时，应寻找这些检查是否变得更容易的证据，而不是假定更长的功能清单就意味着更高的可靠性。最有价值的报道会区分成功的替换、连贯的说明以及明确无误的版本处理。这些是彼此独立的成就，读者理应看到每一项都被单独评估。你会因为答案听起来合理而信任它，还是因为应用让它与食谱之间的关联毫无疑问而信任它？