요리 AI에게 “치킨과 뭐가 어울려?”라고 묻는 일은 간단해 보입니다. 하지만 좋은 답을 얻으려면 먼저 다른 질문을 해야 합니다. 이 모델은 무엇을 ‘어울림’으로 배웠는가?
Kaikaku.AI의 Jakub Radzikowski와 Josef Chen이 발표한 Epicure는 이 질문을 선명하게 보여주는 식재료 AI 모델군입니다. 같은 치킨이라도 실제 레시피에서 자주 함께 쓰인 재료를 기준으로 볼 수 있고, 향미 분자가 비슷한 재료를 기준으로 볼 수도 있습니다. Epicure의 가치는 바로 이 차이를 구분해 보여준다는 데 있습니다.
Epicure는 레시피를 외운 모델이 아니라 식재료 지도를 만든 모델이다
Epicure는 식재료를 벡터 공간에 배치하는 임베딩 모델군입니다. 논문은 2026년 5월 21일 arXiv에 제출됐으며, 7개 언어 11개 출처에서 수집한 레시피 414만 개를 처리했습니다.1
여기서 핵심은 “많은 레시피를 읽었다”가 아닙니다. Epicure는 원시 식재료 문자열을 LLM 보강 파이프라인으로 정규화해 1,790개 표준 식재료 항목으로 맞춘 뒤, 재료들 사이의 관계를 학습했습니다.1 즉 Epicure는 요리책처럼 조리법을 저장하는 모델이 아니라, 식재료 사이의 거리를 계산할 수 있는 식재료 지도에 가깝습니다.
이 관점이 중요합니다. 어떤 재료가 가까이 놓였는지는 학습 데이터의 기준에 따라 달라집니다. Epicure는 이 기준을 세 가지 방식으로 나눕니다.
세 모델의 차이는 “무엇을 가까움으로 볼 것인가”에 있다
Epicure에는 Cooc, Chem, Core 세 모델이 포함됩니다. 세 모델은 같은 아키텍처와 하이퍼파라미터를 공유하지만, 랜덤워크 스키마가 다릅니다.1 쉽게 말해 모델 구조보다 관계를 샘플링하는 방식이 다르고, 그 결과 “재료의 가까움”에 대한 해석도 달라집니다.
Cooc: 사람들이 실제로 함께 쓴 재료를 본다
Cooc는 실제 레시피에서 식재료가 함께 등장한 데이터를 학습합니다. Epicure의 식재료-식재료 NPMI 그래프는 203,508개 엣지로 구성됩니다.1
따라서 Cooc가 잘 답하는 질문은 “사람들이 실제 요리에서 무엇을 함께 넣어 왔는가?”입니다. 메뉴 구성, 익숙한 조합, 문화적으로 자연스러운 레시피 맥락을 찾을 때 유용한 기준입니다.
Chem: 조리 관습보다 향미 화학을 본다
Chem은 FlavorDB의 공유 향미 분자 데이터를 바탕으로 한 식재료-화합물 그래프를 학습합니다. 이 그래프는 80,019개 엣지를 포함하고, 화합물 노드는 15개 범주의 2,247개 타입화 노드로 구성됩니다.1
또한 Hugging Face 모델 카드에 따르면 Epicure-Chem은 1,790개 표준 식재료 어휘에 대한 300차원 skip-gram 임베딩이며, ii_repeat=0으로 설정돼 학습 목적함수가 직접적인 식재료-식재료 워크를 보지 않습니다.2 다시 말해 Chem은 “레시피에서 같이 나왔는가”보다 “향미 분자 수준에서 어떤 연결이 있는가”를 더 강하게 반영합니다.
그래서 Chem은 익숙한 조합을 찾는 데만 쓰기보다, 대체재나 의외의 향미 연결을 탐색할 때 더 흥미로운 기준이 됩니다.
Core: 레시피 맥락과 화학 정보를 섞는다
Core는 두 관점을 혼합합니다. 식재료-식재료 워크를 제어된 비율로 주입해 레시피 맥락과 화학 정보를 함께 반영합니다.1
따라서 Core는 “실제로 말이 되면서도 새로울 수 있는 조합”을 찾는 데 적합합니다. Cooc가 너무 익숙하고 Chem이 너무 낯설 수 있다면, Core는 그 사이의 탐색 공간을 제공합니다.
Epicure를 이해하는 실용적 기준
Epicure가 주는 가장 실용적인 교훈은 하나입니다. 요리 AI의 답을 볼 때는 추천 결과만 보지 말고, 추천의 근거가 된 관계를 함께 봐야 합니다.
실제 레시피에서 자연스러운 조합을 찾고 싶다면 Cooc
향미 분자 기반의 대체재나 새로운 연결을 찾고 싶다면 Chem
익숙함과 새로움 사이의 균형을 보고 싶다면 Core
같은 “치킨에 어울리는 재료”라도 답은 하나로 고정되지 않습니다. 레시피의 답, 화학의 답, 그리고 둘을 섞은 답이 있을 뿐입니다. Epicure의 의미는 특정 재료 조합을 맞히는 데서 끝나지 않습니다. AI가 어떤 데이터를 기준으로 “어울림”을 배웠는지 확인해야 더 좋은 요리 판단을 할 수 있다는 점을 보여줍니다.
1[2605.22391] Epicure: Navigating the Emergent Geometry of Food Ingredient Embeddings
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.