AI 挑戰品酒專家，誰才是真正的威士忌大師？

在食品與飲品產業中，風味一直被視為產品品質的核心要素。然而，風味的感知是一種極為主觀且複雜的過程，傳統上依賴於經驗豐富的品酒師進行判斷。但即使是訓練有素的專家，也難以在不同場合中保持高度一致性，因為風味感知受個人經驗、情緒、感官疲勞以及生理條件等多重因素影響。AI 技術的快速發展，風味辨識和預測逐漸邁向數據化和精準化，德國 Fraunhofer IVV 團隊開發的 OWSum AI 模型正是這一轉型的重要代表。

OWSum模型的成功之處在於將化學分析數據與感官數據結合，建立起一套可解釋且高效的風味辨識系統。團隊選取了16種威士忌樣本，分別來自蘇格蘭與美國，透過氣相色譜-質譜儀（GC-MS）檢測出約390種常見的化學化合物。這些化學分子，雖然大多肉眼不可見，卻構成了威士忌獨特風味的基石。

風味分析將不再是「黑箱」

傳統上，將這些分子與實際風味描述進行準確對應，是一項困難且耗時的工作。然而，OWSum模型成功地將這些分子數據轉化為可解讀的特徵向量，並使用機器學習演算法對威士忌的風味特徵進行預測。基於風味描述（如花香、果香、木質、煙燻等），OWSum的準確率達到了94%，而當基於化學數據進行分析時，準確率更是達到了100%。這一結果不僅超越了人類專家的平均水準，更展示了AI 在解析複雜風味混合物方面的潛力。

更值得一提的是，OWSum不僅僅是一個預測工具，更是一個「可解釋」的AI系統。這意味著它不僅能告訴使用者「這瓶威士忌來自蘇格蘭還是美國」，還能知道哪些化學分子在決策過程中扮演了關鍵角色。例如，研究顯示薄荷醇（menthol）與香茅醇（citronellol）往往是美國威士忌的重要特徵，而甲基癸酸酯（methyl decanoate）與庚酸（heptanoic acid）則更常出現在蘇格蘭威士忌中。這些分子的存在，為AI的預測結果提供了強而有力的支援，使得風味分析從「黑箱」變得更加透明和可解讀。

AI風味分析能協助辨識假冒產品

研究團隊還使用了卷積神經網絡（Convolutional Neural Network, CNN）來預測威士忌的五大風味描述特徵。CNN模型透過對分子結構進行深度學習，成功預測出每個樣本的五個核心風味描述，其準確度超越了品酒專家團隊的平均水準，展現出AI在風味感官領域的卓越表現。這種將分子結構與感官描述緊密聯繫的技術，不僅使風味分析更加科學化，也為產業應用打開了全新的可能性。

在產業層面，AI風味分析技術具有廣泛的應用潛力。首先，AI可以大幅提升品質管控的精確度與穩定性，避免因人為誤差導致的風味偏差。其次，AI還能加速新產品的研發進程，企業可以透過模擬不同分子組合的風味效果，快速反覆運算產品設計，迎合市場趨勢。此外，AI還能協助辨識假冒產品，確保品牌誠信與市場信任。這些應用場景，將使食品與飲料產業更加高效、穩定，並更具市場競爭力。

AI將成為品質管控、產品開發及市場行銷的重要工具

然而，這項技術仍面臨一些挑戰。例如，目前的數據庫規模相對有限，尚無法完全涵蓋不同地區與品牌的風味特徵。此外，模型尚未完全整合氣味活性值（Odor Activity Value, OAV）與分子濃度等重要參數，這可能限制了預測的全面性。未來的研究應該聚焦於數據庫的擴展，整合更多實驗數據，並考慮將分子濃度和感官閾值納入預測模型中。同時，也需要建立更加標準化的風味描述詞彙庫，減少不同專家之間描述上的差異。

AI在威士忌的應用不僅是一場技術革命，更是食品與飲品產業邁向數據化、科學化的重要一步。Fraunhofer IVV團隊的研究不僅證明AI在風味辨識上的強大能力，更開啟了未來產業應用的新可能性。隨著數據累積和技術精進，AI將逐步成為食品品質管控、產品開發及市場行銷的重要工具，為產業創造更高的價值。