Kaikaku.AI aus London hat mit „Epicure" eine Suite aus drei spezialisierten KI-Modellen veröffentlicht, die sich grundlegend in ihrer Wissensgrundlage unterscheiden: Ein Modell wurde auf 4,14 Millionen Rezepten in sieben Sprachen trainiert, eines auf der FlavorDB-Datenbank mit Aromamolekülen, und ein drittes kombiniert beide Quellen. Die Trennung ist bewusst: Je nach Trainingsdaten empfiehlt das System bei der Frage „Was passt zu Hühnchen?" völlig unterschiedliche Zutaten — einmal kulturell geprägte Kombinationen, einmal chemisch kompatible Aromen. Besonders auffällig: Das rein molekülbasierte Modell schneidet bei der Klassifikation von Geschmacksprofilen und Nährwerten besser ab als die rezeptgestützten Varianten, obwohl es nie explizit mit diesen Informationen trainiert wurde. Damit zeigt Epicure, dass chemische Aromaverwandtschaft implizit ernährungsrelevante Eigenschaften kodiert. Für Lebensmitteltechnologen, Köche und Food-Tech-Unternehmen könnte das bedeuten, dass molekülbasierte KI-Modelle kulturelle Geschmacksgrenzen überwinden und neuartige, wissenschaftlich begründete Zutatenkombinationen vorschlagen können.