האם AI יכול לפתור את משבר המזון העולמי של מחר?

האם הבינה המלאכותית יכולה לצום במהירות את מהפכת המזון הבאה? גלה כיצד פריצות דרך המופעלות על ידי AI מבטיחות פתרונות חכמים יותר, ירוקים וטעימים יותר להזנת האוכלוסייה ההולכת וגדלה בעולם.

נקודת מבט: AI למזון: האצת וגילוי וחדשנות דמוקרטיזציה. קרדיט תמונה: Valentinakru / Shutterstock

במאמר פרספקטיבה לאחרונה בכתב העת NPJ Science of Foodפרופסור אלן קוהל של אוניברסיטת סטנפורד מדגיש את דרישות המזון העולמיות של 2050, את המגבלות של חידושים מסורתיים של מערכות מזון גלובליות בעמידה בדרישות אלה, והפוטנציאל של בינה מלאכותית (AI) להתגבר על מגבלות אלה, תוך הדגשה כי AI אינו פנצאה ואינו יכול להחליף את המומחיות האנושית באופן מלא או הערכה חושית בחדשנות מזון. המאמר גם מזהיר מפני אופטימיות לא מציאותית ומדגיש כי יש לראות ב- AI כשותף להאיץ ולהעצים, ולא לפתור לחלוטין, את האתגרים העומדים בפני מערכת המזון.

המאמר מספק דוגמאות ליכולתו של AI להקל על חיסכון בעלויות וזמן על ידי פיתוח חלופות מזון קונבנציונאליות חדשניות וניתנות להרחבה. זה מדגיש את הפוטנציאל שלו בשימוש במרכיבים ידידותיים לסביבה כדי לסנתז מגוון רחב של פריטי מזון נטולי בעלי חיים. ראוי לציין כי קוהל מדגיש את החשיבות של שיתוף נתונים מקור פתוח ושיתופי פעולה בין-תחומיים במימוש מטרה זו, מה שמוביל לעתיד בר-קיימא. עם זאת, קוהל מציין כי מערכות ה- AI של ימינו חסרות את היכולת לתפוס באופן מלא את הממדים החברתיים, האתיים והחושיים הניואנסים של מזון המושרשים עמוק בתרבות האנושית, וכי היישומים הנוכחיים נשארים מוגבלים על ידי מערכי נתונים קנייניים ולא שלמים, במיוחד עבור תכונות כמו טעם ומרקם.

רֶקַע

ההתקדמות ברפואה המודרנית הקלה על ירידות בשיעורי התמותה העולמיים, וכתוצאה מכך אוכלוסייה אנושית צומחת מהירה מאי פעם. אמנם לא ניתן להפריז ביתרונות ההתקדמות הללו, אך מערכות המזון הנוכחיות נאבקות לעמוד בדרישות התזונה של התזונה ההולכת וגוברת של האנושות. באופן מדאיג, מודלים חזויים מעריכים כי עד שנת 2050, גודל האוכלוסייה הגלובלי שלנו יתקרב ל -10 מיליארד אנשים וידרוש 20% יותר מזון ממה שאנחנו עושים כיום.

מערכות מזון קונבנציונאליות אינן בר -קיימא ולא יעילות. דו"ח מדינת הביטחון והתזונה של הבנק העולמי בעולם (2023) מדגיש כי 733 מיליון (9.8%) מכל האנשים סובלים מרעב, ו -9 מיליון מתים מסיבות הקשורות לרעב בכל שנה. מערכות מזון אלה הן גם סיוט אקולוגי וסביבתי, הנשענות מאוד על חקלאות בעלי חיים, שהיא תורמת מובילה להתחממות כדור הארץ, יערות יערות ושימוש מופרז (שתייה).

נתונים סטטיסטיים אלה מדגישים את הצורך בשינוי פרדיגמה בייצור המזון העולמי, ומדגישים את חוסר הידידות של מערכות מזון קונבנציונאליות ומציב את הבמה לבינה מלאכותית (AI). בפרספקטיבה זו, קוהל מסנתז את הידע הנוכחי כדי לרשום את השמחות של פיתוח/חדשנות של מערכות מזון מסורתיות, לחקור כיצד AI והתקדמות מתקדמת אחרת בייצור המזון יכולים להתגבר על מגבלות אלה, ואת האתגרים שיש להתגבר עליהם כדי להבטיח מחר בריא ונטול רעב. קוהל מזהה שמונה אזורים שבהם AI יכול להשפיע בולט: חיזוי ואופטימיזציה של מבני חלבון, גילוי ניסוחים חדשים, האצת בדיקות צרכנים, החלפת תוספים כימיים וחומרים משמרים, חיזוי מרקם ותכונות מכניות, שיפור רווחי הטעם, יצירת הנחיות טקסט חדשות, ופיתוח דגמי בסיס למזון.

הצורך ב- AI במהפכת ייצור המזון העולמי

חדשנות מזון מסורתית היא תהליך איטי, איטרטיבי ומורכב הכולל תשומות ממספר תחומים (מדעי מזון, אמנות קולינרית, מחקר צרכני והנדסה). זה לא מסוגל לעבד את הכמות העצומה של הנתונים האמפיריים שנוצרו בעולם המתקדם הטכנולוגי המהיר של ימינו.

יתר על כן, וריאציות דקות בפרמטרי הקלט במהלך החדשנות עשויות להיות בעלות השלכות בלתי צפויות ולעיתים דומות לאפקט פרפר על המוצר הסופי. אפילו כאשר הושלמו, קנה מידה ופריסה של חידושים תיאורטיים מציגים מורכבות מעשיות נוספות, ומדגישים גישה זו לניסוי וטעייה כיקרת, גוזלת זמן ולא יעילה.

AI מציג כלי חיוני לטיפול בכל הדגימות הללו. AI Generative יכול למנף מערכי נתונים אדירים (שטח פרמטרים רב -מודאלי מסיבי) ומודלים של שפה גדולה כדי לזהות ולבחור רכיבים, לפתח ניסוחים, מרקמי מהנדסים ולביטול מוצרים. ראוי לציין כי AI שאינו דורות משמש כבר בהרחבה בצינורות חדשנות למזון מסורתי כדי לדמות פריסת מוצרים וכוונון משתנים קיימים, ובכך להשיג תוצאות תזונה וקיימות מיטוביות ללא פסולת מסורתית הקשורה לניסוי וטעייה. עם זאת, המאמר מדגיש כי מערכות AI הנוכחיות מוגבלות על ידי מערכי נתונים לא שלמים או קנייניים, במיוחד עבור תכונות סובייקטיביות כמו טעם, מרקם וריאולוגיה.

רשימת המרכיבים מסכמת את כל המרכיבים במוצר, כולל חתיכות מזון מלא, תמציות מזון, חומרים טבעיים, תבלינים, עזרי אפייה ובישול, חומרי מזון שברים, חומרים שאינם מזון, ביצורים ותבלינים מיוצרים. הדוגמה מספקת את רשימת המרכיבים עבור מוצר חלב מבוסס צמח.

אתגרים ב- AI ומחסומים לאימוץ שלה

מערכי נתונים נגישים AI נגישים (קוד פתוח) עשירים בפרופילי תזונה מרכיבי מזון. לעומת זאת, מערכי נתונים הנדרשים לחיזוי טעם, מרקם וריאולוגיה הם נדירים. אפילו כאשר הם זמינים, מערכי נתונים סובייקטיביים אלה הם בדרך כלל קנייניים ולא נגישים AI.

באופן מעודד, מגבלות אלה הן זמניות וניתן להתגבר עליהן על ידי שיתוף פעולה בין תחומי בין מדעני מזון למדע ושיתוף תוצאות קוד פתוח. פיתוח דגמי יסוד מבוססי שנאי המסוגלים לשלב נתונים רב-מודאליים בארכיטקטורה אחידה יכולים לזרז באופן משמעותי את התהליך הזה, כפי שהודגם על ידי המודל 'Cheffusion' הממוקד לאחרונה במתכונים.

המאמר מזהיר עוד כי AI למזון אסור למכור יתר על המידה וכי חשוב להישאר מודעים למגבלותיו, כמו חוסר שקיפות, לא מספיק כוח חישובי ומורכבותם של נתונים בעולם האמיתי. בעוד ש- AI יכול להאיץ ולשפר משמעותית את חדשנות המזון, המחבר מדגיש כי מומחיות אנושית, הבנה תרבותית ויצירתיות נשארים הכרחיים.

מסקנות – השולחן של מחר

בפרספקטיבה זו, Kuhl מפרטת שמונה הזדמנויות ספציפיות בהן AI יכול להשפיע טרנספורמטיבי בחדשנות המזון: (1) חיזוי ואופטימיזציה של מבני חלבון לחיקוי של מוצרי בעלי חיים; (2) לגלות ניסוחים מרכיבים חדשים; (3) האצת בדיקות צרכנים על ידי חיזוי העדפות; (4) החלפת תוספים כימיים וחומרים משמרים בחלופות בריאות יותר; (5) חיזוי מרקם ותכונות מכניות באמצעות דוגמנות אוטומטית; (6) שיפור פרופילי טעם באמצעות דגמים גנריים; (7) יצירת ניסוחים מזון חדשים מהנחיות בשפה טבעית; ו- (8) פיתוח מודלים יסודיים למזון שיכולים לשלב מקורות נתונים רב -מודאליים ולאפשר התאמה מהירה למשימות חדשות.

תווית התזונה מכילה מידע על מקרו -תזונה, כולל שומן כולל, שומן רווי וטרנס, פחמימות, סיבים תזונתיים וסוכרים, וחלבון, ומיקרו -תזונה, כולל ויטמינים ומינרלים. הדוגמה מספקת את המידע התזונתי עבור מוצר חלב מבוסס צמח.

לאחר מכן מספקת דוגמאות כיצד מינוף AI יכול לאפשר שיפוץ מוחלט של מערכת המזון המקובלת, ומאפשר שיפור חדשנות (למשל, הדמיות למיטוב עלויות ויעילות), הפחיתה את העלות הסביבתית (למשל, פיתוח אלטרנטיבות מבוססות צמחים למוצרי בעלי חיים), ושביעות רצון צרכנים (למשל, באמצעות סקרי צרכנים גדולים לחזות חוויות חוש-מיומנות). המאמר ממחיש את הנקודות הללו עם דוגמאות בעולם האמיתי, כמו ניסוחים של חלב ועוף על בסיס צמחים המונעים על ידי NotCo, גילויו של Brightseed of Bioactives Bio-health, והשימוש של קנור ב- AI לצורך זיווג טעם במוצרים על בסיס צמחי.

עם זאת, כדי להשיג אידיאל זה ולעזור ל- AI לממש את מלוא הפוטנציאל שלו, שיתוף פעולה בין-תחומי נרחב בין מדעני מזון ומדעני נתונים, כמו גם נכונות לתוצאות עם קוד פתוח, הוא חיוני. המאמר מסיק כי AI מציע גישה חסכונית וזמן, מדרגית וחדשנית לאתגרי מערכות המזון, אך הצלחתו תהיה תלויה בציפיות מציאותיות, בשקיפות ובמערכות נתונים חזקות ומגוונות. בסך הכל, הפרספקטיבה מדגישה את היכולת של AI לדמוקרטיה של חידוש המזון, מה שהופך אותו לנגיש, יעיל ומגיב לאתגרים גלובליים.