सिंथआईडी: कृत्रिम बुद्धिमत्ता द्वारा उत्पन्न सामग्री की पहचान के लिए अदृश्य वॉटरमार्क तकनीक

पारंपरिक रूप से, एक नए खाद्य उत्पाद का विकास महीनों के परीक्षण की मांग करता है। वर्तमान में, आर्टिफिशियल इंटेलिजेंस (AI) सिस्टम इस चरण को अनुकूलित करने में सक्षम हैं, जो सेकंडों में हजारों पदार्थों का विश्लेषण करते हैं। ये एल्गोरिदम शोधकर्ताओं को नए स्वाद खोजने, बनावट में सुधार करने और संतुलित पोषण प्रोफाइल प्राप्त करने में मदद करते हैं, जिससे उद्योग में नवाचार चक्र काफी कम हो जाता है।

हालांकि, कंप्यूटर शून्य से कोई नुस्खा 'आविष्कार' नहीं करता है। सिस्टम सामग्री की संरचना, रासायनिक संरचना, पोषण संबंधी गुणों, स्वाद और बनावट के डेटा पर प्रशिक्षित होते हैं। इन डेटा के आधार पर, वे संबंधों की पहचान करते हैं और निर्धारित लक्ष्यों को पूरा करने वाले संयोजन प्रस्तावित करते हैं। पिछले साल npj Science of Food पत्रिका में प्रकाशित एक अध्ययन इंगित करता है कि AI पौष्टिक, स्वादिष्ट और टिकाऊ उत्पादों के निर्माण में योगदान दे सकता है।

स्वाद मूल्यांकन में AI प्रौद्योगिकियों की सीमाएं

फिर भी, तकनीक में अपने द्वारा डिज़ाइन किए गए व्यंजनों का स्वाद 'महसूस' करने की क्षमता नहीं है। जैसा कि फेडरल काउंसिल ऑन न्यूट्रिशन (CFN) की अध्यक्ष मैनुएला डोलिंस्की बताती हैं, सिस्टम बड़े डेटासेट जैसे रासायनिक संरचना, भौतिक-रासायनिक गुणों और संवेदी मूल्यांकन में पहचानी गई पैटर्न के आधार पर मूल्यांकन उत्पन्न करते हैं। CFN की अध्यक्ष ने Olhar Digital को दिए एक साक्षात्कार में कहा, 'इन डेटा के आधार पर मॉडल यह गणना करते हैं कि किसी विशेष सूत्र में स्वीकार्यता से जुड़े गुणों, जैसे मिठास, कड़वाहट, उमामी, सुगंध, मलाईदारपन, कुरकुरापन या रस होने की कितनी संभावना होगी।' हालांकि, उन्होंने जोर देकर कहा कि ये भविष्यवाणियां सांख्यिकीय रुझान हैं और मानव खाने के अनुभव को पूरी तरह से दोहराती नहीं हैं। मैनुएला बताती हैं कि स्वाद आनुवंशिकी, उम्र, आदतों और सांस्कृतिक संदर्भ जैसे कारकों पर निर्भर करता है, जो मनुष्यों की भागीदारी के साथ संवेदी विश्लेषण को अपरिहार्य बनाता है।

सबसे प्रसिद्ध उदाहरणों में से एक NotCo है, एक चिली कंपनी जिसने Giuseppe विकसित किया है - एक AI प्रणाली जो पौधे-आधारित भोजन बनाने के लिए डिज़ाइन की गई है। यह प्लेटफॉर्म आणविक स्तर पर सामग्री का विश्लेषण करता है और पशु मूल के उत्पादों की विशेषताओं को पुन: प्रस्तुत करने में सक्षम संयोजनों की तलाश करता है। कंपनी के अनुसार, सिस्टम 300 हजार से अधिक पौधों के सार्वभौमिक फंड के साथ काम करता है, जिसमें स्वाद, बनावट, पोषण और कार्यक्षमता जैसे कारकों पर भी विचार किया जाता है।

लक्ष्य केवल ज्ञात उत्पाद का पौधे-आधारित संस्करण बनाना से कहीं अधिक हो सकता है। एल्गोरिथम निर्दिष्ट आहार लक्ष्यों को भी प्राप्त कर सकता है और उन्हें अधिकतम करने वाला सूत्र खोज सकता है। यह उच्च प्रोटीन या फाइबर वाले और चीनी, सोडियम या संतृप्त वसा की कम मात्रा वाले उत्पादों के लिए अवसर खोलता है।

संरचना से लेकर स्वाद तक, AI ऐसे विकल्पों की खोज करना शुरू कर देता है जिनकी मैन्युअल रूप से जांच करना मुश्किल होगा। जून में प्रकाशित एक अध्ययन में, शोधकर्ताओं ने स्वाद, स्थिरता और पोषण सहित विभिन्न प्राथमिकताओं वाले बर्गर बनाने के लिए जनरेटिव AI का उपयोग किया। सिस्टम ने मानव सूत्रों से प्राप्त पैटर्न का अध्ययन करके, उसके नुस्खे के बिना भी बिग मैक की विशेषताओं को सांख्यिकीय रूप से पुनर्स्थापित करने में भी सफलता प्राप्त की।

इसके बाद टीम ने वास्तविक खपत की स्थितियों में व्यंजनों का परीक्षण किया। 101 प्रतिभागियों के समूह ने रेस्तरां में ब्लाइंड टेस्टिंग में भाग लिया और बर्गर को सात-बिंदु पैमाने पर रेट किया। स्वाद पर ध्यान केंद्रित करने वाले दो संस्करणों ने कुछ मानदंडों पर बिग मैक के स्कोर के बराबर या उससे अधिक रेटिंग प्राप्त की। उनमें से एक ने तुलनात्मक उत्पाद के 5.4 की तुलना में स्वाद पर 5.8 का औसत स्कोर प्राप्त किया।

हालांकि, जब लक्ष्य पोषण था, तो एक गंभीर कठिनाई उत्पन्न हुई। पोषण में सुधार के लिए डिज़ाइन किया गया बर्गर स्वस्थ आहार के घटकों के साथ बेहतर मिलान प्रदर्शित किया, जिसमें अधिक सब्जियां, साबुत अनाज और पौधे-आधारित प्रोटीन, साथ ही परिष्कृत अनाज, सोडियम और संतृप्त वसा कम थे। लेकिन परिणाम प्रतिभागियों को कम पसंद आया: स्वीकार्यता का औसत स्कोर 3.8 था, जबकि बिग मैक के लिए यह 5.3 था।

यह परिणाम तकनीक की एक प्रमुख समस्या को उजागर करता है। पोषण के दृष्टिकोण से उत्पाद में सुधार करने का मतलब यह आवश्यक नहीं है कि वह उपभोक्ता के लिए अधिक आकर्षक बन जाए। स्वाद, बनावट, सुगंध, कीमत और उपस्थिति भी चयन को प्रभावित करते हैं। इस अध्ययन में, पोषण गुणवत्ता पर प्राथमिकता के साथ बनाया गया संस्करण इन पहलुओं में अंक खो बैठा। इस प्रकार, AI एक पौष्टिक रूप से दिलचस्प समाधान ढूंढ सकता है, लेकिन उसे अभी भी इस बात से निपटना होगा जो भोजन को वांछनीय बनाता है।

मैनुएला चेतावनी देती हैं कि अलग-थलग अध्ययन के परिणाम को सामान्य नियम नहीं बनाया जा सकता है, लेकिन वह मानती हैं कि फॉर्मूलेशन के विभिन्न लक्ष्य एक दूसरे के साथ प्रतिस्पर्धा कर सकते हैं। उत्पाद के स्वास्थ्य को बढ़ाने के लिए मापदंडों को बदलने से नमी और मुंह की अनुभूति जैसे कारकों पर असर पड़ सकता है। इसके अलावा, कई उपभोक्ता उच्च ऊर्जा घनत्व और तीव्र स्वादों वाले उत्पादों के आदी हैं, जो एक पोषण की दृष्टि से अनुकूल नुस्खे को इस परिचित मानदंड से भटकने के लिए मजबूर करता है।

एक अन्य परिणाम स्वास्थ्य और स्थिरता के संयोजन के कारण ध्यान आकर्षित किया। मशरूम पर आधारित पारिस्थितिक फोकस के साथ बनाया गया बर्गर, शोधकर्ताओं द्वारा उपयोग किए गए मॉडल में बिग मैक की तुलना में दस गुना से अधिक कम पर्यावरणीय प्रभाव सूचकांक प्रदर्शित करता है। बीन्स पर आधारित संस्करण ने बेंचमार्क बर्गर की तुलना में लगभग दोगुना पोषण स्कोर हासिल किया। ये प्रायोगिक परिणाम हैं, न कि यह प्रमाण कि ये उत्पाद स्वचालित रूप से किसी भी स्थिति में अधिक स्वस्थ या टिकाऊ हैं।

एल्गोरिदम द्वारा डिज़ाइन किए गए पौधे-आधारित विकल्पों से पशु मूल के उत्पादों को बदलने के लिए भी सावधानी की आवश्यकता है। मैनुएला कहती हैं, 'लाभ उपयोग की गई सामग्री, प्रसंस्करण की डिग्री और उद्देश्य, अंतिम पोषण संरचना, खपत की आवृत्ति, पोषण संदर्भ और सबसे महत्वपूर्ण बात, प्रतिस्थापित किए जा रहे उत्पाद पर निर्भर करता है।' वह समझाती हैं कि ये विकल्प उच्च स्तर के सोडियम, वसा या एडिटिव्स से युक्त हो सकते हैं, जो विश्व स्वास्थ्य संगठन (WHO) की सिफारिश की पुष्टि करता है कि शाकाहारी औद्योगिक उत्पादों को केवल इसलिए स्वस्थ नहीं माना जाना चाहिए क्योंकि वे पौधों पर आधारित हैं। 'तकनीकी या पौधे की अपील को स्वास्थ्य का प्रमाण नहीं बनना चाहिए।'

उद्योग वाणिज्यिक अनुप्रयोगों में प्रौद्योगिकी को लागू कर रहा है

उद्योग पहले से ही व्यावसायिक उद्देश्यों के लिए इस तकनीक का उपयोग कर रहा है। सितंबर 2025 में, यूनिलीवर की सहायक कंपनी मैग्नम ने उत्पाद के पुनर्गठन और विकास में आर्टिफिशियल इंटेलिजेंस का उपयोग करने के लिए NotCo के साथ सहयोग की घोषणा की। लक्ष्यों में कैलोरी कम करना, नए पौधे-आधारित विकल्प बनाना और सामग्री के विकल्प खोजना शामिल था। यह कदम दर्शाता है कि AI का उपयोग मौजूदा उत्पादों को संशोधित करने के लिए भी किया जा रहा है।

बाहर से हल्के लेबल की यह खोज इन नए विकल्पों की वास्तविक पोषण गुणवत्ता पर सवाल उठाती है। सोडियम या संतृप्त वसा जैसे महत्वपूर्ण घटकों को हटाना एक महत्वपूर्ण सुधार है, लेकिन यह स्वास्थ्य का पूर्ण प्रमाण पत्र नहीं है। बोर्ड के अध्यक्ष बताते हैं कि 'कम सोडियम' या Anvisa चेतावनी संकेतों के बिना वाले उत्पादों का भी समग्र रूप से विश्लेषण किया जाना चाहिए, यह जांचते हुए कि क्या एक घटक को बदलने से दूसरे के अत्यधिक जोड़ से क्षतिपूर्ति नहीं हुई है।

इस संबंध में यह प्रश्न उठता है: क्या यह तकनीक पौष्टिक भोजन सुनिश्चित करेगी या यह 'सुसज्जित' अल्ट्रा-प्रोसेस्ड उत्पादों के निर्माण में सहायक होगी? एक पोषण विशेषज्ञ समझाती है कि AI एक उपकरण है, जिसके परिणाम एल्गोरिदम को प्रदान किए गए निर्देशों पर निर्भर करते हैं। वह टिप्पणी करती हैं, 'यदि एल्गोरिथम केवल स्वाद, लागत, शेल्फ लाइफ और सुविधा को अधिकतम करने पर केंद्रित है, तो यह बहुत आकर्षक अल्ट्रा-प्रोसेस्ड उत्पादों के निर्माण को बढ़ावा दे सकता है, भले ही वे व्यक्तिगत पोषण संबंधी दावे करते हों।' 'दूसरी ओर, वही तकनीक महत्वपूर्ण घटकों को कम करने, पोषण घनत्व में सुधार करने, कुछ एडिटिव्स को बदलने, प्राकृतिक या न्यूनतम संसाधित सामग्री को शामिल करने और फाइबर की मात्रा बढ़ाने के लिए उपयोग की जा सकती है।'

यह सब स्पष्ट रूप से दिखाता है कि एल्गोरिदम अभी भी पोषण विशेषज्ञों, शेफ या खाद्य वैज्ञानिकों को बदलने के लिए तैयार नहीं हैं। कंप्यूटर द्वारा सुझाया गया नुस्खा अभी भी लोगों द्वारा तैयार, परीक्षण और मूल्यांकन किया जाना चाहिए। उदाहरण के लिए, बर्गर अध्ययन में AI निर्देश सामग्री और मात्रा बताते थे, लेकिन इसे वास्तव में पकाने और चखने योग्य व्यंजनों में बदलने के लिए शेफ की आवश्यकता थी।

इस प्रकार, प्रवृत्ति उत्पाद डेवलपर को AI से बदलने की नहीं है, बल्कि इस काम को करने के तरीके को बदलने की है। कई दर्जन विकल्पों का परीक्षण करने के बजाय, शोधकर्ता एल्गोरिदम का उपयोग बहुत बड़ी संयोजन स्थान का पता लगाने और सबसे आशाजनक का चयन करने के लिए कर सकते हैं। अंतिम निर्णय अभी भी परीक्षण, वैज्ञानिक ज्ञान और मानवीय मूल्यांकन पर निर्भर करता है।

पोषण विज्ञान के लिए यह बदलाव विशेष रूप से प्रासंगिक हो सकता है। वही तकनीक जिसका उपयोग किसी विशिष्ट सामग्री के विकल्प को खोजने के लिए किया जाता है, सैद्धांतिक रूप से प्रोटीन, फाइबर, सूक्ष्म पोषक तत्वों, कैलोरी, सोडियम और वसा को एक साथ ध्यान में रख सकती है। हाल के अध्ययनों ने पहले ही AI को उत्पाद संरचना, पोषण विज्ञान और शरीर की प्रतिक्रिया के डेटा को जोड़ने वाले उपकरण के रूप में इंगित किया है।

हालांकि, एक निश्चित पोषण प्रोफ़ाइल वाला उत्पाद बनाने और यह साबित करने के बीच एक महत्वपूर्ण अंतर है कि यह स्वास्थ्य में सुधार करता है। फॉर्मूले में लेबल पर कम सोडियम या अधिक फाइबर हो सकता है, लेकिन यह शरीर पर इसके प्रभाव को निर्धारित करने के लिए पर्याप्त नहीं है। नैदानिक परीक्षण और दीर्घकालिक मूल्यांकन अभी भी आवश्यक हैं। AI उम्मीदवारों की खोज को तेज कर सकता है, लेकिन यह सिद्ध करने की आवश्यकता को समाप्त नहीं करता है कि जो बनाया गया वह वास्तव में काम करता है।

'कृत्रिम बुद्धिमत्ता को पेशेवर निर्णय का स्थान नहीं लेना चाहिए। इसे जिम्मेदार नवाचार की सेवा करनी चाहिए, जो न केवल औद्योगिक दक्षता पर, बल्कि पर्याप्त और स्वस्थ पोषण, खाद्य और पोषण सुरक्षा और सार्वजनिक स्वास्थ्य की रक्षा पर भी केंद्रित हो,' मैनुएला निष्कर्ष निकालती हैं।

इस परिवर्तन में सबसे दिलचस्प बात यह है कि कृत्रिम बुद्धिमत्ता उस क्षेत्र में कार्य करना शुरू कर रही है जो स्वाभाविक रूप से मानवीय लगता है: यह निर्धारित करना कि क्या स्वादिष्ट है। हजारों व्यंजनों और सामग्रियों के बीच संबंधों का विश्लेषण करके, एल्गोरिदम उन पैटर्न को पाते हैं जिन्हें मैन्युअल रूप से देखना मुश्किल होता है। अगला कदम इस क्षमता को तेजी से विशिष्ट आहार लक्ष्यों के साथ जोड़ना हो सकता है, जिससे खाद्य उद्योग को एक प्रकार की वैयक्तिकृत खाद्य इंजीनियरिंग के करीब लाया जा सके।