Разработка нового пищевого продукта традиционно требует длительных месяцев тестирования. В настоящее время системы искусственного интеллекта (ИИ) способны оптимизировать этот этап, анализируя тысячи веществ за считанные секунды. Эти алгоритмы помогают исследователям находить новые вкусы, улучшать текстуры и добиваться сбалансированных питательных профилей, тем самым значительно сокращая цикл инноваций в отрасли.
При этом компьютер не «изобретает» рецепт из ничего. Системы обучаются на данных о составе ингредиентов, химической композиции, питательных свойствах, вкусе и текстуре. На основе этих данных они выявляют взаимосвязи и предлагают комбинации, отвечающие заданным целям. Исследование, опубликованное в прошлом году в журнале npj Science of Food, указывает на то, что ИИ может способствовать созданию продуктов, которые одновременно являются питательными, вкусными и устойчивыми.
Ограничения технологий ИИ в оценке вкуса
Тем не менее, технология не обладает способностью «чувствовать» вкус спроектированных ею блюд. Как объясняет Мануэла Долински, президент Федерального совета по питанию (CFN), системы генерируют оценки, основываясь на закономерностях, выявленных в больших наборах данных, таких как химический состав, физико-химические свойства и сенсорные оценки. «На основе этих данных модели рассчитывают вероятность того, что определенная формула будет обладать характеристиками, связанными с приемлемостью, такими как сладость, горечь, умами, аромат, кремовость, хруст или сочность», — заявила президент CFN в интервью Olhar Digital. Однако она подчеркнула, что эти прогнозы представляют собой статистические тенденции и не полностью воспроизводят человеческий опыт поедания. Мануэла отмечает, что вкус зависит от таких факторов, как генетика, возраст, привычки и культурный контекст, что делает незаменимыми сенсорные анализы с участием людей.
Одним из наиболее известных примеров является NotCo, чилийская компания, разработавшая Giuseppe — систему ИИ, предназначенную для создания растительной пищи. Эта платформа анализирует ингредиенты на молекулярном уровне и ищет сочетания, способные воспроизвести характеристики продуктов животного происхождения. По данным компании, система работает с универсальным фондом из более чем 300 тысяч растений, учитывая также такие факторы, как вкус, текстура, питание и функциональность.
Цель может выходить за рамки простого создания растительной версии известного продукта. Алгоритм также может получить заданные диетические цели и искать формулу, максимально приближенную к ним. Это открывает возможности для продуктов с повышенным содержанием белков или клетчатки и сниженным количеством сахара, натрия или насыщенных жиров.
От состава до вкуса ИИ начинает исследовать варианты, которые было бы трудно проверить вручную. В исследовании, опубликованном в июне, исследователи использовали генеративный ИИ для создания бургеров с разными приоритетами, включая вкус, устойчивость и питание. Система также смогла статистически восстановить характеристики Big Mac, не имея его рецепта, изучив закономерности, полученные от человеческих формул.
После этого команда провела рецепты в условиях реального потребления. Группа из 101 участника приняла участие в слепой дегустации в ресторане и оценила бургеры по семибалльной шкале. Две версии, разработанные с акцентом на вкус, получили оценки, равные или превышающие оценки Big Mac по некоторым критериям. Одна из них получила среднюю оценку 5,8 по вкусу против 5,4 у сравниваемого продукта.
Однако, когда целью стало питание, возникла серьезная трудность. Бургер, разработанный для улучшения питательности, продемонстрировал лучшее соответствие компонентам здорового рациона, включая больше овощей, цельнозерновых и растительного белка, а также меньше рафинированных злаков, натрия и насыщенных жиров. Но результат понравился участникам меньше: средняя оценка приемлемости составила 3,8 против 5,3 для Big Mac.
Этот результат выявляет одну из главных проблем технологии. Улучшение продукта с точки зрения питания не обязательно означает, что он станет более привлекательным для потребителя. В выбор влияют также вкус, текстура, аромат, цена и внешний вид. В данном исследовании версия, созданная с приоритетом на качество питания, потеряла баллы по этим аспектам. Таким образом, ИИ может найти питательно интересное решение, но ему все еще необходимо справиться с тем, что делает еду желанной.
Мануэла предупреждает, что нельзя превращать результат изолированного исследования в общее правило, но признает, что различные цели формулирования могут конкурировать друг с другом. Изменение параметров для повышения здоровья продукта может повлиять на такие факторы, как влажность и ощущение во рту. Кроме того, многие потребители привыкли к продуктам с высокой энергетической плотностью и интенсивными вкусами, что заставляет питательно благоприятный рецепт отклоняться от этой привычной нормы.
Другой результат привлек внимание благодаря сочетанию здоровья и устойчивости. Бургер, созданный с экологическим фокусом на основе грибов, показал индекс воздействия на окружающую среду более чем в десять раз ниже, чем у Big Mac в используемой исследователями модели. Версия на основе фасоли достигла почти удвоенного питательного балла по сравнению с эталонным бургером. Это экспериментальные результаты, а не доказательство того, что эти продукты автоматически являются более здоровыми или устойчивыми в любой ситуации.
Замена продуктов животного происхождения на растительные варианты, спроектированные алгоритмами, также требует осторожности. «Выгода зависит от используемых ингредиентов, степени и цели обработки, конечного питательного состава, частоты потребления, контекста питания и, прежде всего, от продукта, который заменяется», — утверждает Мануэла. Она поясняет, что эти заменители могут содержать высокие уровни натрия, жиров или добавок, что подтверждает рекомендацию Всемирной организации здравоохранения (ВОЗ) о том, что вегетарианские промышленные продукты не следует считать здоровыми только потому, что они основаны на растениях. «Нельзя допустить, чтобы технологическая или растительная привлекательность служила доказательством здоровья».
Индустрия внедряет технологию в коммерческие приложения
Промышленность уже применяет эту технологию в коммерческих целях. В сентябре 2025 года Magnum, подразделение Unilever, объявило о сотрудничестве с NotCo для использования искусственного интеллекта в реформулировании и разработке продуктов. Среди целей были снижение калорийности, создание новых растительных вариантов и поиск альтернатив ингредиентам. Этот шаг демонстрирует, что ИИ начинает использоваться и для модификации уже существующих продуктов.
Этот поиск внешне более легких этикеток поднимает вопросы о реальном питательном качестве этих новых опций. Удаление критически важных ингредиентов, таких как натрий или насыщенные жиры, является значительным улучшением, но это не абсолютный сертификат здоровья. Президент совета отмечает, что даже продукты с заявлениями вроде «снижено содержание натрия» или без предупреждающих значков Anvisa должны анализироваться в целом, проверяя, не была ли замена одного компонента компенсирована чрезмерным добавлением другого.
В связи с этим возникает вопрос: поможет ли технология обеспечить питательную пищу или она послужит созданию «приукрашенных» ультрапереработанных продуктов? Нутрициолог объясняет, что ИИ — это инструмент, чьи результаты зависят от директив, предоставленных алгоритмам. «Если алгоритм ориентирован только на максимизацию вкуса, стоимости, долговечности и удобства, он может способствовать созданию очень привлекательных ультрапереработанных продуктов, даже если они несут отдельные питательные заявления», — отмечает она. «С другой стороны, та же технология может быть использована для снижения критических компонентов, улучшения питательной плотности, замены определенных добавок, включения натуральных или минимально обработанных ингредиентов и повышения содержания клетчатки».
Все это ясно показывает, что алгоритмы еще не готовы заменить нутрициологов, шеф-поваров или пищевых ученых. Рецепт, предложенный компьютером, все равно должен быть произведен, протестирован и оценен людьми. Например, в исследовании бургеров инструкции ИИ указывали ингредиенты и количества, но требовались шеф-повара, чтобы преобразовать эту информацию в рецепты, которые можно было бы фактически приготовить и попробовать.
Таким образом, тенденция заключается не в замене разработчика продуктов ИИ, а в изменении способа выполнения этой работы. Вместо тестирования нескольких десятков вариантов исследователи могут использовать алгоритмы для изучения гораздо большего пространства комбинаций и выбора наиболее перспективных. Окончательное решение по-прежнему зависит от испытаний, научных знаний и человеческой оценки.
Для нутрициологии это изменение может быть особенно актуальным. Та же технология, используемая для поиска заменителя определенного ингредиента, теоретически может одновременно учитывать белки, клетчатку, микроэлементы, калории, натрий и жиры. Недавние исследования уже указывают на ИИ как на инструмент для соединения данных о составе продуктов, науки о питании и реакции организма.
Тем не менее, существует важное различие между созданием продукта с определенным питательным профилем и доказательством того, что он улучшает здоровье. Формула может иметь меньше натрия или больше клетчатки в маркировке, но этого недостаточно для определения его воздействия на организм. Клинические исследования и долгосрочные оценки по-прежнему необходимы. ИИ может ускорить поиск кандидатов, но не устраняет необходимости доказать, что созданное действительно работает.
«Искусственный интеллект не должен заменять профессиональное суждение. Он должен служить ответственным инновациям, ориентированным не только на промышленную эффективность, но и на продвижение адекватного и здорового питания, продовольственной и пищевой безопасности, а также на защиту здоровья населения», — заключает Мануэла.
Самое любопытное в этой трансформации заключается в том, что искусственный интеллект начинает действовать именно в области, которая кажется по своей сути человеческой: определение того, что вкусно. Анализируя тысячи рецептов и взаимосвязей между ингредиентами, алгоритмы находят закономерности, которые было бы трудно заметить вручную. Следующим шагом может стать сочетание этой способности с все более специфическими диетическими целями, приближая пищевую промышленность к своего рода персонализированной инженерии еды.