L'intelligence artificielle peut-elle accélérer la prochaine révolution alimentaire? Découvrez comment les percées alimentées par l'IA promettent des solutions plus intelligentes, plus vertes et plus délicieuses pour nourrir la population en croissance du monde.
Perspective: IA pour la nourriture: accélérer et démocratiser la découverte et l'innovation. Crédit d'image: Valentinakru / Shutterstock
Dans un article de perspective récent dans la revue NPJ Science of FoodLa professeure de l'Université de Stanford Ellen Kuhl met en évidence les demandes alimentaires mondiales des années 2050, les limites des innovations traditionnelles du système alimentaire mondial pour répondre à ces demandes et le potentiel d'intelligence artificielle (IA) pour surmonter ces limites, tout en soulignant que l'IA n'est pas une panacée et ne peut pas remplacer pleinement l'expertise humaine ou l'évaluation sensorielle dans l'innovation alimentaire. L'article prévient également contre l'optimisme irréaliste et souligne que l'IA doit être considéré comme un partenaire pour accélérer et améliorer, et non résoudre, les défis auxquels sont confrontés le système alimentaire.
L'article fournit des exemples de la capacité de l'IA à faciliter les coûts et les économies de temps en développant des alternatives alimentaires conventionnelles innovantes et évolutives. Il met en évidence son potentiel dans l'utilisation d'ingrédients respectueux de l'environnement pour synthétiser un large éventail de produits alimentaires sans animaux. Notamment, Kuhl souligne l'importance du partage de données open source et des collaborations interdisciplinaires pour réaliser cet objectif, conduisant à un avenir durable. Cependant, Kuhl note que les systèmes d'IA d'aujourd'hui n'ont pas la capacité de saisir pleinement les dimensions sociales, éthiques et sensorielles nuancées des aliments profondément enracinés dans la culture humaine, et que les applications actuelles restent limitées par des ensembles de données propriétaires et incomplets, en particulier pour les propriétés comme la saveur et la texture.
Sommaire
Arrière-plan
Les progrès de la médecine moderne ont facilité la baisse des taux de mortalité mondiale, ce qui a entraîné une population humaine plus rapide que jamais. Bien que les avantages de ces avancées ne puissent pas être surestimés, les systèmes alimentaires actuels ont du mal à répondre aux exigences alimentaires du régime alimentaire en constante augmentation de l'humanité. De façon alarmante, les modèles prédictifs estiment que d'ici 2050, notre taille de population mondiale approchera 10 milliards de personnes et nécessitera 20% de nourriture de plus que nous le faisons aujourd'hui.
Les systèmes alimentaires conventionnels ne sont pas durables et inefficaces. Le rapport sur l'état de la sécurité et de la nutrition alimentaire de la Banque mondiale dans le monde (2023) souligne que 733 millions (9,8%) de toutes les personnes souffrent de faim et que 9 millions meurent de causes associées à la faim chaque année. Ces systèmes alimentaires sont également un cauchemar écologique et environnemental, en s'appuyant fortement sur l'agriculture animale, qui est un contributeur de premier plan au réchauffement climatique, à la déforestation et à l'utilisation excessive d'eau fraîche (potable).
Ces statistiques mettent en évidence la nécessité d'un changement de paradigme dans la production alimentaire mondiale, soulignant les insuffisances des systèmes alimentaires conventionnels et préparant la voie à l'intelligence artificielle (IA). Dans cette perspective, Kuhl synthétise les connaissances actuelles pour énumérer les démérites du développement / innovation traditionnel du système alimentaire, explorer comment l'IA et d'autres progrès de pointe dans la production alimentaire peuvent surmonter ces limitations, et les défis qui doivent être surmontés pour assurer un demain plus sain et sans faim. KUHL identifie huit domaines où l'IA peut avoir un impact notable: prédire et optimiser les structures protéiques, découvrir de nouvelles formulations, accélérer les tests de consommation, remplacer les additifs chimiques et les conservateurs, prédire la texture et les propriétés mécaniques, améliorer les profils de saveurs, générer de nouvelles formulations à partir d'invites de texte et développer des modèles de fondations pour les aliments.
La nécessité de l'IA dans la révolution de la production alimentaire mondiale
L'innovation alimentaire traditionnelle est un processus lent, itératif et complexe impliquant des contributions de plusieurs domaines (science alimentaire, art culinaire, recherche sur les consommateurs et ingénierie). Il est intrinsèquement incapable de traiter la grande quantité de données empiriques générées dans le monde en avance rapide actuel.
En outre, les variations infimes des paramètres d'entrée pendant l'innovation peuvent avoir des conséquences inattendues et parfois semblables à l'effet sur le produit final. Même lorsqu'il est finalisé, la mise à l'échelle et le déploiement des innovations théoriques présentent des complexités pratiques supplémentaires, soulignant cette approche d'essai et d'erreur comme coûteuse, longue et inefficace.
L'IA présente un outil vital pour aborder tous ces démérites. L'IA générative peut tirer parti d'énormes ensembles de données (espace de paramètres multimodaux massifs) et de grands modèles de langage pour identifier et sélectionner les ingrédients, développer des formulations, des textures d'ingénieur et optimiser les produits. Notamment, l'IA non générative est déjà largement utilisée dans les pipelines traditionnels d'innovation alimentaire pour simuler le déploiement des produits et affiner les variables existantes, atteignant ainsi des résultats nutritionnels et de durabilité optimaux sans déchets traditionnels associés aux essais et erreurs. Cependant, l'article souligne que les systèmes d'IA actuels sont limités par des ensembles de données incomplets ou propriétaires, en particulier pour les qualités subjectives telles que la saveur, la texture et la rhéologie.
La liste des ingrédients résume tous les ingrédients du produit, y compris les pièces de la restauration entière, les extractions alimentaires, les substances naturelles, les condiments, la cuisson et les aides à la cuisson, les substances alimentaires fractionnaires, les substances non alimentaires, les fortifications et les assaisonnements manufacturés. L'exemple fournit la liste des ingrédients pour un produit laitier à base de plantes.
Défis dans l'IA et les obstacles à son adoption
Les ensembles de données actuels accessibles en AI (open-source) sont riches en profils nutritifs d'ingrédients alimentaires. En revanche, les ensembles de données nécessaires pour prédire la saveur, la texture et la rhéologie sont rares. Même lorsqu'ils sont disponibles, ces ensembles de données subjectifs sont généralement propriétaires et non accessibles à AI.
De manière encourageante, ces limitations sont temporaires et peuvent être surmontées par une collaboration interdisciplinaire entre les aliments et les scientifiques des données et le partage des résultats open-source. Le développement de modèles de fondations basés sur des transformateurs capables d'intégrer des données multimodales dans une architecture unifiée pourrait considérablement accélérer ce processus, comme le démontre le récent modèle de «cheffusion» axé sur la recette.
L'article prévient en outre que l'IA pour la nourriture ne devrait pas être survente et qu'il est important de rester conscient de ses limites, telles qu'un manque de transparence, une puissance de calcul insuffisante et la complexité des données du monde réel. Bien que l'IA puisse accélérer et améliorer considérablement l'innovation alimentaire, l'auteur souligne que l'expertise humaine, la compréhension culturelle et la créativité restent indispensables.
Conclusions – Table de demain
Dans cette perspective, KUHL détaille huit opportunités spécifiques où l'IA peut avoir un impact transformateur dans l'innovation alimentaire: (1) prédire et optimiser les structures protéiques pour imiter les produits d'origine animale; (2) découvrir de nouvelles formulations d'ingrédients; (3) accélérer les tests des consommateurs en prédisant les préférences; (4) remplacer les additifs chimiques et les conservateurs avec des alternatives plus saines; (5) prédire la texture et les propriétés mécaniques par la modélisation automatisée; (6) améliorer les profils de saveurs à l'aide de modèles génératifs; (7) générer de nouvelles formulations alimentaires à partir d'invites en langage naturel; et (8) développer des modèles de fondation pour les aliments qui peuvent intégrer des sources de données multimodales et permettre une adaptation rapide aux nouvelles tâches.
L'étiquette nutritionnelle contient des informations sur les macronutriments, notamment la graisse totale, les graisses saturées et trans, les glucides, les fibres alimentaires et les sucres, et les protéines, et le micronutriment, les vitamines et les minéraux. L'exemple fournit les informations nutritionnelles d'un produit laitier à base de plantes.
Elle fournit ensuite des exemples de la façon dont la mise à profit de l'IA peut permettre une refonte complète du système alimentaire conventionnel, permettant une amélioration de l'innovation (par exemple, des simulations pour optimiser les coûts et l'efficacité), une réduction du coût environnemental (par exemple, le développement d'alternatives à base de plantes aux produits d'animaux) et la satisfaction des consommateurs (par exemple, en utilisant des enquêtes aux consommateurs à grande échelle pour prédire leurs expériences sensorielles spécifiques aux produits). L'article illustre ces points avec des exemples du monde réel, tels que les formulations de lait et de poulet à base de plantes et de poulet à base de vitesses de NOTCO, la découverte des bioactifs de la santé intestinale et l'utilisation de l'IA par Kornorn pour le coupage de saveurs dans les produits à base de plantes.
Cependant, pour atteindre cet idéal et aider l'IA à réaliser son plein potentiel, une vaste collaboration interdisciplinaire entre les scientifiques de l'alimentation et les scientifiques des données, ainsi qu'une volonté de résultats open source, est essentiel. L'article conclut que l'IA propose une approche et innovante des coûts et temporels, des défis du système alimentaire, mais son succès dépendra des attentes réalistes, de la transparence et des ensembles de données robustes et robustes. Dans l'ensemble, la perspective souligne la capacité de l'IA à démocratiser l'innovation alimentaire, la rendant plus accessible, efficace et réactive aux défis mondiaux.
