《Frontiers in Nutrition》:Artificial intelligence-driven food and nutrition systems: from smart food production to personalized nutrition
编辑推荐:
人工智能(Artificial Intelligence, AI)正在迅速崛起为一项整合食品生产、制造、供应链管理、膳食相关信息和个性化营养等领域的技术。通过集成机器学习(Machine Learning, ML)、计算机视觉(Computer Vision,
人工智能(Artificial Intelligence, AI)正在迅速崛起为一项整合食品生产、制造、供应链管理、膳食相关信息和个性化营养等领域的技术。通过集成机器学习(Machine Learning, ML)、计算机视觉(Computer Vision, CV)、预测分析(Predictive Analytics)、机器人技术(Robotics)和大语言模型(Large Language Models, LLMs),AI正在重塑食品的生产、加工、评估和消费方式。在初级生产中,它增强了精准农业(Precision Agriculture)和资源优化。在加工和分销过程中,AI驱动的自动化、质量控制和预测系统提高了效率、安全性和供应链韧性。在消费者接口,自适应膳食推荐系统整合用户画像、食物成分数据库、临床生物标志物、组学(omics)画像和行为反馈,以生成个性化推荐。新兴的混合AI方法将计算智能与已建立的营养科学相结合,也正在改善膳食评估。例如,基于图像的系统使用卷积神经网络(Convolutional Neural Networks, CNNs)和Transformer架构,在自动食物识别和摄入量估算方面展现出有前景的能力。尽管取得了这些进展,AI驱动的食品与营养系统仍处于早期的转化阶段,存在许多限制广泛应用的重大挑战。这些挑战包括异构和不完整的数据集、有限的实际验证、模型透明度不足、监管和伦理不确定性,以及小型生产者和弱势群体之间的不平等可及性。解决这些障碍需要食品科学家、营养学家、数据科学家、政策制定者和行业利益相关者之间的跨学科合作。本文审视了AI作为变革力量在营养智能、智能食品制造、可持续食品系统和精准营养中的新兴作用。文章还讨论了其负责任地整合到未来食品系统中的关键机遇和挑战。
**论文解读:人工智能驱动的食品与营养系统——从智能生产到个性化营养的整合框架**
**研究背景与问题**
当前全球食品与营养系统面临多重压力:到2050年全球人口逼近100亿,谷物需求预计达30亿吨,肉类产量需增加超过2亿吨,同时不健康饮食成为非传染性疾病的主要可预防风险因素之一。传统人群膳食指南未能充分考虑个体对食物反应的巨大差异——这些差异受遗传、代谢、健康状况、生活方式、文化、食物可及性和环境因素影响。此外,食品工业在营养损失、供应链透明度不足、食品安全风险和资源利用效率低下方面持续存在挑战。为应对这些复杂性,计算营养学(Computational Nutrition)作为交叉学科应运而生,但AI驱动的系统仍处于早期转化阶段,面临数据集异构不完整、真实世界验证不足、模型透明度欠缺、监管伦理不确定性以及小型生产者和弱势群体可及性不平等等障碍。本文旨在审视AI作为变革力量在营养智能(Nutritional Intelligence)、智能食品制造、可持续食品系统和精准营养中的新兴作用,并提出整合框架。论文发表在《Frontiers in Nutrition》。
**关键技术与方法**
研究人员主要采用以下关键技术方法:(1)机器学习(Machine Learning, ML)与深度学习(Deep Learning, DL),包括卷积神经网络(CNNs)和Transformer架构,用于食品识别、质量评估和膳食评估;(2)计算机视觉(Computer Vision, CV),结合图像识别与三维重建进行食物体积估算;(3)大语言模型(Large Language Models, LLMs),如NutriGen框架,用于生成个性化膳食计划;(4)多组学(Multi-omics)整合,包括基因组学、代谢组学、蛋白质组学与微生物组(Microbiome)分析,结合可穿戴传感器数据;(5)预测分析与过程优化模型,如AI驱动的蒸汽流量控制与设备故障预测。样本队列来源包括Zeevi等(800名参与者,46,898顿真实膳食)和PREDICT 1研究(Berry等,1,002名成人)等公开数据集。
**研究结果**
**3. 营养智能与个性化营养**
通过Zeevi等(2015)的里程碑研究,研究人员发现个体对相同食物的餐后血糖反应存在显著间差异,机器学习模型整合血液生物标志物、膳食模式、人体测量、体力活动和肠道微生物组(Gut Microbiome)数据后,可预测个体血糖反应,并在独立队列验证中通过算法指导的个性化干预改善血糖控制。PREDICT 1研究进一步证实餐后甘油三酯、葡萄糖和胰岛素反应存在广泛个体差异,且可利用个人、代谢和生活方式特征构建预测模型。
**3.1 个性化膳食规划的AI方法**
AI膳食规划从偏好匹配向知识驱动系统演进。Yang等开发Yum-me系统,Ma等引入营养导向知识图谱神经网络(Knowledge Graph Neural Network),整合用户偏好与食谱营养信息。近期大语言模型(LLMs)如NutriGen(Khamesian等)结合USDA FoodData Central数据库生成个性化膳食计划;Kopitar等评估LLMs分解复杂成分的能力。但当前系统应作为决策支持工具,而非完全自主的营养规划者。
**3.2 基于图像的膳食评估**
计算机视觉进步推动自动膳食评估。Mezgec和Korou?i? Seljak开发的NutriNet在数百种食物类别上实现高分类性能;Lu等推出的goFOOD系统通过食物检测、分割、识别和三维重建估算份量、能量和宏量营养素,性能可媲美经验丰富的营养师。近期混合CNN–视觉Transformer(Vision Transformer, ViT)架构如DKTransformer提升细粒度识别,支持移动端营养分析应用,但份量估算、混合菜肴、食物文化多样性及图像质量仍为关键障碍。
**3.3 真实世界验证挑战**
AI系统需在可解释性、可扩展性与预测能力间权衡。规则系统和模糊逻辑模型透明度高但适应性有限;神经网络捕获复杂模式但缺乏可解释性。ChatGPT生成的慢性病膳食计划存在营养目标缺陷和个性化不足(Onay等),六个LLMs在2型糖尿病膳食规划中显示系统性营养偏差和指南依从性不一致(Karakas等)。WHO 2021年AI健康指南强调伦理与人权中心地位,要求问责、透明、公平。食品浪费方面,美国约30-40%食品被浪费,AI可通过需求预测、库存管理和供应链优化减少损失,但需可靠数据流和传感器集成。
**3.4 组学、微生物组与数字健康整合**
精准营养前沿整合基因组学、代谢组学、蛋白质组学、微生物组、生活方式和可穿戴传感器数据,转向数字表型(Digital Phenotype)营养。PREDICT研究证实微生物组组成、体成分、膳食模式和生活方式共同影响餐后代谢差异。计算营养学(Computational Nutrition)作为交叉学科可预测个体化膳食反应,但受限于人群多样性不足、高维数据复杂性、因果理解欠缺和隐私问题,需建立从计算建模到临床对照研究再到真实世界评估的结构化验证框架。
**4. 食品制造中的AI:效率、可持续性与质量保证**
食品制造是AI最成熟的应用领域之一。Agrawal等指出AI可提升运营效率、强化质量控制、减少浪费并支持循环经济。AI在配方优化、过程控制、预测维护、智能包装、货架期估算和冷链监测中应用扩展。计算机视觉用于即食禽肉产品检测(Einsiedel等,YOLO12达mAP50-95=0.9359),高光谱成像用于牛奶掺假检测(Aqeel等,完全验证准确率),Cui等通过36,479张图像训练深度学习模型实现实时种子分类并与云平台集成。在过程优化方面,Liu等利用AI蒸汽流量控制减少啤酒酿造过程超调、提高过滤效率并缩短加工时间;Fernández-Peláez等通过振动监测和机器学习预测食品加工设备故障。可持续性案例中,Redchuk等开发AI优化模型降低燃料成本4%,年减少温室气体排放超过1000万磅CO
2。然而,大规模实施面临遗留系统集成、人才短缺、数据隐私、算法偏见和模型透明度不足等障碍。
**讨论与结论**
讨论部分指出,AI在食品与营养系统中的核心角色是整合性的,而非单纯预测性。现代食品系统产生农业、加工、零售、膳食行为和健康结局的多样化碎片化数据集,AI提供统一决策框架的机会,但需稳健的数据治理、跨学科合作和严格验证以确保科学和营养完整性。关键挑战在于平衡计算能力与营养可信度:AI工具的可获得性并不保证营养有效性或临床适用性;可扩展性与个性化之间的平衡要求多样化代表性数据集、领域建模、专家监督和利益相关者协作。未来方向在于开发闭环框架(Closed-loop Framework),连接食品生产、制造、消费模式和健康结局,提升适应性、可持续性和韧性,同时实现更个性化的营养与健康干预。
**研究结论翻译**:人工智能(AI)正在崛起为食品与营养系统的变革力量,具有加速食品创新、提升生产效率、强化质量保证、减少食物损失和浪费、支持可持续性以及实现更个性化膳食指导的潜力。在整个农业食品价值链中,AI改进了决策、增加了供应链透明度,并支持精准营养方法的发展。然而,其最重要的角色并非单纯预测,而是整合。现代食品系统产生横跨农业、加工、零售、膳食行为和健康结局的多样化碎片化数据集,AI提供了将这些领域连接到统一决策框架中的机会,但实现这一潜力需要稳健的数据治理、跨学科合作和严格验证以确保科学和营养完整性。最终,AI应作为以人为中心的赋能技术,增强而非取代科学和专业专业知识,从而实现更安全、更可持续、更公平且基于证据的食品系统,以改善人类和地球健康。