Zespół ze Stanford University pokazał rzecz pozornie lekką, a metodologicznie ważną: model generatywny może nauczyć się statystycznej struktury ludzkich przepisów kulinarnych i projektować nowe burgery oceniane sensorycznie tak samo albo lepiej niż klasyczny punkt odniesienia. W pracy opublikowanej w npj Science of Food Vahidullah Tac, Christopher D. Gardner i Ellen Kuhl opisują system dyfuzyjny, który uczył się na 2216 recepturach burgerów z Food.com, rozpisanych na 146 możliwych składników i ich ilości (Tac, Gardner & Kuhl, 2026).
Badanie jest interesujące z kilku powodów. Po pierwsze, model odtworzył referencyjną wersję Big Maca bez dostępu do receptury McDonald’s. Oficjalny przepis pozostaje własnością firmy, więc badacze zbudowali wersję odniesienia na podstawie czterech niezależnie publikowanych przepisów typu „copycat”. Model nie widział tej receptury w zbiorze treningowym. Mimo to, przy losowym próbkowaniu z rozkładu, średnio po 7,3 mln prób w 10 uruchomieniach trafiał w identyczny zestaw składników i gramatur względem tej rekonstrukcji (Tac, Gardner & Kuhl, 2026).
Po drugie, system zaprojektował dwa nowe burgery, które w ślepym teście smakowym z 101 uczestnikami w restauracji w San Francisco uzyskały wyniki porównywalne albo wyższe od Big Maca. Jeden wygrał z nim pod względem smaku, drugi pod względem ogólnej oceny i smaku. Tekstura obu była statystycznie nierozróżnialna od tekstury punktu odniesienia. Uczestnicy częściej opisywali burgery zaprojektowane przez model jako mięsiste, wilgotne, tłuste lub dymne (Tac, Gardner & Kuhl, 2026).
Po trzecie, model wygenerował burgery projektowane pod ślad środowiskowy i jakość żywieniową. Burger grzybowy miał środowiskowy wynik 0,06 wobec 0,93 dla Big Maca, czyli ponad rząd wielkości niżej. Smakowo wypadł gorzej. Burger fasolowy uzyskał wynik Healthy Eating Index 63,12 wobec 33,71 dla Big Maca i miał około sześciokrotnie niższy ślad środowiskowy. Również przegrał w degustacji. Z kolei wariant grzybowo-wołowy miał ślad środowiskowy bliski Big Macowi i smakowo nie różnił się istotnie od niego w testowanych wymiarach (Tac, Gardner & Kuhl, 2026).
Najważniejszy sens badania leży właśnie w tych napięciach. Model nie znalazł jednego burgera, który jednocześnie byłby smaczniejszy, zdrowszy i radykalnie lżejszy środowiskowo. Zamiast tego pokazał, że projektowanie żywności można traktować jako problem poruszania się po przestrzeni kompromisów: smak, tekstura, znany profil kulturowy, białko, tłuszcz, sód, błonnik, ślad węglowy, woda, ziemia, eutrofizacja, koszt, akceptacja konsumenta.
1. Co naprawdę zrobił model
W medialnym skrócie można powiedzieć, że sztuczna inteligencja „wymyśliła burgery”. Precyzyjniej: model nauczył się rozkładu prawdopodobieństwa receptur burgerów tworzonych przez ludzi. Dane treningowe składały się z 2216 przepisów. Każdy przepis został przetłumaczony na dwa obiekty: maskę obecności składników oraz wektor ich ilości. Maska mówiła, czy dany składnik występuje, a wektor mas mówił, ile go użyto (Tac, Gardner & Kuhl, 2026).
Architektura miała dwa etapy. Pierwszy, wielomianowy model dyfuzyjny, odpowiadał za dobór składników. Drugi, model generatywny oparty na funkcji score, odpowiadał za ich ilości. To rozdzielenie jest ważne, ponieważ receptura ma naturę mieszaną. Obecność składnika jest decyzją dyskretną: cebula jest albo jej nie ma. Gramatura jest zmienną ciągłą: może być 20 g, 40 g albo 80 g. Model musiał więc opanować oba poziomy naraz (Tac, Gardner & Kuhl, 2026).
Sama przestrzeń możliwości jest ogromna. Przy 146 składnikach liczba samych kombinacji obecności lub braku składników wynosi 2^146, czyli ponad 10^43. To liczba znacznie większa niż zbiór jakichkolwiek realnie przetestowanych receptur. Sens modelu generatywnego polega na tym, że nie przeszukuje tej przestrzeni ślepo. Uczy się, które regiony są podobne do ludzkich przepisów: które składniki współwystępują, które się wykluczają, jakie ilości są typowe, ile elementów zwykle ma burger i które konfiguracje są kulinarnie prawdopodobne (Tac, Gardner & Kuhl, 2026).
Dyfuzja działa tu podobnie jak w generatorach obrazów, ale zamiast pikseli mamy składniki i masy. Model uczy się procesu niszczenia uporządkowanej receptury przez losowy szum, a potem uczy się odwrotności: jak z szumu wrócić do prawdopodobnego przepisu. Po treningu może zaczynać od losowego punktu i krok po kroku tworzyć recepturę, która przypomina strukturę burgerów znanych z danych (Tac, Gardner & Kuhl, 2026).
To nie jest model smaku w sensie biologii języka, nosa, receptorów, trigeminalnych odczuć chemicznych i pamięci kulinarnej. Model nie jadł. Uczył się śladów ludzkiego smaku zapisanych w przepisach. Przepisy są tu traktowane jako artefakty kulturowe: jeśli przez lata ludzie powtarzają podobne układy składników i ilości, te układy zawierają informację o akceptowalności.
2. Big Mac jako test kulturowej średniej
Wybór Big Maca jako punktu odniesienia jest sprytny. Big Mac jest produktem globalnym, rozpoznawalnym i standaryzowanym. Ma stabilny profil sensoryczny: bułka, wołowina, sos majonezowy, pikle, cebula, sałata, ser. Nie jest najlepszym możliwym burgerem w sensie gastronomicznym. Jest wzorcem masowej akceptacji: produktem zaprojektowanym tak, aby działał przewidywalnie w wielu krajach i grupach konsumentów.
Ponieważ McDonald’s nie udostępnia pełnej receptury, badacze zrekonstruowali referencyjnego Big Maca z czterech publicznych przepisów. Otrzymali zestaw: 81 g wołowiny mielonej, 74 g bułki, 32 g majonezu lub sosu majonezowego, 27 g pikli, 27 g cebuli, 21 g sałaty i 18 g sera. Ta wersja była punktem odniesienia dla algorytmicznego „odkrycia” przepisu (Tac, Gardner & Kuhl, 2026).
Wynik z SDS = 0 oznaczał zgodność składników i ilości. SDS, czyli substantial difference score, mierzył odległość między recepturą wygenerowaną a recepturą odniesienia. Gdy SDS wynosiło zero, przepis był uznawany za identyczny w przyjętej reprezentacji. Średnia liczba 7,3 mln próbek potrzebnych do trafienia w Big Maca brzmi ogromnie dla kucharza, lecz mały wynik dla przestrzeni 10^43 kombinacji. Dla modelu oznacza to, że Big Mac leży w gęstym, wysokoprawdopodobnym obszarze „gramatyki burgera” (Tac, Gardner & Kuhl, 2026).
To jest najciekawsza interpretacja. Big Mac został odtworzony, ponieważ nie jest egzotycznym obiektem. Jest zagęszczeniem typowych relacji: wołowina z bułką, tłuszczowy sos z kwasem pikli, cebula z sałatą, ser z mięsem. Receptura może być firmowo chroniona, ale jej logika należy do szerokiego pola kulturowych praktyk hamburgerowych. Model nauczył się tego pola.
3. Smak jako rozkład, a nie pojedynczy sekret
Tradycyjne myślenie o kuchni często szuka sekretu: specjalnego sosu, idealnej proporcji, techniki smażenia, właściwej temperatury, jednego składnika. Badanie Stanfordu sugeruje inne ujęcie. Smak żywności masowej można opisywać jako rozkład prawdopodobnych rozwiązań, które mieszczą się w granicach akceptowalności.
W tym sensie „dobry burger” nie jest jednym punktem. Jest regionem. W tym regionie mogą mieścić się różne proporcje wołowiny, tłuszczu, soli, kwasu, słodyczy, chrupkości, miękkości, aromatu dymnego i soczystości. Model generatywny może próbować poruszać się po tym regionie: zwiększyć nowość bez opuszczania obszaru znanego smaku; obniżyć ślad środowiskowy bez całkowitej utraty tekstury; poprawić wynik żywieniowy bez wyprodukowania suchej, mało akceptowalnej masy fasolowej.
Autorzy używają popularności receptur jako przybliżenia smakowitości. To założenie ma sens praktyczny, lecz ma ograniczenia. Popularność składników i układów w Food.com nie jest tym samym, co bezpośrednia ocena sensoryczna. Receptura może być często publikowana z powodów kulturowych, ekonomicznych, regionalnych lub mody kulinarnej. Może też być popularna, bo jest łatwa, tania albo zgodna z konwencją, a nie dlatego, że osiąga maksimum przyjemności sensorycznej.
Dlatego ślepy test smakowy był potrzebny. Model mógł nauczyć się statystyki przepisów, ale badacze musieli sprawdzić, czy ta statystyka przekłada się na jedzenie w ustach. Uczestnicy oceniali wszystkie sześć burgerów: Big Maca oraz pięć wariantów wygenerowanych przez model. Oceny obejmowały ogólne lubienie, smak i teksturę w siedmiopunktowej skali, a także listę przymiotników sensorycznych typu „meaty”, „moist”, „smoky”, „dry”, „earthy”, „bland” (Tac, Gardner & Kuhl, 2026).
Wyniki dwóch burgerów projektowanych pod smak są najbardziej przekonujące. Delicious Burger 1 uzyskał istotnie wyższą ocenę smaku niż Big Mac: 5,8 wobec 5,4. Delicious Burger 2 uzyskał wyższą ocenę ogólną: 5,7 wobec 5,3, oraz wyższą ocenę smaku: 5,8 wobec 5,4. Tekstura obu nie różniła się istotnie od punktu odniesienia. Uczestnicy częściej nazywali je mięsnymi, wilgotnymi, tłustymi lub dymnymi (Tac, Gardner & Kuhl, 2026).
Różnice liczbowe są umiarkowane. Nie ma tu kulinarnego cudu. Jest statystycznie uchwycona przewaga w konkretnym teście. To wystarczy, aby potraktować wynik poważnie, lecz za mało, aby mówić o ogólnym zwycięstwie nad fast foodem jako kategorią. Badanie było wykonane w jednej restauracji, na 101 osobach, z jedną rekonstrukcją Big Maca i pięcioma recepturami AI.
4. Burger środowiskowy: radykalnie lepszy wynik, gorsze jedzenie
Część środowiskowa badania jest lekcją o oporze konsumenta. Model znalazł burger grzybowy o środowiskowym wyniku 0,06 wobec 0,93 dla Big Maca. Skala ta obejmowała cztery składniki wpływu: użytkowanie ziemi, emisje gazów cieplarnianych, potencjał eutrofizacji i zużycie wody ważone deficytem. Dane pochodziły z baz life cycle assessment, a dla grzybów uzupełniono je m.in. o dane dotyczące produkcji w USA i Europie (Tac, Gardner & Kuhl, 2026; Clark et al., 2022).
Różnica środowiskowa była ogromna. Smakowo burger grzybowy przegrał. Ocena ogólna wynosiła 4,8 wobec 5,3 dla Big Maca, smak 5,0 wobec 5,4, tekstura 4,5 wobec 5,2. Uczestnicy częściej opisywali go jako ziemisty, mocny, wilgotny i miękki. „Ziemistość” może być zaletą w daniu grzybowym, ale w teście burgerowym prawdopodobnie przesuwała produkt poza oczekiwaną kategorię (Tac, Gardner & Kuhl, 2026).
To wynik ważniejszy niż medialna opowieść o AI wygrywającej z Big Maciem. Pokazuje, że sama redukcja wpływu środowiskowego nie wystarczy. Konsument nie kupuje abstrakcyjnego wskaźnika LCA. Kupuje kolację. W burgerze oczekuje gry tłuszczu, umami, soli, soczystości, sprężystości, oporu zębów i znanego aromatu smażonego mięsa. Grzyb może dawać umami i wilgotność, ale może nie dostarczyć tej samej struktury mechanicznej, tłuszczowego odczucia i skojarzenia kulturowego.
Ciekawszy jest drugi wariant środowiskowy: burger grzybowo-wołowy. Jego ślad środowiskowy wyniósł 1,02, czyli był bliski Big Macowi w przyjętej skali, a sensorycznie nie różnił się istotnie od niego w głównych miarach. To nie jest duża poprawa środowiskowa względem punktu odniesienia w tej konkretnej konfiguracji, ale wskazuje sposób myślenia: hybrydy mogą być łatwiejsze do przyjęcia niż pełne zastąpienie mięsa. Zamiast oczekiwać, że konsument przejdzie z wołowiny na czystą bazę grzybową, można projektować przejścia częściowe: mniej mięsa, więcej składników roślinnych lub grzybowych, zachowana struktura znanego produktu.
W literaturze o alternatywnych białkach powtarza się ten problem. Akceptacja zależy od smaku, tekstury, znajomości produktu, ceny, zaufania i neofobii żywieniowej. Sam argument środowiskowy rzadko wystarcza, gdy produkt sensorycznie odstaje od oczekiwań (Laureati et al., 2024).
5. Burger żywieniowy: prawie dwa razy lepszy wynik, słabsza przyjemność
Burger fasolowy był najlepszy żywieniowo. Healthy Eating Index wyniósł 63,12 wobec 33,71 dla Big Maca. Model poprawił zgodność z zaleceniami przez większy udział warzyw, pełnych ziaren i białka roślinnego oraz przez ograniczenie rafinowanych zbóż, sodu i tłuszczów nasyconych. Ślad środowiskowy był około sześciokrotnie niższy niż dla Big Maca (Tac, Gardner & Kuhl, 2026).
Problem pojawił się przy stole. Burger fasolowy dostał 3,8 za ogólne lubienie wobec 5,3 dla Big Maca, 4,0 za smak wobec 5,4 i 3,7 za teksturę wobec 5,2. Uczestnicy częściej opisywali go jako ziemisty, mdły, suchy, miękki i ziarnisty; rzadziej jako wytrawny lub mięsny (Tac, Gardner & Kuhl, 2026).
To klasyczny konflikt żywienia publicznego. Produkt może mieć lepszy profil składników, mniej tłuszczu nasyconego, więcej błonnika, więcej białka roślinnego i niższy ślad środowiskowy, a mimo to przegrywać w realnym wyborze. Ludzie nie jedzą wskaźnika HEI. Jedzą teksturę, smak, zapach, wspomnienie, cenę, wygodę i sytuację społeczną.
Wniosek dla projektowania żywności jest prosty: optymalizacja żywieniowa bez pracy nad teksturą i przyjemnością skazuje produkt na niszę. Wiele produktów „zdrowych” przegrywa z tego powodu. Są poprawne na poziomie tabeli, ale słabe na poziomie gryzienia. Model Stanfordu dobrze to ujawnia, bo liczbowo pokazuje, że żywienie i środowisko mogą iść w dobrą stronę razem, ale akceptacja sensoryczna stanowi osobną zmienną.
6. Dlaczego tekstura jest osobnym problemem
W burgerze tekstura jest niemal tak ważna jak smak. Wołowina daje sprężystość, włóknistość, soczystość, tłuszczowość, skórkę po smażeniu i aromat reakcji Maillarda. Fasola daje skrobiową, miękką, czasem suchą masę. Grzyby dają wilgotność, umami i ziemistość, ale mogą dawać nadmierną miękkość. Część różnic wynika z chemii, część z fizyki.
Artykuł Tac, Gardner i Kuhl koncentruje się na składnikach i gramaturach. Nie modeluje procesu kulinarnego. Ten sam zestaw składników może dać różne efekty zależnie od cięcia, odsączania, wiązania, temperatury, rodzaju patelni, czasu smażenia, strat wody, karmelizacji, emulsji sosu, stopnia rozdrobnienia i kolejności montażu. Autorzy musieli więc zatrudnić szefa kuchni, który przełożył listy składników na protokoły przygotowania, a następnie niezależna grupa kucharzy przygotowała burgery do testu (Tac, Gardner & Kuhl, 2026).
To ograniczenie jest bardzo ważne. Model zaprojektował receptury w reprezentacji składnikowej, a nie pełne procesy kulinarne. W żywności przetworzonej proces często decyduje o produkcie. Ekstruzja białek roślinnych, żelowanie, emulgacja, hydratacja, teksturyzacja, fermentacja, suszenie i smażenie mogą zmieniać właściwości bardziej niż sama lista składników. Pełny model projektowania jedzenia będzie musiał łączyć recepturę, proces, fizykę materiału, sensorykę i stabilność przechowywania.
Dlatego burger fasolowy z tej pracy nie jest końcem drogi. Jest punktem diagnostycznym. Pokazuje, gdzie model znalazł zdrową i niskoemisyjną recepturę, a gdzie technologia kulinarna musi poprawić suchość, ziarnistość i brak wytrawności.
7. Zdrowie, środowisko i smak rzadko maksymalizują się razem
Najcenniejszym elementem badania jest mapa kompromisów. Burgery smaczne były bliżej znanych kombinacji: mięso, tłuszcz, sos, sól, kwas, dymność, wilgotność. Burgery o niższym śladzie środowiskowym przesuwały się w stronę grzybów i roślin. Burgery żywieniowo lepsze przesuwały się w stronę fasoli, warzyw, pełnych ziaren i białek roślinnych.
Nie ma gwarancji, że maksimum smaku, minimum śladu środowiskowego i maksimum HEI znajdą się w tym samym punkcie. Czasem można poprawić dwa wymiary naraz. Burger fasolowy poprawił żywienie i środowisko, lecz przegrał sensorycznie. Burger grzybowy wygrał środowiskowo, lecz przegrał sensorycznie. Burgery projektowane pod smak wygrały smakowo, lecz nie były najlepsze żywieniowo i środowiskowo (Tac, Gardner & Kuhl, 2026).
To jest dokładnie ten typ problemu, w którym modele generatywne i optymalizacja wielokryterialna mogą mieć sens. Człowiek może intuicyjnie poprawiać przepis, ale przestrzeń 10^43 kombinacji jest zbyt duża na ręczne testowanie. Model może generować kandydatów, filtrować je według wielu wskaźników i przedstawiać kucharzowi lub technologowi żywności warianty do dalszej pracy. Takie narzędzie nie zastępuje degustacji, laboratorium, prawa żywnościowego ani kuchni. Skraca listę kandydatów.
W praktyce przemysł spożywczy od dawna działa podobnie, ale wolniej: formułuje warianty, testuje sensorycznie, mierzy koszt, stabilność, wartość odżywczą, dostępność składników, trwałość i proces produkcji. Model generatywny może przyspieszyć etap tworzenia hipotez. Największa różnica polega na tym, że AI może przeszukiwać receptury jako przestrzeń statystyczną, a nie serię pojedynczych pomysłów.
8. Personalizacja: obietnica i pułapka
Autorzy pokazali też możliwość generowania przepisów dostosowanych do profilu osoby. W demonstracji użyli dwóch profili: bardzo aktywnego 15-letniego chłopca o wzroście 180 cm i masie 80 kg oraz umiarkowanie aktywnej 70-letniej kobiety o wzroście 170 cm i masie 70 kg. Model uwzględniał wiek, płeć, masę ciała, wzrost i aktywność, a następnie tworzył receptury oceniane według spersonalizowanego profilu żywieniowego (Tac, Gardner & Kuhl, 2026).
To może być użyteczne w dietetyce, żywieniu instytucjonalnym, sporcie, opiece nad osobami starszymi, szpitalach i produktach gotowych. Inne potrzeby ma nastolatek w okresie wzrostu i dużej aktywności, inne osoba starsza z ryzykiem utraty masy mięśniowej, nadciśnieniem, mniejszym zapotrzebowaniem energetycznym i większym znaczeniem białka oraz mikroelementów.
Pułapka polega na pozornej precyzji. Profil oparty na wieku, płci, wzroście, masie i aktywności jest skromny. Realne żywienie zależy też od chorób, leków, funkcji nerek, lipidogramu, glikemii, preferencji, alergii, tolerancji przewodu pokarmowego, kultury jedzenia, budżetu, dostępu do produktów, umiejętności gotowania i celu zdrowotnego. Burger dostosowany do dwóch parametrów demograficznych nie jest jeszcze dietą spersonalizowaną w sensie klinicznym.
Najlepsza interpretacja: model pokazuje możliwość przekształcania zaleceń żywieniowych w konkretne receptury. To cenny pomost między tabelą norm a jedzeniem. Trzeba jednak dodać warstwę kliniczną, kulturową i behawioralną, zanim taka personalizacja stanie się narzędziem odpowiedzialnej dietetyki.
9. Dane treningowe jako granica smaku
Model trenował się na recepturach Food.com. To ogromna zaleta i poważne ograniczenie. Zaleta: przepisy są ludzkie, praktyczne i kulturowo osadzone. Ograniczenie: Food.com nie reprezentuje globalnej kuchni, wszystkich klas społecznych, wszystkich diet, wszystkich religii, wszystkich stylów gotowania ani wszystkich regionów. Dane są silnie przesunięte w stronę zachodniego rozumienia burgera.
Autorzy sami piszą, że model dziedziczy kulturowe, regionalne i czasowe odchylenia danych treningowych. Oznacza to, że „ludzki smak” w tej pracy oznacza raczej smak zapisany w określonym korpusie przepisów, a nie uniwersalną biologię gustu (Tac, Gardner & Kuhl, 2026). Burger z Food.com niesie historię amerykańskiej i zachodniej kuchni domowej, sieci fast food, dostępności składników, języka receptur i norm żywieniowych.
To ograniczenie ma znaczenie dla Polski. Polski burger miejski, burger domowy, burger z baru mlecznego, burger wegański z food trucka i kanapka z kotletem mielonym należą do innych układów kulturowych niż amerykański Big Mac. Model trenowany na polskich danych mógłby inaczej rozumieć akceptowalne składniki: kiszone ogórki, musztarda, cebula smażona, sos czosnkowy, kapusta, buraki, kasza, pieczarki, kotlet mielony, ser wędzony, chrzan, majonez, bułka pszenna lub żytnia. Smak jest statystyczny, ale statystyka zależy od społeczności.
Dla przemysłu spożywczego wniosek jest praktyczny. Model projektujący jedzenie musi być trenowany i walidowany lokalnie. Produkt akceptowany w San Francisco może nie działać w Łodzi, Seulu, Nairobi, Stambule albo São Paulo. Globalny algorytm smaku może uśredniać różnice, które dla konsumenta są bardzo ważne.
10. Big Mac jako zbyt łatwy i zbyt trudny punkt odniesienia
Big Mac jest dobrym benchmarkiem, bo jest znany. Jest też problematyczny. Po pierwsze, test porównywał receptury AI z komercyjnym fast foodem, a nie z burgerem najlepszej jakości przygotowanym przez dobrego kucharza. Przewaga nad Big Maciem nie oznacza przewagi nad najlepszym możliwym burgerem.
Po drugie, referencyjny Big Mac w badaniu został kupiony i podany w warunkach testu restauracyjnego. Fast food zmienia się z czasem od przygotowania. Temperatura, wilgotność bułki, stopień rozmoknięcia, czas transportu i sposób podania wpływają na ocenę. AI burgery były przygotowane według osobnych protokołów przez kucharzy. To praktycznie nieuniknione, ale trzeba o tym pamiętać.
Po trzecie, test z 101 osobami daje sensowną pierwszą walidację, lecz nie rozstrzyga o trwałej akceptacji rynkowej. Pojedyncza degustacja w ślepej próbie mierzy pierwsze wrażenie. Nie mierzy powtarzalnego zakupu, ceny, sytości, trawienia, zaufania do składników, efektu marki, dziecka proszącego o konkretny produkt, reklamy, opakowania i kontekstu społecznego.
Po czwarte, nie korygowano wyników dla wielokrotnych porównań, ponieważ autorzy traktowali testy jako zaplanowane i hipotezowe. To jest decyzja statystyczna możliwa do obrony, ale w publicznej interpretacji wyników trzeba zachować ostrożność (Tac, Gardner & Kuhl, 2026).
Wniosek: badanie jest mocnym dowodem możliwości technicznej i dobrą demonstracją procesu, ale nie zamyka pytania o komercyjny sukces AI żywności.
11. Jedzenie jako materiał
Ellen Kuhl wywodzi się z mechaniki i modelowania materiałów. To widać w sposobie myślenia. Burger jest tu traktowany jak obiekt projektowy: ma skład, strukturę, właściwości sensoryczne, wskaźniki środowiskowe i żywieniowe. W innej pracy Tac i Kuhl pokazują związek między modelami dyfuzyjnymi a projektowaniem materiałów, używając burgerów jako prostego przykładu przestrzeni projektowej (Tac & Kuhl, 2026).
To podejście może być bardzo płodne. Żywność jest biomateriałem. Ma skład chemiczny, strukturę wieloskalową, wodę, tłuszcz, białka, polisacharydy, kryształy soli, włókna, pory, emulsje, żele i powierzchnie po obróbce cieplnej. To, co nazywamy „smakiem”, powstaje z interakcji chemii aromatu, mechaniki gryzienia, tarcia, temperatury, śliny, słuchu, wzroku i pamięci (Spence, 2015).
Przemysł roślinnych zamienników mięsa ma z tym problem od lat. Łatwo zrobić produkt z białkiem roślinnym. Trudniej zrobić produkt, który ma odpowiednią soczystość, włóknistość, sprężystość, rozpad w ustach, powierzchnię po smażeniu i aromat. Badanie Stanfordu pokazuje wersję recepturową tego problemu, ale następny etap będzie wymagał modeli procesowych i fizykochemicznych.
Przyszły model żywności powinien przyjmować więcej danych: receptury, instrukcje gotowania, parametry obróbki, obraz przekroju, właściwości mechaniczne, profil lotnych związków aromatycznych, sensorykę panelową, koszt, alergeny, ślad środowiskowy, stabilność przechowywania i akceptację różnych grup konsumentów. Wtedy projektowanie jedzenia zacznie przypominać projektowanie materiału funkcjonalnego, którego funkcją jest przyjemne, bezpieczne i zdrowe zjedzenie.
12. Co to oznacza dla restauracji i przemysłu
Dla restauracji takie modele mogą działać jako generator hipotez. Szef kuchni może zadać ograniczenia: mniej wołowiny, więcej roślin strączkowych, niski koszt, brak soi, lokalne składniki, profil dla dzieci, wysoka zawartość białka, mniej sodu, większa soczystość, kuchnia polska. Model może wygenerować warianty, które kucharz przetestuje i poprawi.
Dla przemysłu spożywczego wartość jest większa. Firmy mogą testować tysiące wariantów receptur zanim wejdą do laboratorium. Mogą łączyć cele: koszt składników, dostępność dostawców, skład odżywczy, Nutri-Score, HEI, ślad środowiskowy, alergeny, stabilność, smak, tekstura, deklaracje etykietowe. Każdy z tych celów ogranicza przestrzeń. Model może proponować kandydatów znajdujących się blisko kompromisu, który człowiek potem weryfikuje.
Najbardziej prawdopodobny scenariusz nie polega na tym, że AI samodzielnie zastąpi kucharzy. Bardziej realny jest układ, w którym AI generuje receptury, technolog żywności sprawdza proces, kucharz poprawia sensorykę, dietetyk ocenia żywienie, zespół LCA sprawdza wpływ środowiskowy, a konsumenci oceniają produkt w testach. AI przyspiesza początek cyklu i poszerza zakres poszukiwań.
Dla polityki żywieniowej to może być narzędzie projektowania produktów o niższym sodzie, większym udziale roślin, lepszej akceptacji i mniejszym wpływie środowiskowym. Warunek: kryteria optymalizacji muszą być jawne. Model może projektować zdrowsze jedzenie, ale może też projektować jedzenie bardziej uzależniająco smaczne, tańsze i gorsze żywieniowo. Technika jest neutralna wobec celu. Cel wybiera instytucja lub firma.
13. Ryzyka: od smaku do manipulacji
Jeśli modele potrafią uczyć się preferencji, mogą projektować jedzenie lepiej dopasowane do ludzkiej przyjemności. To może służyć zdrowiu, gdy celem jest lepsza akceptacja warzyw, strączków, pełnych ziaren i alternatyw dla wołowiny. Może też służyć tworzeniu produktów nadmiernie atrakcyjnych sensorycznie, tanich, słonych, tłustych, słodkich i łatwych do jedzenia ponad głód.
Przemysł spożywczy od dawna optymalizuje smak. Modele generatywne mogą tę optymalizację przyspieszyć i uściślić. W przypadku burgera badacze uwzględnili żywienie i środowisko, więc kierunek był prozdrowotny i prośrodowiskowy. W realnym rynku cel może być inny: maksymalizacja powtarzalnego zakupu, kosztu marży albo czasu zatrzymania w aplikacji dostawczej.
Dlatego przyszłe zastosowania AI w żywności powinny być oceniane przez pryzmat celu optymalizacji. Pytanie brzmi: co model ma maksymalizować? Smak, rentowność, zdrowie, środowisko, koszt, trwałość, lokalność, bezpieczeństwo alergenowe, sytość, mniejszy sód, mniejsze emisje, większą akceptację dzieci? Każdy cel daje inne jedzenie.
Regulacyjnie ważna będzie też przejrzystość. Jeżeli produkt jest projektowany przez AI, konsument nie musi znać równań dyfuzji, ale powinien znać skład, alergeny, wartość odżywczą, pochodzenie danych środowiskowych i sens deklaracji. „Zaprojektowane przez AI” może stać się pustym hasłem marketingowym. Lepsze pytanie: jakie parametry poprawiono i jak to zmierzono?
14. Ograniczenia środowiskowych wyników
Ślad środowiskowy w badaniu jest porównawczy, a nie absolutny. Autorzy użyli danych globalnych i uśrednionych baz LCA. Takie bazy są potrzebne, ale nie oddają różnic między gospodarstwami, krajami, sposobem hodowli, energią, nawożeniem, transportem, stratami, sezonowością i praktykami rolniczymi. Wołowina z różnych systemów produkcji ma bardzo różne profile. Grzyby produkowane w różnych warunkach energetycznych też mogą się różnić (Tac, Gardner & Kuhl, 2026; Clark et al., 2022).
Jednocześnie ogólny kierunek jest zgodny z szerszą literaturą: produkty zwierzęce, zwłaszcza wołowina i jagnięcina, mają zwykle większy ślad środowiskowy niż produkty roślinne pod względem emisji, ziemi i części wskaźników oddziaływania. Duże porównania wskazują, że żywność pochodzenia zwierzęcego odpowiada za znacznie większe emisje niż roślinna, a transformacja systemu żywnościowego jest jednym z warunków ograniczenia presji środowiskowej (Xu et al., 2021; Springmann et al., 2018).
W praktyce model powinien w przyszłości pracować nie tylko na globalnych średnich, ale też na danych lokalnych. Burger w Polsce może mieć inny ślad niż burger w Kalifornii. Wołowina, pieczywo, ser, warzywa, energia restauracji, chłodzenie, transport i odpady różnią się regionalnie. Pełny model dla firm musiałby pozwalać na podstawienie własnego łańcucha dostaw.
15. Ograniczenia żywieniowego wyniku
Healthy Eating Index jest użytecznym wskaźnikiem zgodności z zaleceniami, ale nie jest pełną oceną zdrowotną produktu. Normalizuje skład do określonej energetyczności, uwzględnia grupy żywności i składniki do ograniczania, lecz nie obejmuje wszystkich aspektów: stopnia przetworzenia, sytości, indeksu glikemicznego w kontekście posiłku, tolerancji jelitowej, biodostępności, alergii, interakcji z chorobami, realnej porcji i wzorca diety całego dnia.
Burger fasolowy może mieć znacznie lepszy HEI niż Big Mac, a jednak być mało akceptowalny. Może też być zdrowym elementem diety dla jednej osoby i nieodpowiedni dla innej, np. przy specyficznych nietolerancjach, alergiach albo zaleceniach lekarskich. Model żywieniowy potrzebuje więc klinicznego i behawioralnego kontekstu.
Mimo tych zastrzeżeń kierunek jest dobry. Zbyt często żywność projektuje się najpierw pod smak i koszt, a zdrowie dopisuje później etykietą. W badaniu Stanfordu zdrowie jest formalnym kryterium projektowania. To zmienia kolejność pracy.
16. Polski wariant problemu
Polski rynek żywności ma dobry powód, aby śledzić takie badania. Mamy silną tradycję produktów mięsnych, rosnący rynek burgerów, szybki rozwój food service, zainteresowanie białkiem roślinnym oraz napięcie między ceną, zdrowiem i wpływem środowiskowym. Jednocześnie konsumenci często odrzucają zamienniki mięsa, jeśli mają złą teksturę, obcy smak, długą listę składników albo cenę wyższą niż produkt mięsny.
Model podobny do BurgerAI mógłby projektować polskie produkty przejściowe: burger z częściowym udziałem pieczarek, kaszy, fasoli, grochu, soczewicy, buraka, cebuli, kiszonego ogórka, musztardy, lokalnych przypraw i mniejszej ilości wołowiny lub wieprzowiny. Cel nie musiałby brzmieć „produkt wegański”. Mógłby brzmieć: 30% mniej mięsa, podobna akceptacja, mniej tłuszczu nasyconego, więcej błonnika, niższy koszt, składniki dostępne lokalnie.
Takie podejście może być skuteczniejsze społecznie niż oczekiwanie gwałtownej zmiany diety. Duża część konsumentów nie chce rezygnować z kategorii znanego jedzenia. Może jednak zaakceptować produkt, który jest znajomy, trochę lżejszy, nadal smaczny i dostępny cenowo. Modele generatywne mogą pomóc znajdować właśnie takie stopniowe przejścia.
17. Co badanie mówi o przyszłości żywności
Praca Tac, Gardner i Kuhl nie jest tylko historią o burgerach. Burger jest modelem systemu. Ma wiele składników, znane oczekiwania sensoryczne, silną kulturę, duży wpływ środowiskowy przez wołowinę i pole do poprawy żywieniowej. To idealny obiekt testowy dla metody.
Analogiczne podejście można zastosować do kanapek, dań gotowych, zup, sosów, deserów, posiłków szkolnych, żywności szpitalnej, batonów, produktów dla seniorów, żywności sportowej, posiłków wojskowych i produktów dla osób z ograniczeniami dietetycznymi. W każdej kategorii istnieje przestrzeń składników, procesów i ograniczeń.
Największa wartość AI w żywności może pojawić się tam, gdzie człowiek nie ma dobrych intuicji o kompromisach. Kucharz dobrze czuje smak. Dietetyk dobrze ocenia część składników. Technolog zna proces. Analityk LCA zna środowisko. Konsument zna własną akceptację. Model może połączyć te warstwy w jeden system kandydatów, który potem trzeba sprawdzić empirycznie.
To ostatnie jest warunkiem. Jedzenia nie da się zatwierdzić wyłącznie symulacją. Trzeba je ugotować, zjeść, zmierzyć, przechować, wycenić, podać różnym ludziom i sprawdzić w realnym kontekście. Badanie Stanfordu zrobiło ważny krok, bo nie poprzestało na generowaniu przepisów. Zorganizowało test sensoryczny. Przyszłe prace powinny dodać większe próby, różne kraje, powtarzalność przygotowania, dłuższe testy konsumenckie i realną cenę produktu.
18. Wniosek
Badanie ze Stanfordu pokazuje, że receptury są danymi o ludzkim smaku. Model dyfuzyjny, uczony na tysiącach ludzkich przepisów, potrafi odtworzyć kulturowo znany burger i tworzyć nowe warianty oceniane przez ludzi równie dobrze albo lepiej od punktu odniesienia. Potrafi też przesuwać receptury w stronę niższego śladu środowiskowego lub lepszego profilu żywieniowego, choć wtedy pojawia się koszt sensoryczny (Tac, Gardner & Kuhl, 2026).
To jest dobra lekcja dla przyszłości żywności. Samo obniżenie emisji nie wystarczy, jeśli produkt będzie ziemisty i miękki. Samo poprawienie wskaźnika żywieniowego nie wystarczy, jeśli burger będzie suchy, mdły i ziarnisty. Sam smak nie wystarczy, jeśli produkt pogarsza dietę i presję środowiskową. Trzeba projektować jedzenie jako układ wielu celów.
AI może pomagać w takim projektowaniu, ponieważ widzi przestrzeń receptur szerzej niż pojedynczy kucharz i szybciej niż klasyczna metoda prób. Jej propozycje pozostają hipotezami. O wyniku decydują kuchnia, sensoryka, zdrowie, środowisko, koszt, kultura i powtarzalność. BurgerAI nie kończy pracy nad jedzeniem. Daje narzędzie do zadawania lepszych pytań: jaka receptura zachowa przyjemność, ograniczy szkody i pozostanie jedzeniem, które ludzie naprawdę wybiorą?
Źródła
Clark, M., Springmann, M., Rayner, M., et al. (2022). Estimating the environmental impacts of 57,000 food products. Proceedings of the National Academy of Sciences, 119(33), e2120584119.
Laureati, M., Delgado, A. M., De Boni, A., Sinesio, F. (2024). Determinants of consumers’ acceptance and adoption of novel food in view of more resilient and sustainable food systems in the EU: a systematic literature review. Foods, 13(10), 1534.
Spence, C. (2015). Multisensory flavor perception. Cell, 161(1), 24–35.
Springmann, M., Clark, M., Mason-D’Croz, D., et al. (2018). Options for keeping the food system within environmental limits. Nature, 562, 519–525.
Tac, V., Gardner, C. D., Kuhl, E. (2026). Generative artificial intelligence creates delicious, sustainable, and nutritious burgers. npj Science of Food, 10, 199. DOI: 10.1038/s41538-026-00953-x.
Tac, V., Kuhl, E. (2026). Generative AI for material design: A mechanics perspective from burgers to matter. Computer Methods in Applied Mechanics and Engineering, 461, 11971.
U.S. Department of Agriculture. (2024). FoodData Central. Agricultural Research Service.
U.S. Department of Agriculture. (2024). Food Patterns Equivalents Database. Agricultural Research Service.
Xu, X., Sharma, P., Shu, S., et al. (2021). Global greenhouse gas emissions from animal-based foods are twice those of plant-based foods. Nature Food, 2, 724–732.