Cinque hamburger pensati da un'intelligenza artificiale e preparati da chef professionisti sono stati assaggiati da 101 volontari in un ristorante di San Francisco. In test in cieco contro il Big Mac, hanno ottenuto un gradimento pari o superiore. Il sistema si chiama BurgerAI, è stato sviluppato all'Università di Stanford e segna il passaggio dell'intelligenza artificiale dalla previsione alla progettazione.
Dalla previsione alla progettazione del cibo
Per anni gli algoritmi applicati al food design si sono limitati a suggerire ricette esistenti, classificare ingredienti o prevedere le preferenze dei clienti dei supermercati. Il sistema sviluppato al Living Matter Lab dell'Università di Stanford, descritto in Generative AI creates delicious, sustainable, and nutritious burgers (npj Science of Food) e in un secondo paper su Computer Methods in Applied Mechanics and Engineering, ribalta lo schema.
Partendo da oltre 2.000 ricette di hamburger tratte da Food.com, il modello apprende come gli ingredienti si combinano in termini di gusto, consistenza, profilo nutrizionale e impronta ambientale. Poi genera ricette del tutto nuove, calibrate su sesso, età, attività fisica e obiettivi di sostenibilità del singolo consumatore. È un approccio generativo, non descrittivo: la rete non sceglie tra opzioni esistenti, le crea. Addestrato senza istruzioni esplicite, il modello ha persino ricostruito da solo la formula classica del Big Mac a partire dai soli pattern statistici del dataset.
«Per secoli la progettazione degli alimenti è stata una questione di intuizione, esperienza, tentativi ed errori», ha dichiarato la coordinatrice degli studi, Ellen Kuhl. La differenza con le applicazioni precedenti dell'IA al cibo è il passaggio da reti neurali predittive a sistemi generativi vincolati, che ottimizzano contemporaneamente più funzioni obiettivo.
Impatto ambientale dieci volte minore, nutrizione raddoppiata
Dei cinque hamburger creati da BurgerAI e preparati da chef professionisti, tre in particolare hanno mostrato risultati che cambiano il quadro nel test di assaggio. Le due varianti del Delicious Burger, progettate per massimizzare il piacere sensoriale, hanno ottenuto valutazioni pari o superiori al Big Mac nei confronti in cieco. Il Mushroom Burger ha abbattuto le emissioni e il consumo di risorse di oltre un ordine di grandezza: dieci volte in meno su un singolo pasto. Il Bean Burger ha quasi raddoppiato il punteggio nutrizionale a parità di gradimento sensoriale.
Il punto interessante non è la singola ricetta. È la dimostrazione che un modello generativo addestrato su poche migliaia di esempi può esplorare uno spazio combinatorio quasi infinito e individuare ricette realizzabili in cucina che soddisfano contemporaneamente vincoli contrastanti: gradevolezza al palato, costo ambientale, profilo nutrizionale, vincoli di età e genere del consumatore. È la stessa logica con cui i farmacologi cercano molecole candidate o gli ingegneri ottimizzano leghe metalliche, applicata al pranzo.
Dai farmaci ai materiali: la trasferibilità del metodo
L'aspetto più rilevante per chi segue la ricerca biomedica è la trasferibilità dell'architettura. Lo stesso impianto matematico che ha selezionato gli ingredienti del Bean Burger può, in linea di principio, suggerire formulazioni di farmaci o composizioni di materiali compositi. Gli autori lo scrivono esplicitamente: il modello è un'impalcatura generale per problemi in cui occorre conciliare prestazione, costo e vincoli biologici.
Sul versante sanitario il filone della medicina di precisione è già attivo, come mostra la mappa di 300 malattie genetiche curabili in epoca prenatale: la nutrizione di precisione può affiancarsi a quella linea calibrando apporto calorico e micronutrienti sul profilo del singolo paziente. La stessa logica vale per la longevità, dove gli studi sui 64 geni associati all'invecchiamento cerebrale aprono la strada a regimi alimentari mirati per ridurre il declino cognitivo, e per il benessere prenatale, dove l'approccio individualizzato emerge anche dagli studi sulla musica come supporto alla salute mentale delle madri in gravidanza.
Per i ricercatori di Stanford il prossimo passo è applicare la stessa architettura a problemi di farmacologia e ingegneria dei materiali, allargando il dataset oltre le 2.000 ricette di partenza.