AI接棒酸奶开发，效率提升之外还有哪些潜在意义？ 每日播报

“

AI与机器学习渗入食品研发，将会给市场带来怎样的变化？

数年前，正值新消费新零售大潮风起云涌，众多行业大咖纷纷预言：所有行业都值得在新商业环境下重做一遍。如今，人工智能成为时代新动能，食品行业由此迎来革新升级的新契机。

(资料图片)

从早期的智能物流、智能包装，智慧工厂（农场），到近几年从海量社交信息中提炼消费偏好、通过图像分析评判食物营养价值，再到设计功能蛋白质、高效寻找新型活性成分......人工智能在食品行业的应用愈加深入，带动原辅料开发、配方设计、加工技术等产业创新中的核心环节运营效率迅速提升。

去年10月，帝斯曼利用人工智能平台Culture Co-Creation Platform开发发酵乳组合菌种，在全球食品行业中率先将AI应用于发酵乳研制中。据了解，该平台将 DSM 的专业知识与机器学习相结合，大幅度降低菌种培养选择过程中的试验复杂性，提高了企业发酵乳开发的准确性和速度。

5月14-16日，由Foodaily每日食品主办的Foodaily FBIC全球食品饮料创新大会在上海跨国采购会展中心成功举办。在5月15日的乳品分论坛上，来自帝斯曼食品营养与科技亚太区的洞察与概念开发经理郁祺利分享了“AI与机器学习将如何改变酸奶研发创新”，详细介绍了人工智能提升酸奶开发效率的奥秘。

迭代、迭代：

一杯AI酸奶的底层逻辑

很难想象，一篇文章与一杯酸奶会有相似之处？但在引入人工智能开发思路时，二者的相似性就显得尤其重要。

一篇文章中包含了大量文字，通过组合表达出事实与观点。而在一杯酸奶中，大量乳酸菌繁殖，形成酸奶的质构与风味。从量变到质变，这是二者的第一个相似点。

其次，文章中包含了大量语法，主语、谓语、宾语，它们在文章中起到不同的作用。在酸奶中，不同的乳酸菌种发挥着不同的作用：有些对酸奶的稠度（黏度）做出贡献，有些则形成特定的风味。

第三，文字之间互相影响，在使用时要考虑到这种“相生相克”特性。比如不能同时用高和矮两个形容词来描述一个人。在乳酸菌发酵过程中，同样存在菌株之间的“共生”或“拮抗”作用。无论是传统的“保加利亚乳杆菌+嗜热链球菌”二元组合，还是如今频频出现的多菌株发酵（一般会使用4种以上菌株），都必须考虑菌株之间的“相生相克”。

帝斯曼将AI酸奶菌种研发流程概括成5个步骤。首先，需要将酸奶的各项关键指标量化，比如黏度、酸度、发酵速度、所产生的特征风味物质浓度等等。把这些条件输入AI系统，系统会从已经建立起的菌株库中筛出一批明显不可能达成这些发酵乳目标的菌株，然后剩余菌株就会进入程式迭代优化的过程中。

图片来源：帝斯曼

对给出的每一个菌种配方，帝斯曼都会将发酵测试结果反馈给系统，系统再根据此结果进行调整，直至选出接近目标的配方。第四步进入放大生产环节，继续验证菌种配方在工业化规模上的适配性。最后将满足条件的发酵菌种方案交给客户。

很明显，第三步 迭代优化 最为关键。

在帝斯曼看来，传统的酸奶发酵剂研发由于菌株间相互作用的不确定性，其实是 一 个不断试错的过程。 但通过机器学习，研发人员能通过迭代的方式不断逼近目标值而不需要搞清楚菌种间具体的相互作用。

比如，要开发一款黏度大于18500mPa*s的酸奶。首先，AI系统在不考虑菌种相互作用的情况下，会给出设计配方的黏度预测值（上图中间虚线），同时还会给出预测值误差的分布区间。黏度大于18500这个限定条件，反映到图上就是右侧的灰色区域，灰色区域面积除以整个曲线所覆盖的面积，即相当于这个配方成功的概率值。

图片来源：帝斯曼

帝斯曼在系统给出的一系列配方中，将成功概率最大的那个配方拿去进行发酵测试。酸奶实际的黏度值虽不一定是预测值或目标值，但实际结果对系统的反馈可以帮助程序对算法进行修正，随后重复系列配方设计，仍然按照上面的原则进行配方验证筛选。多次循环之后，我们可以看到这条正态分布曲线会慢慢变窄，曲线下的覆盖面积变小即预测精度不断的提高，同时预测值逐渐逼近目标值，配方的成功概率变大。

当然，酸奶的评测指标并不止黏度一个参数，还包括了后酸度等其他指标。AI会分别对配方结果进行预测，引入发酵流程的配方最终是综合概率最高的方案，总体判断逻辑并未改变。仍然能够通过一定次数的迭代后，找到同时满足多个参数要求的菌种组合。

帝斯曼表示：除了菌种本身对酸奶的影响，这一AI研发系统未来还会将酸奶生产中普遍使用的稳定剂、营养强化剂、酶制剂等带来的影响一并考虑，让AI给出的菌种组合能适应多元的乳企生产需求。

共创型研发与货架期延长：

AI模式为酸奶带来的非显性变革

加快菌种配方的开发速度，这是AI技术为酸奶行业带来的最显性改变。速度提升之后，又会引发哪些关联变化呢？

首先，以产品特征参数为导向的开发过程，减少了由于频繁试错造成的时间资源损耗。乳品研发人员有更多精力考虑菌种之外的产品创新。

其次，AI开发模式会有助于形成 “共创型研发”。 传统开发模式下，新的菌种配方从原料端（一般为食品配料企业），到乳企研发端，再到乳企市场端确认采纳，往往是线性流程。而在AI系统的逻辑下，消费者需求（风味，质构，辅料，营养等）的参数化是研发的起点，此时原料、研发、市场三方都将在第一时间参与产品的研发。

图片来源：帝斯曼

第三，AI系统给出的菌种配方是人工难以复刻的、高度定制化的，这也成为乳企实现产品差异化的根本。

由于AI加持下可以尝试多种菌株的组合，在设计酸奶产品时，还可以同步考虑产品货架期的延长，如加入一些能够抑制霉菌和酵母菌生长的特定乳酸菌。

帝斯曼表示：目前，国内几乎所有菌种公司都是将酸奶发酵体系与生物保护体系独立运行，导致酸奶发酵剂的配方设计很难二者兼顾。生物保鲜能力越强的菌株，通常对酸奶风味影响也越大。延伸到乳企端，就使得延长酸奶货架期变得困难重重。一方面要考虑到生物保鲜剂对产品风味（特别是后酸度）的不利影响，另一方面也要考虑添加生物保鲜剂，所带来生产、仓储等环节上的调整，以及成本的增加。因此，对乳企而言，不牺牲风味的货架期延长是一个难以实现的“美好愿景”。

图片来源：帝斯曼

而在AI开发体系下，生物保鲜菌种的发酵能力被充分被纳入整个发酵体系中进行迭代优化。从过去“段落间的拼凑”，到现在“将两篇文章合并成一篇”，产品的表现更加自然流畅，竞争力更强。

从Delvo®One到Delvo®Fresh Pioneer：探索更多类型的AI酸奶演讲中，帝斯曼分享了一个AI开发模式在南美洲应用的成功案例。

YS-141B是一款深受南美消费者喜爱的酸奶发酵菌株且有延长货架期的需要。为了验证AI模式开发出的菌种能否达到或超过已有的优秀菌种，帝斯曼将通过AI迭代后得到的Delvo®One 系列作为实验对象，在不同温度、储存时间条件下，对比酸奶的风味表现。为了消除“背景差异”，帝斯曼将YS-141B与生物保鲜菌株人工复配在一起，作为中间方案。

从pH对比图中可见：AI给出的菌种配方在酸奶货架期晚期，以及高温储存情况下，与原始发酵菌株的风味表现几乎一致。

图片来源：帝斯曼

酸奶的pH值能够在一定程度上反映出风味变化。pH值变化的一致性，保证了新菌种发酵酸奶的风味稳定性。

图片来源：帝斯曼

而新菌种相比纯发酵菌显著增强了对杂菌污染的抵抗力，这时帝斯曼为客户提供了更多选择：在冬季储运温度较低时，可以直接用纯发酵剂；而到了夏季，希望加强生物保鲜作用时，就可以使用“发酵菌+生物保鲜菌株”的方案，而无需担心不同方案带来口感变化。

基于同样的开发逻辑，帝斯曼也在探索在更多类型酸奶中应用AI开发模式。

Delvo®Fresh Pioneer是帝斯曼全新上市的高质构表现力，低后酸，风味纯净的酸奶发酵菌种，未来AI研发系统有望在Delvo®Fresh Pioneer的基础上优化引入特殊的香气与风味，帮助企业打造更美味的产品。潜在方向包括不局限于酸奶奶酪风味强化，果味强化，地域特色产品的本土化风味改良。

总结

尽管帝斯曼的AI开发系统目前专注于发酵乳菌种的研究，但Foodaily相信：随着食品行业加大对于人工智能研发系统的投入力度，未来将会有更多的食品类型可以借助AI系统实现本质上的优化与创新。而全球各地的美味食品，也将在AI技术的推动下，以更适合中国人胃口的方式，出现在亿万消费者的餐桌上。

人工智能，正在掀起研发模式的变革大潮。传统的研发工程师们，如何在这场变革中找到新的定位？如果大家对这个话题感兴趣，欢迎在文末留言，发表您的真知灼见。