本周,法国乳制品巨头Bel Group宣布与Climax Foods建立合作伙伴关系。Climax Foods是一家AI驱动的食品初创企业,由前谷歌数据科学负责人兼天体物理学家Oliver Zahn创立。
此次合作希望借助人工智能的力量为传统乳制品开发植物基替代品,确保新产品继续保持与动物基乳制品相同的味道、口感和营养成分。
Bel Group公司 CEO Cécile Béliot表示,此次合作是该公司联合创新战略的典型案例,希望将Climax Foods的AI平台与专业知识同Bel在乳制品行业的长期经验积累结合起来。
就在去年,食品行业已经出现过类似的合作先例。卡夫亨氏公司与NotCo宣布合作,后者同样以AI科技为业务核心,希望探索生产植物性乳品、肉类、奶酪及其他蛋白质替代产品。
卡夫亨氏CEO Miguel Patricio强调,双方建立的合资企业“是我们产品组合转型的关键一步,也是对我们品牌价值设计能力的重要补充。此举有助于实现我们的愿景,即为消费者提供更清洁、更环保、更美味的产品。我们相信NotCo提供的技术正彻底改变食品行业的运转思路,能够以更简单的成分创造出美味的植物性食品。”
但这波趋势因何而起?为什么全球多家食品业巨头纷纷选择与AI初创新贵联手?
这些合作项目的背后拥有双重驱动力:一方面是要解决大企业可持续发展的战略目标,另一方面则是破解传统食品生产中的种种局限性。例如,Bel Group希望乳制品与植物性产品之间实现“五五开”的完美平衡;Béliot则强调“探索新领域、开发创新解决方案,为所有人定义出新的食品发展前景。”
卡夫亨氏企业战略部门总监David Shaw回应了这些观点,指出该公司正努力在不影响口味的前提下,实施更具可持续性的农业实践方法。“我们不能阻止人们继续消费肉和奶制品,我们唯一能做的就是将有益于地球和身体健康的成分与风味,更多融入消费者的日常生活。”
但更大的挑战在于,这些大公司往往不具备发现有助于激发公众想象力的新型食品主材的能力。食品巨头们明显更擅长推动渐进式变革——通过引入新口味、减少碳水化合物比例和脂肪含量等改善现有产品,但这种打补丁式的改良效果终究有限。毕竟经过半个多世纪的经验和工艺延续,食品巨头们对于传统食品生产方法已经产生了级为严重的路径依赖。
AI健康创业公司Nuritas首席医疗创新官Andrew Franklyn-Miller表示,传统食品品牌和医疗保健行业一直在努力将消费者引导向更健康、更可持续的替代品。在他看来,AI驱动的发现能够与实验室研究成果相结合,以前所未有的方式释放天然营养素的潜力。
Franklyn-Miller在最近的采访中强调,“如果没有AI,我们能做到这一切吗?至少就之前的情况看,恐怕是不行。我们虽然意识到高脂肪含量食物的危害,也意识到了高碳水比例食品的问题,但从广义上讲,新产品中的营养素配比并没有多少实质性的改善。”
Franklyn-Miller补充道,药品并不是解决问题的好办法,更多应当将实验室的研究成果跟神经网络驱动的AI工具相结合,找到有益于环境和人体健康的天然来源营养素。
“我们都知道,考虑到药品可能带来的种种副作用,很多人并不喜欢长期服药。但如果不能融合实验室中的生物学研究和发现,我们就没法释放自然资源中的全部潜力。所以我认为,考虑到营养策略本身的极高计算复杂性,我们必须依靠AI的力量。”
而食品业巨头的优势在于巨大的业务规模。虽然Cimax Foods、Shiru、NotCo等初创公司能够利用AI等新兴工具改造传统食品发现方法,但却缺乏能够适应大众消费需求的生产原料和成品制作资源。因此,他们必然需要联手更有经验的合作伙伴以将业务思路转化为现实。
在这些环节中,老牌大厂同样有其局限性。因为一旦发现了新的营养物质和可用食材,相应的成分和食物成品往往涉及新的生产方法——例如精准发酵、细胞培养甚至分子农业。为了弥合其中的技术差距,知名食品企业必须与在这些新兴领域拥有知识产权和专业积累的年轻公司建立起合作关系。
食品行业正处于老牌大厂争相转型的关键时期。巨头们对替代性蛋白质的早期探索可谓喜忧参半,部分公司已经决定停产,也有一些公司决定收缩创新和研究计划。
但也有一些大企业决定继续坚持下去,也正是他们在积极寻求AI技术的帮助,希望开发出具备可扩展性的新型食品产能。而谁能不忘初心、在这条道路上走得更快更稳,谁就将引领整个食品行业的未来发展。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。