AI v potravinářství: jak vzniká rostlinný sýr

Většina lidí si myslí, že největší problém rostlinných sýrů je „chuť“. Já tvrdím, že je to data. Bez nich se i nejlepší model strojového učení chová jako auto v zimě: nastartuje, ale cuká, zhasíná a nedá se na něj spolehnout. V AI má tenhle moment jméno – cold start problém.

Právě cold start je důvod, proč spousta firem v potravinářství pořád jede metodou „zkusíme, uvidíme“. Jenže v roce 12/2025 už tenhle přístup začíná být drahý luxus. Tlak na ceny surovin, energie, uhlíkovou stopu a stabilitu dodavatelských řetězců zvyšuje očekávání: inovace musí být rychlejší, opakovatelné a měřitelné.

Příběh, který stojí za to sledovat v rámci série Umělá inteligence v zemědělství a potravinářství, je případ firmy, která si řekla: „Nejdřív popíšeme, jak funguje živočišný produkt, a teprve pak ho budeme napodobovat z rostlin.“ Výsledek? Modely, které pomáhají navrhovat rostlinné sýry (brie, feta, modrý sýr nebo kozí styl) tak, aby se chovaly „správně“ – tedy nejen chutnaly, ale i tály, táhly se, voněly a měly správný mouthfeel.

Cold start problém v AI: proč potravinářství často zůstává u pokusů

Cold start problém znamená jednoduchou věc: bez kvalitních dat se model nemá z čeho učit. V recommender systémech je to typicky problém „nemáme historii kliků“. V potravinářství je to ještě tvrdší: nemáte-li data o tom, proč se určitý produkt chová tak, jak se chová, AI vám neřekne, čím ho nahradit.

V praxi to vede k tomu, že vývoj alternativních potravin často vypadá jako nekonečné ladění receptur:

• „Zvedněme škrob, ať je to pevnější.“
• „Přidejme kokosový tuk, ať to víc voní.“
• „Zkusme jinou fermentaci, třeba to přestane být gumové.“

Tenhle přístup není vyloženě špatně. Má ale strop. Kombinační prostor surovin je obří: stovky až tisíce možných ingrediencí, různé úpravy (teplo, tlak, enzymy, fermentace) a nekonečně kombinací poměrů. Lidská intuice je skvělá v kuchyni. V laboratoři, kde řešíte stovky parametrů, je to slabé místo.

AI dává největší smysl tam, kde je příliš mnoho kombinací na to, aby je člověk rozumně prozkoumal pokusem a omylem.

Jak se „učí“ sýr: nejdřív popsat živočišný originál

Nejlepší trik proti cold startu tady není „nasbírat víc dat o rostlinách“. Je to protiintuivní: začněte u živočišných produktů.

Proč databáze o sýru (paradoxně) chybí

Mohlo by se zdát, že potravinářský svět musí mít perfektně popsané, z čeho se skládá chuť a textura sýra. Realita je prozaičtější: dlouho k tomu nebyl silný obchodní důvod. Sýr fungoval, lidé ho kupovali, dodavatelské řetězce byly stabilní.

Jakmile ale firmy začaly řešit náhrady mléčných výrobků (kvůli udržitelnosti, alergiím, ceně i strategické nezávislosti), nastal problém: abyste něco napodobili, musíte tomu umět dát „štítky“.

Co znamená „označit“ sýr pro strojové učení

Model potřebuje popis cíle. Ne ve stylu „chutná to dobře“, ale ve stylu měřitelných atributů. Typicky:

• tavitelnost (kdy a jak se produkt rozpouští)
• elasticita a tažnost (stretch při teple)
• křehkost vs. krémovost (textura při skusu)
• aromatický profil (těkavé látky, „sýrovost“)
• slaná/umami rovnováha
• pocit v ústech (mouthfeel) – mazlavost, „voskovitost“, zrnitost

Jakmile máte kvalitně popsaný živočišný produkt, AI může řešit užitečnou otázku: Jaké rostlinné stavební bloky a procesy vyrobí stejný funkční výsledek?

Proč nehledat „chemicky identickou“ náhradu: funkce je důležitější než kopie

Velká chyba, kterou v potravinářských inovacích vidím pořád dokola, je posedlost „najděme v rostlinách stejný protein“. Jenže potraviny nejsou jen seznam molekul. Jsou to systémy: struktura, emulze, sítě bílkovin, tukové krystaly, voda vázaná v matrici.

V praxi často stačí, aby se ingredience chovala podobně, i když je chemicky odlišná. To je klíčové pro rychlost vývoje.

AI jako nástroj na hledání nečekaných kombinací

Tam, kde člověk intuitivně sáhne po jedné „hvězdné“ ingredienci, model často navrhne kombinaci tří až pěti běžnějších komponent, které dohromady vytvoří potřebnou funkci.

Typické příklady funkčních „pák“ u rostlinných alternativ (bez toho, abychom sklouzli k jedné univerzální receptuře):

• strukturotvorba (vláknina, bílkovinné izoláty, gely)
• tuková fáze (profil tání, krystalizace)
• emulgace (stabilita při teple)
• fermentace a enzymy (aroma, „zralost“, štiplavost u modrých sýrů)
• minerální rovnováha (sůl, vápník – vliv na texturu)

AI v roli „designéra“ navrhuje kandidáty, ale pořád platí: bez laboratorní validace je to jen návrh. Dobrý tým proto staví smyčku model → prototyp → měření → zpětná vazba.

Co si z toho může vzít zemědělství: data nevznikají sama

Téma rostlinného sýra je potravinářské, ale dopad míří zpátky do zemědělství. Pokud bude poptávka po určitých funkčních surovinách (specifické bílkoviny, vlákniny, oleje), zemědělci a zpracovatelé budou potřebovat odpovědět na otázky:

1) Jaké odrůdy a jaké pěstební podmínky dávají „správnou“ funkčnost?

Nejde jen o výnos. Pro potravinářství je často důležitější:

• složení (např. profil aminokyselin, obsah škrobu)
• variabilita mezi šaržemi
• funkční vlastnosti po zpracování

Tady se přirozeně potkává precizní zemědělství a AI v potravinářství: data z pole (půda, počasí, hnojení) se propojují s daty z výroby (funkčnost, stabilita, chuť).

2) Jak budovat dataset, když žádný neexistuje

Cold start v agri/food projektech se dá řídit, když si nastavíte realistický plán sběru dat. V potravinářství se mi osvědčily tři zásady:

1. Začněte cílem, ne senzorem. Nejdřív definujte, co chcete predikovat (tavitelnost, textura), až pak měřte.
2. Standardizujte protokoly. Bez stejného postupu měření budete mít „šum“ místo signálu.
3. Sbírejte negativní příklady. Data typu „tohle nefungovalo“ jsou pro model často stejně cenná jako úspěchy.

3) Proč je rychlost iterace rozhodující

V článku, který inspiroval tento post, zaznívá tvrdá, ale pravdivá věc: vytvořit dobré modely může trvat roky, někdy i desetiletí, pokud tým nemá zkušenost a dobře navrženou datovou strategii. V roce 2025 ale vyhrávají ti, kdo umí iterovat rychle:

• krátké cykly prototypování
• automatizovaná měření
• disciplína v datové kvalitě

AI v potravinářství není magie. Je to disciplína: definice cíle, data, experiment, validace.

Praktický checklist: jak začít s AI vývojem nové potraviny

Pokud pracujete ve výrobě potravin, vývoji produktů nebo jste startup v oblasti alternativních surovin, tohle je „neokecatelný“ základ:

1. Vyberte 1 produkt a 3–5 klíčových atributů. Např. „rostlinná feta“ a atributy: drobivost, slanost, kyselost, stabilita v salátu, cena za kg.
2. Navrhněte měření, které jde dělat často. Lepší je jednodušší měření 200× než perfektní měření 5×.
3. Založte datový slovník. Co přesně znamená „krémovost“ ve vašem týmu? Jak se zapisuje?
4. Postavte první baseline bez AI. Ať víte, co má AI překonat.
5. Zaveďte experimentální smyčku. Každý prototyp musí vrátit data zpět do systému.

Tenhle checklist je nudný. A přesně proto funguje.

Co bude dál: AI navrhuje potraviny, zemědělství dodává „funkční“ suroviny

Rostlinný sýr je jen jeden produkt. Pointa je širší: AI posouvá potravinářství od receptů k inženýrství vlastností. To je pro celý obor zásadní změna.

V rámci série Umělá inteligence v zemědělství a potravinářství to zapadá do stejné logiky jako predikce výnosů nebo monitoring plodin: kdo má kvalitní data a umí je propojit napříč řetězcem, bude vyrábět stabilněji, levněji a s menším rizikem.

Pokud uvažujete o AI ve vývoji potravin (nebo v navazujících zemědělských komoditách), dávám jednu sázku: největší náskok nezíská ten, kdo má „nejchytřejší model“, ale ten, kdo nejrychleji postaví dataset, který dává smysl.

Co je váš „cold start“ právě teď – nedostatek měření, chybějící definice kvality, nebo to, že data máte, ale nejsou propojitelná napříč výrobou?