Традиционный процесс разработки новых удобрений, ингредиентов или упаковочных материалов часто занимает десятилетия и характеризуется низкой эффективностью. Стартап Atinary создал автоматизированную лабораторию, где алгоритм Falcon AI на базе байесовской оптимизации генерирует планы экспериментов, роботы их выполняют, а система сразу анализирует результаты, работая круглосуточно.
Что происходит
Платформа Atinary сократила исследовательский цикл до нескольких недель: совместно с инициативой SwissCat+ ETH Zurich команда за шесть недель нашла оптимальный катализатор для преобразования CO₂ в метанол, тогда как обычный подход требовал бы около 100 лет исследований. Совместно с ABB Robotics, Mettler‑Toledo и Agilent разработана автономная «Self Driving Lab», способная проводить от 200 до 400 экспериментов в день, что соответствует объёму данных пятилетнего PhD‑исследования.
Почему это важно
Крупные агробизнесы уже используют аналогичные инструменты. Cargill внедряет AI в сенсорную науку и форму‑лирование, ускоряя цикл разработки и повышая точность предсказаний потребительских предпочтений для биотоплива и заменителей красителей. Партнёрство с Voyage Foods по созданию шоколадной альтернативы NextCoa показывает, как цифровые модели позволяют оценивать принимаемость продукта на ранних стадиях, экономя время и ресурсы. CDMO IdeeLab в Бразилии разрабатывает биологические средства защиты, учитывающие региональные условия, что ускоряет вывод их на рынок и повышает эффективность.
Что дальше
Автоматизация и AI‑поддержка R&D в агросекторе меняют распределение задач: учёные определяют проблемные зоны, машины проводят эксперименты. Ожидается, что подобные решения появятся в других областях питания и сельского хозяйства, ускоряя инновации и делая их более масштабируемыми.