В обзоре систематизированы современные подходы к применению методов искусственного интеллекта для поиска, отбора и предварительной технологической оценки биологически активных веществ при проектировании функциональных пищевых продуктов. Рассмотрены машинное обучение, QSAR/QSPR-моделирование, виртуальный скрининг, сочетание молекулярного докинга с алгоритмами машинного обучения, графовые модели и методы объяснимого искусственного интеллекта. Показано, что цифровой скрининг особенно перспективен для биоактивных пептидов, полифенолов, пищевых и микробных метаболитов, пробиотических и пребиотических систем. При этом результат вычислительного прогноза не является доказательством эффективности ингредиента или продукта. Особое внимание уделено источникам данных, молекулярным дескрипторам, архитектурам моделей, пищевой матрице, безопасности, технологической стабильности и регуляторному обоснованию. Сделан вывод, что искусственный интеллект следует рассматривать как инструмент генерации и приоритизации гипотез, требующих последующей биохимической, технологической, токсикологической и регуляторной проверки. Подчёркнуто, что качество и сопоставимость исходных данных, а также сложность пищевой матрицы остаются ключевыми ограничениями, а прямой перенос моделей из фармакологической химии в пищевую технологию требует осторожности. Для хлебобулочных, зерновых, мучных кондитерских и ферментированных продуктов отдельно рассмотрена необходимость учитывать устойчивость биоактивных компонентов при замесе, ферментации, выпечке, сушке и хранении, их взаимодействие с компонентами пищевой матрицы, а также сенсорные свойства и допустимую дозировку. Искусственный интеллект рассматривается как средство сокращения экспериментального пространства и формирования проверяемых гипотез, а не как самостоятельный источник доказательств функциональной эффективности продукта.