纵横国际官网：AI绿色食品配方、植物基食品与替代蛋白研发平台

四个候选，四种“最好”

假设一款植物基酸奶饮品筛出了四个候选配方，研发会上每个人都能为自己支持的那个找到理由。以下数字全部是示意，用来说明取舍，不是实验结果。

这张表里没有赢家。A 的口感领先，代价是最贵、碳排也偏高；B 最便宜，口感只有 6.8；C 碳排最低，其余居中；D 营养分最高，口感只比 A 低 0.5 分，成本和碳排都好于 A。任何一个候选想在某一列再进一步，都得在另一列让出一点。这条“进一步就要退一步”的边界，就是帕累托前沿（Pareto Front）：前沿上的配方，没有别的候选能在所有目标上同时压过它。

再假设有个 E：口感 7.2、成本 12.0、碳排 1.7、营养 66（同为示意）。对照 D，E 四项全输，这类被整体压过的配方不在前沿上，可以直接淘汰。研发早期最省钱的动作之一，就是尽快筛掉它们，别让它们占去感官评价小组有限的品尝名额，毕竟感官疲劳会让一轮评价里能认真品尝的样品数十分有限。

为什么不干脆算一个总分

常见的直觉是把四项打分加权成一个总分，取最高的。麻烦在于权重本身就是一个没人明说的决策：口感权重调高，A 胜出；碳排权重调高，C 上位；权重挪动几个百分点，“最佳配方”就换了人。总分排序看起来客观，其实是把争论藏进了系数里。更稳妥的顺序是先把前沿画出来，让研发、采购和市场对着取舍讨论，再定权重。

生成式方法已经在往这个方向走。2026 年发表于《npj Science of Food》的汉堡研究，分别面向“美味”“可持续”“营养”生成配方，营养和环境指标从事后评价变成了设计目标。2026 年 7 月的食品配方生成科学综述则提到，生成模型可以给出兼顾口味、营养、可持续、成本和可制造性的前沿，同时指出缺少标准化的感官基准，所以表里口感那一列的可比性，仍要靠自己的感官评价来保证。

落到日常工作，可以先问一句：这款产品最不能让步的是哪一项？把它写成硬约束（比如口感不低于 7.5），再在剩下的空间里比较成本和碳排。纵横国际整理绿色食品配方的多目标优化模型时，用的就是这个顺序；想从目标反推候选，可以接着读逆向寻找配方的流程。AI绿色食品配方能做的是把这条前沿算准，选哪个点，仍是人的决定。

问：研究是怎样把“像牛乳”变成可预测目标的？

答：2026 年 5 月前后，《Journal of Food Science》刊出一项研究，用随机森林回归（RFR）和梯度提升回归（GBR）预测“像牛乳”的植物奶配方，然后真的把配方做出来，与巴氏牛乳、UHT 牛乳，以及椰子、燕麦、大豆、杏仁植物奶放在一起，测感官、黏度、稳定性、颜色、粒径和顶空挥发性成分。模型只是起点，验证靠的是六类实测。

问：哪些指标真的接近了？

答：黏度接近牛乳；顶空分析里，预测配方与牛乳共有部分挥发物，研究点到的有辛醛、1-戊醇和香草醛。这些都是仪器能量出来的指标，再加上蛋白与脂肪比例已经调近，账面上几乎挑不出毛病，很容易在这一步就宣布成功。

问：那为什么喝起来还是不像？

答：感官评价里，预测配方与牛乳仍有明显区别，被描述为带有香草、焦糖、涩、苦、金属和坚果味，而牛乳偏甜、乳香。共有几种挥发物，不等于整体气味轮廓一致：人闻到的是几十种物质的混合，缺了乳香这一块，多出来的香草和坚果味就成了主角。涩、苦、金属味在顶空数据里未必看得出，这类感受可能来自不易挥发的成分，需要另外的方法排查。以上是对研究结果的一般性解释，研究本身并未给出每种味道的确切来源。

问：黏度、粒径、沉淀和颜色该怎么看？

答：可以当成四道不同的关卡。黏度是表观流变量，接近牛乳只说明流动性像，口腔里的顺滑感还与粒径分布有关，颗粒偏大会带来粉感或沙感。稳定性看放置后有没有沉淀和分层，植物蛋白颗粒通常比乳蛋白胶束更容易在货架期里下沉。颜色受原料色素和热处理影响，热处理后偏黄褐并不罕见。研究同时用了巴氏和 UHT 两种牛乳做对照，也说明对照样品怎么选，会影响“像不像”的结论。

问：那机器学习还有用吗？

答：有用，它把盲目试错缩成有方向的试错；但这项研究的启示同样清楚：营养接近、黏度接近，都不等于感官接近，真实产品测试不能省。实验上可以把“像不像”拆开评：黏度、粒径、颜色、香气、后味各打一个分，而不是让评价员只给一个总印象分，这样才看得出是哪一格在拖后腿，纵横国际整理植物基食品研发问题时也倾向这样分项评价。植物奶三项取舍的完整拆解见植物奶最难解决的是蛋白含量、稳定性还是风味，异味来源与发酵去除思路见豆腥味、草味和涩味的拆解。

假设桌上有两袋候选蛋白粉：甲的蛋白含量 90%，乙只有 70%（示意）。只看含量，甲胜出；可是乙溶得快、能形成稳定的乳液，甲一入水就结块。要不要选乙，取决于你做的是什么产品。下表是示意性的定性判断，不是测量数据。

同一种蛋白放进不同产品，优点和缺点会对调。凝胶性强的蛋白在植物肉里是主角，撑起纤维和咬劲；放进植物奶，就成了增稠、结块和沉淀的来源。蛋白棒则是另一种烦恼：高蛋白配方在货架期里逐渐变硬，通常与吸水、蛋白之间的相互作用和水分迁移有关，所以持水力既要够，又不能过头。风味这一行也容易被忽略：豆类蛋白自带的青草味和豆腥味，在蛋白棒里会被甜味和香料盖住一部分，在清淡的植物奶里却几乎无处可藏。

这些功能怎样便宜地判断？2026 年一项机器学习研究（PubMed 41813604）用可测的结构特征，如表面疏水性、Zeta 电位、未变性蛋白含量、持水力、β-折叠含量，去预测植物蛋白的溶解性、乳化活性指数、乳化能力和凝胶强度，作为原料质量的筛选工具；在该研究自己的数据集内，支持向量回归对溶解性和凝胶强度的 R² 约为 0.88–0.89。这个数字只对那批样品负责，换一种提取工艺、换一批原料，能否延续要重新验证，不能当作通用精度。

2025 年《Foods》上的另一项研究只用 α-螺旋、无规卷曲和溶解性三个特征预测植物蛋白消化性，评估时间缩短约 80%，样品用量约为标准方法的百分之一。反直觉之处在于：少数几个便宜的特征，也许就能把候选池先筛一遍，昂贵的完整测试留给入围者。

因此筛选原料的第一步不是排蛋白含量，而是先按用途给功能打权重：植物奶看溶解和乳化，植物肉看凝胶和持水，蛋白棒看持水和风味。每个候选先测溶解度和持水力这两项便宜的指标，画进矩阵，再决定谁进入小试。这套思路和AI筛选候选蛋白的流程一致；用工具比较时，则可参考按用途给蛋白原料设权重。纵横国际整理替代蛋白时，也是从功能而非含量入手。

假设一款燕麦能量棒把糖降 30%、盐降 20%、脂肪降 25%（示意数字），营养表上三项都漂亮，放进嘴里却又干又淡，还带一股说不清的怪味。食品营养优化的难点在于，营养表上的改善必须由整体口感来买单。下面按“损益账本”逐项记：减掉了什么，损失了哪些功能，补偿手段又欠下什么新账。

糖：少掉的不只是甜

糖同时是甜味来源、固形物（撑起体积和口感）、水分活度调节剂和褐变原料。降糖以后，甜味剂只能补回“甜”这一项；体积和质构要靠膳食纤维、多元醇之类的填充物补，用量一大，就可能带来粉感或后味，具体使用以现行国家标准和法规为准。甜味的起效速度和后味也与蔗糖不同，“甜度对上了却不自然”常出在这里。在燕麦棒这类产品里，糖浆还兼当黏合剂，糖一减，棒体更容易松散掉渣。

盐：不只是咸

盐还在增强整体风味、压制苦味，影响蛋白溶解与保水，并与保质期相关。用钾盐补咸味，常见代价是苦和金属味；更有效的路子往往是同时调整鲜味物质、酸味和香辛料，让整体风味立起来，或改变盐的颗粒形态，使咸味释放得更快。任何减钠方案，保质期与安全都需要重新验证。

脂肪：顺滑和香气一起走

脂肪提供顺滑口感、脂溶性香气的载体和体积。低脂之后，口感变薄，香气释放又快又短。补偿通常靠淀粉或纤维素凝胶、蛋白微粒和乳化体系来模拟顺滑，香气则要重新平衡。这些手段自己也有“负债”：凝胶类物质过量会发黏，微粒化的蛋白遇热可能凝结。

三项同时降：账为什么会叠加

反直觉的是，三项分开降都还能接受，同时降却可能崩盘。一个常见原因是它们原本互相遮挡：脂肪的顺滑掩住盐的锐度，甜味压着苦味，盐又让甜味显得更圆。三项一起拿走，遮挡关系同时消失，各种补偿物质自带的异味便暴露出来。这是配方经验层面的判断，具体谁遮谁，要靠感官评价和对照实验确认。

记账的办法很简单：每减掉一项，就列出它原来承担的功能，并给每种补偿手段写上新增的负债。营养和成本可以由模型算出来，味道仍然要人尝。实验上可以先做三个单项降低样，再做三项同降样，把叠加效应单独量出来。在纵横国际看来，食品营养优化的评价对象应当是整份配方，而不是某一个营养素。各项功能补偿的细节，可对照食品减糖以后甜味只是最容易解决的问题和低脂食品口感变薄与香气不足。

假设实验室每周只能做 20 组配方（示意），候选空间却有 3 万种组合，按这个速度全部试一遍要将近 29 年。做哪 20 组，比怎样把每一组做好更影响进度。下面按一周的节奏，把这个决策循环拆开。

周一：让模型说出它不知道什么

先用手头的数据拟合一个代理模型（surrogate model），它不仅预测每个候选的得分，还给出不确定度。采集函数（acquisition function）把“预测得分高”和“不确定度大”合成一个数，用来选点。这是贝叶斯优化和主动学习（Active Learning）共有的思路：下一组实验的价值，取决于它能让模型学到多少。第一周还没有数据时，可以先用拉丁超立方抽样（Latin hypercube sampling）这类空间填充的初始设计，让模型先见到尽量分散的样本。

周二到周四：20 组怎么分

假设 12 组做“利用”，围绕模型认为最好的区域微调；5 组做“探索”，专挑不确定度最大、从没试过的区域；3 组留给重复和对照，用来估计感官评价本身的噪声。反直觉的是，信息量最大的实验往往不是预测最好的那个，而是模型最拿不准的那个；重复实验看似浪费，却让模型分得清配方差异和评价员当天状态。目标不止一个时，选点标准要改成扩大帕累托前沿，而不是追单个最高分。

周五：预测与实测对账

结果回灌之后，先看预测值与实测值之差。如果差距长期大于评价噪声，多半是模型缺了关键变量，比如没有把加工参数放进去，这时该补数据，而不是继续调模型参数。2025 年《Journal of Food Engineering》的研究用多目标贝叶斯优化，在较高维工艺参数空间里约 15 次迭代内逼近了植物基肉类似物的目标质构，说明有限预算下，选对点比多做点更值钱。

离自驱实验室还有多远

自驱实验室的核心是“设计—制造—测试—分析”（DMTA）闭环，用贝叶斯优化等方法决定下一次实验。公开成果目前集中在化学与材料，食品领域完整的自驱实验室仍处早期，更常见的是局部自动化加贝叶斯优化。2026 年 6 月的行业媒体报道过一个厂商案例，称谷物棒改良周期从 12 周缩短到 6 天；这是单一案例、非同行评议，只能当作方向参考，报道也强调 AI 算得出营养和成本，尝不出味道。

所以每周留出 3 组对照样，并把“预测值与实测值之差”放在看板第一位，比追求更多候选更可靠。纵横国际整理数字孪生与自驱实验室时注意到，闭环里最难自动化的往往是感官评价这一步；同样的选点逻辑在植物肉高水分挤压参数优化里有具体应用。