Nat Food | 人工智能重构食品研发:从分子计算到感官预测的闭环创新范式


发布时间:

2026-07-10

来源:

Yiquan Wang biomath

Datta, B., Buehler, M.J., Chow, Y. et al. Artificial intelligence for food innovation. Nat Food (2026).

https://www.nature.com/articles/s43016-026-01380-7

TL;DR: 告别经验试错,AI将食品研发彻底转化为可编程、可预测的生物材料逆向工程。

摘要 (Abstract)

全球食品系统必须提供营养、可持续的食品,同时大幅降低对环境的影响。然而,食品创新仍然缓慢、经验化且碎片化。人工智能(AI)提供了一条变革性的路径,将分子组成与功能表现联系起来,将化学结构与感官结果联系起来,并加速整个生产流水线上的跨学科创新。虽然它广泛适用于食品系统,但我们聚焦于可持续蛋白质——植物基、发酵衍生和细胞培养——作为AI驱动闭环设计的高影响力测试平台。我们将AI在食品领域的应用、机遇和挑战作为一个新兴学科进行综述,该学科整合了成分设计、配方开发、发酵与生产、质地分析、感官科学、制造和食谱生成。我们确定了四个优先事项:推进嵌入领域先验的科学机器学习、将食品视为可编程的生物材料、建立用于自动化发现的自动驾驶实验室,以及开发整合营养和可持续性的深度推理模型。将AI负责任地融入食品创新周期,可以加速向可持续食品系统的过渡,并建立一门为人类和地球健康服务的预测性、设计驱动的食品科学。

 

 

破局农业与气候矛盾:为何食品工程亟需告别“炼丹术”?

做过植物基食品或替代蛋白研发的人都熟悉这种局面:为了让大豆蛋白吃起来像牛肉,研发人员需要不断调整挤压机的温度、水分和螺杆转速。这批口感太柴,下批又散了架,几十上百次的实验耗时数月,而一旦换一种豌豆蛋白,所有参数又得推倒重来。

食品是一个极端复杂的跨尺度系统,其最终的质地、风味和营养,是由蛋白质、碳水化合物、脂质在特定加工条件(剪切力、温度、pH值)下的非线性相互作用决定的。传统食品科学长期停留在“描述性”和“经验主导”的阶段,高度依赖人类感官评定小组和试错法。然而,面对占据全球温室气体排放量35%的传统农业,以及人类对兼具美味与低成本的替代蛋白的迫切需求,这种碎片化的“炼丹式”研发已触及效率天花板。

造成这种瓶颈的深层原因在于宏观表现与微观分子特征之间的映射断层。传统的线性统计模型无法处理食品基质中的多组分纠缠。而这正是人工智能(AI)擅长的领域——通过多模态表征学习,AI不再仅仅记录实验结果,而是直接从庞大的化学分子空间中寻找规律,将食品视为一种“可编程的生物材料”。本文的核心价值,正是系统梳理了 AI 如何在成分、配方、发酵、质构感知及制造的全链条中,将食品研发从“正向试错”转变为“逆向设计”。

 

重塑生产流水线:AI 如何打通分子、力学与感官的壁垒?

食品的诞生是一条极长的链路。如果在配方阶段忽略了最终的挤压工艺,或者在发酵阶段没有考虑风味残留,产品都会失败。AI 的介入不是在某一个环节打补丁,而是建立一个数据互通的神经中枢。

[图2:AI驱动的生产周期。包括成分设计、配方开发、发酵与生产、质地分析、感官属性、制造和食谱生成七个关键阶段,说明了食品科学、生物技术、材料科学和AI的紧密整合。]

这种闭环设计的核心在于打破各个学科的数据孤岛。通过整合上游的基因组学/化学信息库与下游的消费者偏好数据,研发周期得以大幅压缩。但具体到最核心的两个难题——“配方怎么搭”和“质地怎么调”,AI 到底使用了什么机制?

配方生成:在“潜在空间”中寻找非直觉的完美平替

寻找替代动物蛋白的植物配方,传统的做法是寻找宏量营养素相近的农作物。但这种方法往往忽略了挥发性风味分子之间的化学兼容性。直接在包含数百万种成分的数据库中穷举组合是算力上的灾难。

为了解决组合爆炸问题,现代 AI 引入了潜在空间学习(Latent-space learning)。研究人员使用自编码器(Autoencoders,一种能将高维复杂数据压缩成低维核心特征的神经网络)将庞大的食材属性、分子描述符和加工序列映射到一个连续的数学空间中。在这个空间里,模型可以根据“目标产品轮廓”(如奶酪的拉丝度、特定的氨基酸谱)进行条件生成。

[图3:AI在食品研发中的应用。a展示了配方的迭代工作流,利用深度学习在潜在空间中对营养、成本和感官属性进行编码与解码;b展示了利用机器学习整合多模态数据优化植物肉质构;c说明了AI加速发酵菌株选择与过程控制;d展示了从化学分子直接预测感官体验的AI管线。]

这种设计为什么有效?因为它允许模型执行“反事实探索”。比如,当约束条件要求剔除所有乳制品过敏原并保持极低的碳足迹时,稀疏回归算法会在这个潜在空间中精准定位到一个人类专家绝对想不到的植物组合,且该组合在化学层面上与目标动物蛋白的特性高度重合。这种混合生成优化管线(如 NotCo 披露的专利技术)之所以被工业界采用,是因为它在保证创新的同时,通过引入硬性约束(如供应链成本、过敏原控制),过滤掉了那些在实验室里看起来很美、但无法量产的废案。代价是,模型极度依赖高质量的原始输入数据,一旦底层数据库(如 FlavorGraph)存在偏差,生成的配方就会在现实中失效。

质地与力学:用“本构神经网络”解开物理感官之谜

配方决定了化学潜力,但决定消费者是否买单的往往是“质地”(Texture)。质地是一个极其棘手的指标:物理仪器只能测出弹性模量、粘度等力学参数,而消费者感知到的是“多汁”、“有嚼劲”或“酥脆”。

如何将冷冰冰的力学参数翻译成主观的感官体验?纯数据驱动的黑盒深度学习在这里经常碰壁,因为食品力学数据获取成本极高,小样本数据极易导致模型过拟合。

为此,研究者们引入了科学机器学习(Scientific Machine Learning),特别是本构人工神经网络(Constitutive Neural Networks)。这种模型放弃了让 AI 自由发挥,而是把物理学中的能量守恒和连续介质力学定律硬编码到神经网络的架构中。这样一来,即便只有少量的流变仪和压缩测试数据,模型依然能推导出符合物理规律的质构预测。数据显示,这种物理启发的模型在预测市售植物肉的力学特征时,R^2(决定系数)达到了 0.92 到 0.99,这意味着模型预测的形变曲线与真实切肉、咬合时的力学反馈几乎完全贴合。

能够精准模拟力学反馈,就意味着我们可以逆向倒推:想要达到牛肉的撕裂感,挤压机的温度和螺杆剪切力到底该设为多少。传统响应面分析需要做 15 轮试验才能逼近的最佳参数,基于贝叶斯优化的 AI 在 10 轮内就能锁定,并且将验证误差从 61% 压低到 15% 以下。这种断档领先的效率提升,其代价是建立这样一套混合模型需要跨界的复合型人才——既懂深度学习,又精通高水分挤压物理过程。

嗅觉与风味感知:跳过人类盲测,直接计算“味道”

如果说质地可以通过力学定律来锚定,那么风味和嗅觉则长期是玄学。过去的自动化尝试主要依赖“电子鼻”(仿生传感器加分类器),但这种方法需要繁重的人工特征工程,且只能做狭窄的分类(比如分辨苹果坏没坏),无法预测全新分子的味道。

本文特别强调了主气味图(Principal Odor Map)这一图神经网络的突破。它不再试图模仿人类的鼻子,而是直接处理分子的图结构(原子作为节点,化学键作为边)。网络自动学习分子拓扑结构,并将其映射到一个多维向量空间中,空间中的距离直接代表了人类嗅觉感知的相似度。

在对 323 种全新气味分子的前瞻性验证中,该模型与受过训练的人类感官面板给出的平均评价相关性达到了 R ≈ 0.6。在高度主观的感官科学中,0.6 的相关性意味着 AI 的判断已经逼近一个专业人类品尝师的稳定发挥水平。这直接催生了高通量虚拟筛选的可能性:研发人员可以在计算机里“品尝”数万种挥发性化合物的组合,极大地削减了雇佣昂贵感官测试面板的成本。

然而,这种降维打击也伴随着明显的局限。模型目前仍难以完美处理复杂多组分的混合非线性遮蔽效应(比如A气味完全掩盖B气味),且当前高质量的标准化跨文化感官数据集依然严重匮乏。

迈向全自动发现:AI 的深层推理与反思

当前的 AI 主要是“检索与映射”,未来的瓶颈在于“推理”。当食品研发走向细胞培养和精密发酵,变量的复杂度将呈指数级上升。

[图4:用于食品科学发现的下一代AI系统。展示了从传统检索型AI(d图左侧)向具备推理、假设生成和反思能力的先进AI(d图右侧)的范式演进,这种多模态AI能够整合序列、力学、感官等多维度知识。]

现有的生成式大语言模型(LLM)可以开出食谱,但它们不懂分子机理。为了实现真正的“自动驾驶实验室(Self-driving labs)”,我们需要深度推理模型(Deep reasoning models)。这种模型不再是静态地匹配数据,而是能够像人类科学家一样工作:提出一种全新的蛋白质序列假设 -> 在虚拟仿真中预测其折叠结构和挤压力学表现 -> 评估其碳排放足迹 -> 如果发现理论质地太硬,能够自我反思并调整配方 -> 最终将优化的方案直接发送给全自动生物反应器和合成机器人执行。这将彻底闭环“设计-制造-测试-学习”周期。

 

从预测到生成:食品科学的必然走向与现实引力

本文清晰地揭示了一个趋势:食品创新正在经历从“经验农学”向“预测性材料科学”的底层逻辑转换。通过多模态 AI、物理启发的神经网络和生成式算法,我们首次拥有了系统性解开成分、工艺与感官体验非线性纠缠的工具。

然而,论文也坦诚地指出了当前狂热背后的真实局限。首先是数据之痛:食品工业高度内卷且缺乏开源精神,专有数据碎片化严重,缺乏类似生物大分子领域那样的 FAIR(可发现、可访问、可互操作、可重用)通用数据标准。其次是硬件与工程的鸿沟:实验室里的数字孪生和工艺优化,往往在推向工厂真实生产线时,因农产品原料的天然批次波动而失效。模型在控制台上的完美预测,若没有极其鲁棒的混合物理建模和实时在线传感器的配合,极易引发食品安全隐患或产品报废。

AI 不会取代食品科学家,但未来的食品系统,必定是由能够驾驭 AI 的跨学科团队来主导,以更快的速度、更低的资源代价,设计出平衡人类健康与地球生态的下一代食物。

 

作者介绍

  • 通讯作者:Ellen Kuhl,斯坦福大学(Stanford University)机械工程系。
  • 第一作者:Bianca Datta,Good Food Institute.