把总糖压下去，把盐压下去，把脂肪压下去，同时还要把蛋白提上来，配方里的每一项都会被拉扯：蛋白多了容易出粉感和涩感；糖少了，除了甜味，体积和质构也跟着少；盐少了，咸味之外的风味放大和防腐作用也少；脂肪少了，顺滑感和香气载体随之减弱。用纵横国际App里的AI分析这类配方，价值不在于给出一个“答案”，而在于把这些拉扯摆到桌面上。下面按目标、约束、候选、验证四步走一遍，界面入口与名称以 App 内及本页公布的信息为准。
目标：方向、幅度、口径都要写清
设置营养目标时，先写清方向（降还是升）、幅度（相对基线降多少，还是达到多少绝对值）和口径（每 100 g 还是每份）。假设要做一款高蛋白、低糖的植物基饮料，内部研发目标可以设成：每 100 g 蛋白质不低于 6 g、总糖不高于 3 g（示意数字）。这只是内部目标，不是营养声称的判定线；“低糖”“高蛋白”等声称能否成立，以现行国家标准和法规为准。目标还要分成“必须达到”和“尽量达到”，前者进入硬约束，后者进入优化方向，混在一起会让 AI 把力气花在次要指标上。
约束：先想清楚不能丢什么
目标只说“要什么”，约束说“不能丢什么”。感官与工艺侧常用的约束有黏度范围、粒径、pH、水分活度、耐热处理能力、保质期、配料表长度、成本上限、过敏原与供应。约束设得越紧，候选越少，甚至出现可行域为空；这时先放松“尽量达到”的项，再回头检查硬约束是否过严，思路见先告诉AI目标，它能不能反过来寻找配方。下表把四类目标常见的代价与建议关注的约束放在一起。
| 目标 | 容易丢掉的功能 | 建议设置的约束与验证项 |
|---|---|---|
| 低糖 | 甜感之外的体积、质构、保湿、色泽与保质 | 黏度、水分活度、色泽，以及甜味曲线的感官评价 |
| 低盐 | 咸味之外的风味放大、防腐、质构 | 苦味与金属味的感官评价、保质期试验、质构 |
| 低脂 | 顺滑口感、香气载体、饱满感 | 黏度与粒径、香气释放、口感描述的盲测 |
| 高蛋白 | 分散性，以及粉感、涩味与异味 | 沉淀情况、黏度、热处理后的稳定性、风味 |
表里每一行背后都有更细的功能拆解，可分别对照减糖后糖的多重功能和减盐时盐的多重功能。
候选：看差异、看取舍、看不确定性
拿到候选方案，别先盯着排第一的那个。先看它与基线配方的差异清单：改了哪几项原料，各改了多少。再看多个目标之间的取舍：在多目标问题里，通常没有一个方案在所有指标上都最好，而是一条取舍曲线，也就是帕累托前沿（Pareto Front），背景见为什么不存在简单的“最佳配方”。最后看不确定性：预测应当有区间，而不是单个点；对数据稀少的原料，区间越宽越要谨慎，宁可把它排到验证清单的前面。
验证：把候选变成实验清单
候选只是假设，验证才有结论。导出的实验清单至少应包含这几类内容：
- 配方编号、各原料的质量百分比，以及与基线的差异；
- 设定的目标与约束，方便回溯这一组为什么被选中；
- 要测的指标：蛋白质、糖等营养项检测，黏度、粒径、沉淀率等物性，以及感官评价；
- 对照样（基线配方或市售参照），并采用盲测排序，避免先入为主。
一轮不必把所有候选都做，先挑三到五个分布在取舍曲线不同位置的方案，信息量比只做“最优”那一个大得多。这也是预测再准也代替不了实验的原因：《Journal of Food Science》2026 年的一项研究用机器学习预测“像牛乳”的植物奶配方，黏度确实接近牛乳，感官评价里却仍有明显区别，营养和黏度接近并不等于口感接近。
实验结果出来后要回填数据，下一轮候选才会更准，这种“预测、实验、更新”的循环，正是数字孪生与自驱实验室怎样决定下一次实验讨论的核心。第一次使用，建议只设一个主目标（比如先做减糖）加三条硬约束，跑通一轮实验，再叠加第二个目标。AI 给出的始终是候选，实验结果和合规核对，才决定它能不能变成产品。
