2026 年一项面包生产线数字孪生研究给出过两个数字：面团体积的动态预测误差低于 3%，湿度预测落在 ±2% 以内。这样的孪生能回答“这一炉现在走到哪里、再过五分钟会怎样”，却回答不了“下周该改哪个配方参数”。前者靠机理模型加传感器，后者需要专门决定下一次实验的算法。两件事常被混在“食品研发AI”一个词里，值得拆开看。
数字孪生到底是什么，不是什么？
数字孪生（Digital Twin）不是一段三维动画。2026 年 Frontiers in Food Science and Technology 上的综述把它描述为机理模型、传感器与 AI 的连接，为质量、安全和浪费提供近实时的决策支持。以发酵罐为例：机理部分是生长与代谢的动力学方程，传感器给出温度、pH、溶氧和尾气组成，AI 部分持续校正模型参数，并在读数缺失时充当软测量。综述同时指出，现有食品数字孪生多为孤立的概念验证，缺少互操作性和可扩展性。落到工厂里就是：一条线、一个产品、一套传感器，换个品类要重新标定，各系统的数据格式互不相通。
科学机器学习（Scientific Machine Learning）的思路适合这里：让机理方程搭骨架，让数据只去学机理解释不了的残差。食品配方生成科学综述（arXiv 2607.09529）提出要用机理模型为 AI 的预测“接地”，指的也是这个方向。
下一次实验由谁决定？
由主动学习（Active Learning）一类的方法决定，贝叶斯优化是其中最常见的一种。做法是先用已有实验拟合一个代理模型，常用高斯过程，它对每个没试过的参数组合给出预测值和不确定度；再用采集函数（Acquisition Function）在“去预测结果最有利的地方”和“去最不确定的地方”之间折中，选出下一批。《Journal of Food Engineering》2025 年一项研究用多目标贝叶斯优化调节植物基肉类似物的质构，在较高维的工艺参数空间里约 15 次迭代内逼近了目标质构。假设水分、机筒温度、螺杆转速、进料速率、口模温度和蛋白配比 6 个参数各取 5 档（示意），全组合是 15625 组，15 次与它的差距，正是这类方法值钱的地方。当然，这不意味着任何挤压体系都只需十几次，那项研究的设备、原料和目标质构是特定的。具体参数怎样影响纤维结构，可以看植物肉高水分挤压的参数优化拆解。
反直觉的是，贝叶斯优化经常建议做一个看上去很差的实验，因为那个角落里模型最不确定，做一次的信息价值最高。这样的建议很容易被误判成算法出错。
自驱实验室要把哪些环节连起来？
自驱实验室的核心是设计—制造—测试—分析（Design–Make–Test–Analyze，DMTA）的闭环：算法选点，设备自动配料并制作样品，仪器自动测量，结果写回数据库，模型更新后再选下一批。目前公开的成果集中在化学与材料领域；食品领域完整的自驱实验室仍处于早期，更常见的形态是局部自动化加贝叶斯优化，比如自动配料台配合固定的黏度或质构测量。
食品比小分子体系难在三处。物料黏稠、含颗粒、容易结块或分层，自动称量和移液的误差比液体试剂大得多；测量慢，发酵滴度可能要离线检测几个小时，感官评价也很难完全交给设备；仪器质构与人类感知之间还存在落差，前面提到的食品配方生成科学综述把它列为难点之一。这些环节里最慢的一个，决定了整个闭环一天能转几圈。
闭环会在哪里断？
- 目标函数偏了。优化器把仪器质构推到极致，人却不喜欢。植物奶那项机器学习研究里，黏度已接近牛乳，感官评价依然能区分，就是这类风险的现实版本。
- 噪声大于信号。自动配料对粉体和黏稠物料的误差，如果比配方之间的真实差异还大，优化器会追着噪声跑。先做重复实验估计测量噪声，是廉价的保险。
- 原料批次变了。代理模型学到的是上一批原料的规律，新批次蛋白溶解性变化后，历史数据的权重需要重新设定。
- 传感器漂移。在线传感器长期不校准，数字孪生的误差会缓慢积累，出现在最不容易被留意的环节。
- 约束没写进搜索空间。设备安全限值和法规要求如果不在约束里，算法会推荐做不了或不能做的参数。
人留在哪里？
人负责的部分反而更集中：定义目标和约束，设计盲测与参照样品，解释异常，做合规确认。2026 年 6 月的食品行业媒体报道也强调，AI 能算营养和成本，却不会“尝味道”，感官、工艺放大和策略判断仍需人。放大的问题尤其如此，孪生与机理模型可以给出预测，但实验室配方放大到工厂后的变样，仍要靠中试验证。
纵横国际ai栏目的判断是：在可预见的一段时间里，食品研发更现实的形态是“一条产线的数字孪生”加“一类实验的贝叶斯优化”，两个局部闭环先跑通。闭环的速度不取决于算法多聪明，而取决于最慢的那一次测量，所以最值得先补的，或许是让最慢的测量变快、变可重复。
