假设一次复盘（情节和数字均为示意，不对应任何真实项目）：一款植物基高蛋白饮料，实验室 100 g 规模的感官评分是 8.0，配方里有 4.5% 豌豆蛋白、2% 燕麦粉、1.5% 菜籽油和少量结冷胶（gellan gum）。转到 2 吨规模的试产线之后，同一张配料表做出的产品掉到 6.2 分：稠度不对，静置两天分层，杀菌后颜色发暗，香气也淡了。几项指标一起变坏，根子只有一个：配方表并不是配方的全部。

第 0 天：烧杯里发生了什么

先还原实验室的“成功”。100 g 样品在烧杯里，粉体一次性倒入 60 ℃ 的水，用转子—定子式手持均质器 12000 rpm 处理 2 分钟，再在水浴里 85 ℃ 保温 10 分钟，冰水冷却到室温。整个过程中，样品每一处都在几秒内接触到强剪切，升温和降温各只要一两分钟。这些细节从不写进配料表，却塑造了 8.0 分的口感。另外，这份样品从没经过商业杀菌，只是“做出来能喝”，不是“能在货架上放几个月”。

第一次中试：分层从粉体加料开始

50 L 的罐子里，同样的粉体要 15 分钟才加得完。先入水的部分已开始水合，后入的粉体在液面上结成“鱼眼”（外层湿润、内层干粉的团块），结冷胶没有均匀分散，稠度和悬浮力都上不去。罐内搅拌桨的剪切又远弱于手持均质器，蛋白团聚体没被打碎，粒径 D90 从实验室的 8 μm 变成 35 μm。静置两天，大颗粒下沉，油相上浮，分层出现。教训是：设备越大，混合时间越长，剪切却可能越弱。

第二次中试：从没杀过菌的配方遇上 UHT

补上两级在线均质（示意 15 MPa / 3 MPa）后分层减轻，杀菌又暴露出问题。实验室的 85 ℃、10 分钟只是温和的巴氏处理，工厂要做到商业无菌，热强度高了一个数量级：例如 140 ℃ 保持几秒。豌豆蛋白遇到高温和钙离子容易聚集，在板式换热器的高温壁面结垢，运行 90 分钟后压差上升，只好停机清洗；出口的真空脱气又带走一部分挥发性香气成分，闻起来偏淡。杀菌强度按 F 值换算也许是对的，蛋白变性程度和香气保留却完全不同。

为什么同一张配方表会变样

把两次中试抽象一下，变化来自四类参数。第一是传热：热量靠传导进入物料时，特征时间与尺寸的平方成正比，尺寸放大 10 倍，纯传导需要的时间就是 100 倍量级；工厂用夹套、搅拌和换热器缩短它，但每种手段都带来新的时间—温度历史。第二是传质与混合：粉体分散、胶体水合、油滴破碎和香气挥发，都受局部剪切与停留时间控制。第三是设备几何：手持均质器、罐内搅拌桨和板式换热器的剪切场根本不同。第四是原料批次：实验室常用同一袋蛋白粉，工厂一天要换几批，溶解性和水分并不相同。

绿色食品研发还有一个容易漏掉的后果：碳排不是在 100 g 阶段算出来的。实验室核算按理想收率，工厂的启停损耗、加热与冷却能耗，会改变每公斤合格产品的碳足迹。假设试产合格率是 88%，而规划时按 98% 计算，单位合格品分摊的原料碳排就要多出约一成。放大失败带来的不只是口感问题，也是可持续食品配方指标的一次回调，同一个优化模型里的取舍需要用工厂数据重新校准。

放大之前能做什么：缩小模型与数字孪生

解决思路有两条。一条是“缩小工厂”（scale-down）：用实验室的小型设备复现工厂的剪切、加热时间和冷却曲线，让样品按工厂预计的升温曲线走一遍再评价，把问题提前搬回实验室。另一条是工艺模型：机理模型描述传热、混合和结垢，传感器数据校准它，AI 补偿机理难以描述的部分。2026 年 7 月那篇配方生成科学综述也提出，AI 的预测需要机理模型来“接地”。

这一组合被称为食品数字孪生（Digital Twin）。2026 年 Frontiers in Food Science and Technology 的一篇综述指出，它能为质量、安全和浪费提供近实时的决策支持，同时承认现有食品数字孪生多是孤立的概念验证，缺少互操作性和可扩展性。2026 年一项面包生产线数字孪生研究报告，面团体积的动态误差低于 3%，湿度预测在 ±2% 内，说明在边界清楚的工序上已经可以相当精细；但蛋白、油脂和胶体共存的饮料体系里精度能否同样成立，需要各自验证。数字孪生和自驱实验室那一篇对此有更完整的讨论。

把复盘写回配方文件

复盘之后最有价值的改动是记录方式：配方文件不再只是配料表，而是“配料 + 加料顺序 + 剪切历史 + 时间温度曲线 + 设备类型”。100 g 阶段就该问：目标工厂有没有均质机？最高杀菌温度是多少？让这些问题变成配方设计的约束，而不是放大时的惊喜。对新原料，中试前应测好黏度—剪切速率曲线和热稳定窗口，给模型一份可外推的物性表。纵横国际的体会是：放大约束越早写进设计，代价越小。

2026 年 6 月的一篇行业媒体报道强调，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要人。放大恰好是这句话最具体的一处：一个没有工厂数据的模型，能不能预判分层、结垢和香气损失？答案出来之前，比较稳妥的做法是把中试当作采集参数的机会，而不是验收配方的仪式。