先声明：下面是一次为讲清问题而假想的搜索复盘，团队、数字和结果都是示意，不是纵横国际或任何客户的真实项目。假设白板上写着目标：每 100 g 含蛋白质不低于 12 g，糖低于 5 g，原料成本不高于 11 元/kg，口感评分不低于 7 分（9 分制）。团队用搜索算法跑了一周，交出 30 个候选，试做之后，勉强能喝的只有 2 个，而且味道几乎一样。文献把“给定配方预测性质”称为前向问题，把“给定目标性质寻找配方”称为逆向问题，这次复盘的是后者，一共出了五处错。

失误一：目标只写成了一句话

“高蛋白、低糖”看着清楚，落到算式里却有一串没定的事。蛋白按每 100 g 算，还是按每份 250 mL 算？糖按总糖算，还是只算添加糖？假设团队选了燕麦基底，经酶解处理后，淀粉会转化出麦芽糖之类的糖，配料表里一克糖都没加，总糖却超过了 5 g。搜索算法照着“糖 < 5 g/100 g”去优化并没有错，错的是目标没有写成能被检查的形式。开工前应当把每一项写成“指标、单位、基准、判定方法”四件套，并分清硬约束（蛋白、糖，营养声称的实际阈值以现行国家标准和法规为准）与软目标（口感）。

失误二：拿代理指标当成终点

“好吃”无法直接计算，团队用黏度、粒径和几种香气物的含量作代理，让模型追着这几个数跑。2026 年 5 月前后发表于《Journal of Food Science》的植物奶研究，恰好给了一个提醒：机器学习预测的配方，黏度接近牛乳，顶空分析里与牛乳共有辛醛、1-戊醇、香草醛等部分挥发物，感官评价中却仍与牛乳明显不同，被描述为带有香草、焦糖、涩、苦、金属和坚果味。代理指标的价值在于淘汰明显不行的候选，缩小试做范围；一旦让它充当终点，优化器就会钻进“代理指标很漂亮、嘴里很差”的角落。

失误三：把“无可行解”当成故障

第三天，搜索连续三次报告没有可行配方，团队的反应是放大搜索范围、增加迭代次数、重跑。其实这个报告已经在说明问题：假设蛋白主要靠大豆分离蛋白提供，浓度升到 12 g/100 g 时，黏度和豆腥味一起上升，糖降到 5 g 以下又拿走了掩味的甜度，三个条件互相拖后腿，可行域是空的。更有用的做法是做一张约束松弛表：把每条约束逐个放松一小档，记录放松多少才会出现可行解，哪一条一松就出解，冲突就出在哪一条。之后才有的放矢，或者换蛋白来源，或者用发酵、酶解等工艺处理异味（见豆腥味、草味和涩味的拆解），或者把成本上限抬高一点，代价摆在桌面上，由人来定。

失误四：30 个候选其实是一个

拿到 30 个候选，团队才发现其中 27 个只是彼此的微调：大豆蛋白多 0.3 g、少 0.3 g，其余几乎一样。优化器一路爬到同一个局部最优，之后所有“候选”都挤在山头周围。这样试做，一个共同的失败原因（比如某种增稠剂在酸性条件下沉淀）就会让整批样品一起报废。补救办法是在打分之外强制加上多样性：按配方距离聚类，每一簇只选代表，再有意留几个不确定度高的探索点。一周的实验名额怎样在“围绕最优”和“探索未知”之间分配，可参考下一组实验最值得做什么的决策循环。

失误五：试做结果没有回到模型里

最后一处出在流程上。试做的感官分和黏度写在实验记录本里，没有回灌进数据集，下一轮搜索便重犯同样的错。同时，团队没有在候选里放一个 AI 排名靠后的对照样，无从判断模型的排序究竟比随机好多少；有了对照，排序才有可以检验的意义。逆向设计是一个闭环，试做这一环既不能省，也不能只做一次。

开工前的六项检查

把这次复盘压缩成一张清单，可以贴在项目看板上：

  1. 每个目标都写成“指标、单位、基准、判定方法”，并标明硬约束或软目标。
  2. 代理指标只用来淘汰，终点必须是真实样品的感官评价。
  3. 先做约束可行性检查，无解时输出松弛表，而不是直接扩大搜索。
  4. 候选集按配方距离聚类，保证多样性，并留出探索点。
  5. 每批候选里放一个排名靠后的对照样，以及至少一次重复样。
  6. 试做数据当周回灌，预测值与实测值之差单独记录。

文献和行业案例能支持到哪一步

2026 年 7 月的食品配方生成科学综述（arXiv 2607.09529）用预测、发现、生成、组织、模拟、行动六个动词描述 AI 在配方研发中的角色，本文说的逆向搜索，与其中“生成”和“发现”最接近。综述指出的难点，与上面的复盘几乎一一对应：数据分散，缺少标准化的感官基准，仪器质构与人类感知有落差，不确定性需要量化，还要用机理模型为 AI 预测“接地”。公开数据资源如 USDA FoodData Central、FlavorDB、FooDB、Recipe1M+ 和 Volatile Compounds in Food 数据库，覆盖了营养、成分、食谱和挥发物等侧面，而自家原料、自家工艺下的感官数据，通常仍要自己积累。

行业层面的说法要更谨慎。2026 年 6 月的食品行业媒体报道称，AI 可用于原料选择、合规检查和原料替换，同时强调 AI 能算营养和成本，却不会“尝味道”；其中一个厂商案例称谷物棒改良周期从 12 周缩短到 6 天。这是单一厂商案例，没有经过同行评议，只适合当作方向参考。前向与逆向问题的更多背景，可对照食品研发AI为什么正在从预测结果进入反向设计配方；几类模型怎样分工，见为什么食品研发不能只使用一个大语言模型。

回到最初那句话：它能不能反过来寻找配方？可以找到一批值得试做的候选，前提是这句话先被翻译成可检查的约束。纵横国际整理这个方向时，觉得最实用的一步反而最朴素：拿一个已知能做出来的配方，把它的各项性质当作目标交给系统，看能不能反推回它附近。反推不回来，就先别相信系统对新目标给出的答案。