假设一款沙拉酱的含油量从 30% 降到 12%（示意数字，其余配方不变），黏度靠增稠剂调回了原来的水平，试吃的人却仍说“寡”“不香”“没有停留”。这类反馈在低脂食品里很常见。下面用问答拆开原因，再给出一份决策树式的判断顺序。
问：口感为什么会变“薄”？
答：至少有三层原因。第一层是体积：乳状液的黏度与油相体积分数强相关，而且不是线性关系，油相从 30% 降到 12%，黏度的降幅往往比数字看上去大。第二层是润滑：油滴在舌面和上颚之间形成润滑膜，摩擦学（Tribology）测量能看到摩擦系数的变化，低脂之后摩擦变大，人的感受不只是“稀”，而是“薄而涩”。第三层是饱满度，与油滴大小分布和界面蛋白有关。
反直觉的是：增稠剂能把黏度补回去，润滑却没有回来。样品于是“稠而不滑”，黏度计上看不出问题，口中却仍然不像。这与植物奶机器学习研究里的观察相通：预测配方的黏度接近牛乳，感官评价仍与牛乳明显不同。
问：香气为什么会不足？有时为什么还“更冲又更短”？
答：脂溶性香气分子，如部分内酯、长链醛和酮，更愿意留在油相里。它们在油相、水相和气相之间的分配（Partition）决定了释放节奏：脂肪多时，这些分子被“存”在油里，随咀嚼慢慢放出，香气持续；脂肪少了，同样剂量的香精更多进入顶空，开头一下很冲，后段迅速变空，亲水性的小分子相对突出，整体香气的比例被改写。脂肪本身还是风味前体，乳脂中的内酯、加热时脂肪酸的降解产物，都随脂肪一起减少。
问：脂肪能用什么替代，各自补哪一块？
- 纤维类（柑橘纤维、燕麦β-葡聚糖、菊粉）：持水成网，补体积和黏度；用多了发干、发粗。
- 淀粉与麦芽糊精凝胶：成本低，稠度好调；耐热、耐冻融要看品种，存放中可能回生、析水，口中发糊。
- 蛋白微粒（如微粒化乳清蛋白）：微米级球形颗粒带来近似油滴的“滚动感”，补润滑的效果最好；高温下容易聚集变涩，还牵涉过敏原标识。
- 凝胶乳液与油凝胶：前者把油封进凝胶网络，后者用成胶剂让液态油变成固体样脂；油凝胶主要解决固态脂的功能和脂肪酸构成，不一定降低总脂肪。
问：面对一款要减脂的产品，先问什么？
答：可以按下面的顺序走，像一棵很小的决策树。
- 脂肪在产品里是分散的油滴，还是连续的脂相？乳饮料、酸奶、沙拉酱、肉糜属于前者，走“填体积加补润滑”；巧克力、酥皮、馅料属于后者，减脂幅度要保守，优先考虑结构化油脂。
- 减完以后先出现哪种症状？“薄”先补黏度和体积；“涩、粗糙”补润滑；“前冲后空”则调整香气载体，如乳化香精或包埋缓释，并重新平衡脂溶性与水溶性香料的比例。
- 热加工和储存条件是什么？高温杀菌、冷冻解冻、酸性体系，会先淘汰一批不耐受的替代物。
- 标识与声称要提前核对：脂肪含量的声称条件、替代物在配料表中的名称与过敏原标识，一律以现行标准和法规为准。
问：AI配方怎样在营养和口感之间找新的平衡？
答：关键是把营养当成设计目标，而不是事后评分。2026 年发表在《npj Science of Food》的汉堡研究里，生成模型分别面向美味、可持续和营养生成配方；101 名参与者的盲测中，“美味”汉堡在整体喜好、风味和质构上与市售经典牛肉汉堡基准持平或更好，蘑菇汉堡的环境影响得分低一个数量级以上，豆类汉堡的营养得分接近基准的两倍。
2026 年 7 月的一篇综述则强调，生成模型可以给出兼顾口味、营养、可持续、成本和可制造性的帕累托前沿。放到低脂食品上，产出的就不是“一个最佳配方”，而是一组取舍：脂肪目标、口感评分、成本、可制造性。这正是纵横国际营养优化关注的问题，也与口感、成本、营养和碳排怎样放进同一个优化模型一脉相承。
低脂食品的特征选取要有机理：油相体积分数、粒径分布、黏度曲线、摩擦系数、香气化合物的分配特性都可以作为模型输入，感官时间—强度是输出之一。数据少的时候，用主动学习（Active Learning）决定下一批做哪几个样品，比随机挑样品更有针对性，思路见数字孪生和自驱实验室怎样决定下一次实验。
综述提到的难点也直接适用：缺少标准化的感官基准，仪器指标与人的感知之间存在落差，还需要不确定性量化。模型对“口感薄”的把握不大时，该把样品送去感官小组，而不是继续相信打分。2026 年 6 月行业媒体的观察同样提醒：AI 能算营养和成本，但不会尝味道。
一个 3×3 的验证设计
取脂肪降幅三档，配三种替代方案，共九个样品，每个都测黏度、摩擦系数、顶空香气和感官时间—强度。哪一格出现“稠而不滑”，说明黏度补对了、润滑没补对；哪一格出现“前冲后空”，要动的是香气载体而不是脂肪替代物。三降之间的取舍全貌，可参看糖、盐和脂肪同时降低以后的损益账本。香气载体的匹配规律能否跨基质通用，目前没有可靠答案。
