先把四句话变成四个数
假设一款高蛋白谷物棒（以下数字均为示意），配方里有 12 种原料。采购要求成本压到每公斤 20 元上下，营养师要求蛋白质不低于 15 g/100 g，感官组要求咀嚼性不能比现有产品更硬，可持续团队希望碳足迹再降一成。四个人都没有错，放在一起却是一场拉锯。纵横国际整理绿色食品配方的多目标问题时注意到，交给模型的第一步不是挑算法，而是让每句话都变成配比向量 x 的一个函数：口感 f1(x)、成本 f2(x)、营养 f3(x)、碳排 f4(x)。
这四个函数的“可写性”相差很大。成本最好写：各原料单价乘配比，再加加工费，基本是线性的。营养次之：每 100 g 的能量、蛋白、糖是各原料含量的加权和。碳排形式上也是线性的，麻烦出在系数本身不准，后面单独谈。最难写的是口感——它随配比非线性变化，评价有噪声，还因人而异。容易被忽略的是：模型里误差最大的一项，往往正是最重要的那一项。
底线写成约束，取舍留给前沿
原料可持续性和加工性能通常不适合放进目标。前者比如“单一产地的原料占比不超过 40%”，后者比如糖浆黏结剂的比例必须落在既能粘住颗粒又不拉丝的区间、水分活度不高于 0.6。它们是通过与否的门槛，写成约束比写成分数更诚实。法规、过敏原、糖和钠的上限同理，数值以现行国家标准和法规为准，不该交给模型去折中。
剩下的才是真正要取舍的目标。常见做法是加权求和：口感 0.5、成本 0.3、碳排 0.2。可这组权重悄悄回答了一个价值问题——多少元、多少口感分，值得换来 1 kg CO2e 的减少？更稳妥的办法是先不定权重，让优化器直接给出帕累托前沿（Pareto Front）：前沿上的每个配方，都做不到在某一项变好的同时其他项不变差。
感官数据怎样变成可以优化的数
常用路线有两条：训练过的评价员做描述性分析，在 0–15 点标度上给硬度、脆度、粘牙度、甜味和异味打分；或者消费者用 9 点标度打喜好度。前者精细、样本少，后者贴近购买、噪声大。仪器质构便宜得多，常被当作代理指标，但仪器读数与人的感知之间有落差，这也是 2026 年 7 月一篇食品配方生成科学综述（arXiv 2607.09529）列出的难点。
植物奶的一项研究给了具体提醒。2026 年 5 月前后发表于《Journal of Food Science》的工作，用随机森林回归和梯度提升回归预测“像牛乳”的植物奶配方，配方的黏度接近牛乳，感官评价里却仍与牛乳有明显区别，被描述为带有涩、苦、金属和坚果等味道。黏度达标，不等于口感达标。落到建模上，是用几十个已做过感官评价的配方训练回归模型，并保留预测不确定度，让不确定度高的区域优先补做实验，这正是AI 决定下一次实验做什么要处理的问题。
碳排应该是一个数，还是一个区间
碳排看上去最客观，其实最需要小心。原料的碳排因子来自生命周期评价（LCA）数据库，同一种原料会因产地、种植方式、加工路线和副产物分配方法不同而差出一大截。假设某种豆类蛋白的因子在 1.5–3.5 kg CO2e/kg 之间浮动，而两个候选配方的总碳排只差 6%，这个差距完全可能落在数据噪声里。系统边界也要统一，运输、包装、加工能耗和生产损耗是否计入，必须一致。
处理办法并不玄妙：把因子当分布而不是常数，做蒙特卡洛抽样或敏感性分析，只把差距大于不确定区间的排序当作信息。低碳食品研发另有一个盲点：实验室估算按理想收率，到了产线，启停损耗和加热能耗会改变结果，见实验室配方放大到工厂的复盘。
前沿上的四个候选：各自付出了什么
仍以这款谷物棒为例，假设前沿上取了四个点（数字为示意，蛋白质均满足 15 g/100 g 的下限）：
| 方案 | 口感（0–10） | 成本（元/kg） | 碳排（kg CO2e/kg） | 取舍 |
|---|---|---|---|---|
| A | 8.1 | 26.5 | 3.4 | 坚果酱加乳蛋白，口感最高，成本碳排偏高 |
| B | 6.3 | 17.2 | 2.9 | 谷物糖浆为主，成本最低，偏粉偏干 |
| C | 6.9 | 21.0 | 1.9 | 豆类蛋白加燕麦，碳排最低，需掩蔽风味 |
| D | 7.6 | 22.4 | 2.6 | 没有一项最优，也没有明显短板 |
四个方案里没有谁能在每一项上压过其他方案，这就是帕累托前沿的含义。看前沿的形状比看单个点更有用：从 A 走到 D，碳排降 0.8、成本降 4.1 元，口感只损失 0.5 分；再从 D 走到 C，碳排只再降 0.7，口感却损失 0.7 分，每降一单位碳排所付出的口感在变贵。斜率突然变陡的位置叫拐点（knee point），最值得争论。
2026 年 Frontiers in Nutrition 的研究对美国、中国、澳大利亚和新西兰的膳食指南做营养、温室气体和成本的多目标优化，同样用帕累托前沿表达取舍；2026 年 npj Science of Food 的汉堡研究让生成模型分别面向美味、可持续和营养出方案，环境与营养成了设计目标而非事后评价。两者都替代不了最后一步：做出样品，让人尝。
所以 AI食品配方系统交付的不该是“最佳配方”，而是一张写明代价的选项表。可以先做两件事：用 D 和 C 做一轮盲测，看口感预测误差是否在 0.5 分以内；把碳排因子换成区间重排前沿，看 C 是否仍稳居碳排最低。排序若被数据的不确定性推翻，该补的是数据，而不是配方。首页对“最佳配方”的讨论是这个问题的另一个入口。
