一张需求单，两种解法
假设研发部收到一张需求单：蛋白质要够高，糖 < 5 g/100 g，单价不超过现有产品，碳排比上一代低，口味还得像现在卖得最好的那一款（数字均为示意）。传统做法是配方师凭经验出一版，再测营养、成本和口感，哪项不达标就改哪项。AI 最早进入食品研发也是这个次序：给定配方，预测性质，文献里称为前向问题（Forward Problem）。
2026 年 9 月前后，纵横国际新闻动态整理公开资料时注意到，重心在向另一头移动，即逆向问题（Inverse Problem）：先给出目标性质，再反过来找配方。2026 年 Nature Food 上的 Artificial intelligence for food innovation 与 2025 年 arXiv 同名综述，都用前向和逆向划分食品 AI 的任务，并指出模型能从数据里找出连接原料、配方、加工、质构与感官的隐含规律。具体步骤见从目标到候选配方的分步拆解。
汉堡研究：规模不大，含义不小
最直观的样本是 2026 年 npj Science of Food 上的生成式 AI 汉堡研究。模型从大规模人类食谱数据里学习，以汉堡为模型体系，分别面向“美味”“可持续”“营养”三个目标生成配方。盲测感官评价有 101 名参与者，生成的“美味”汉堡在整体喜好、风味和质构上与市售经典牛肉汉堡持平或更好；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。
101 人的盲测不算小，但只覆盖汉堡一个体系，比较对象也只是一款基准产品，不能直接搬到植物奶或发酵饮料。真正的含义是营养和环境指标的位置变了：过去是配方定稿后的事后评价，现在可以直接写进生成目标。
2026 年 7 月 arXiv 上的综述（Artificial Intelligence and the Generative Science of Food Formulation）把 AI 的角色分成预测、发现、生成、组织、模拟和行动六类，强调可行配方位于原料空间里高度结构化的区域，生成模型该交出的是兼顾口味、营养、可持续、成本和可制造性的帕累托前沿（Pareto Front），而不是一个“最优点”。思路与把口感、成本、营养和碳排放进同一个优化模型一致。
目标没写进去的东西，会被悄悄牺牲
逆向设计有个容易被忽略的陷阱：模型只对写进目标函数的东西负责。假设需求单只写了蛋白质、糖含量和单价三项，搜索很可能给出一个纸面上全部达标、吃起来却很粉的组合，因为“粉感”没有变成任何一个可计算的量。配方师会下意识回避这类组合，算法不会。所以第一项工作往往是把“好吃”拆成可测的代理指标，如黏度、粒径、水分活度、顶空挥发物，再用少量感官评价校准它们与人的判断。
对研发流程的四处改动
- 需求单结构化：分成硬约束（合规、过敏原、成本上限）、软目标（口感、碳排）和待确认项。
- 候选筛选前移：生成几百个候选很容易，先用原料库存、加工可行性和法规核对刷掉大部分才是重点，见纵横国际官网食品科技观察的讨论。
- 小试验证：挑信息量最大的少量样品做黏度、粒径、稳定性测试，并保留一轮盲测感官评价。
- 结果回流：实测值不论成败都写回数据库，下一轮生成才更可靠。
暂时不能下的结论
2026 年 5 月前后发表于《Journal of Food Science》的植物奶研究是个提醒：随机森林和梯度提升回归预测出的配方，黏度接近牛乳，感官评价中却仍与牛乳有明显区别，被描述为带有香草、焦糖、涩、苦和金属味。那是预测研究，不是生成研究，道理相通：仪器数字接近，不等于人尝起来接近。
前面那篇 arXiv 综述列出的难点仍在：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，AI 预测还需要机理模型来“接地”。2026 年 6 月食品行业媒体报道的一个厂商案例称，谷物棒改良周期从 12 周缩短到 6 天；那是单一案例，非同行评议，报道也强调 AI 算得出营养和成本，却不会“尝味道”。
如果现在就要试，建议选一个约束清楚的小品类，让生成候选与配方师的手工版本并排做盲测，同时记录两边各花多少工时。这比争论谁更聪明，更能说明“预测→生成”在自己的实验室里值不值。
