先做一个不需要设备的小练习。假设有三个植物基酸奶饮品候选，口感、成本、碳排都已折算成 0–100 分，分数越高越好（成本分越高，表示越便宜），以下全部是示意数字：P 的三项依次为 90、40、50，Q 为 60、90、60，R 为 75、70、75。现在请三个人分别给三个目标加权。
看重口感的人取 0.6、0.2、0.2，总分是 P 72、Q 66、R 74，R 排第一；把口感权重提到 0.8，P 以 81 分反超 R 的 74.5；看重成本的人取 0.2、0.6、0.2，Q 以 78 分夺冠，R 退到 72。配方没有变，打分没有变，冠军换了三次。所谓“最佳配方”，背后一直站着一套没人写下来的权重。
下面把这件事拆成五个依次要问的问题，对应绿色食品配方多目标优化模型里最常碰到的五个决策点。
问题一：哪些是底线，哪些只是愿望
目标清单上的每一条，先判断它是硬约束还是软目标。硬约束不满足，配方就不能进入下一轮，比如口感评分不低于某条线、原料成本不超过某个数，或者营养声称类要求必须符合现行国家标准和法规；软目标则是越好越好，可以拿来交换。两类目标混在一个总分里，就等于允许用“碳排特别低”去抵消“口感不合格”。这在算式里成立，在评审会上没有人接受。先划出可行范围，再谈取舍。
问题二：四个目标各自怎么量，误差有多大
前沿画得再漂亮，坐标轴不可靠也是白画。下表列出四个目标常见的量法，以及最容易被忽略的不确定性。
| 目标 | 常见量法 | 容易被忽略的不确定性 |
|---|---|---|
| 口感 | 9 分制喜好度、分项强度评分、盲测 | 评价员人数与当天状态造成的噪声；感官疲劳限制了一轮能认真品尝的样品数 |
| 成本 | 原料单价乘配比，再加加工与损耗 | 采购价随季节和批量浮动；收率与损耗常被简化成一个整数 |
| 营养 | 每 100 g 的蛋白、糖、钠含量，或多项合成的综合分 | 综合分的构成本身就是一套权重；营养声称的具体阈值以现行国家标准和法规为准 |
| 碳排 | 生命周期评价（LCA）估算，单位 kg CO2e/kg | 数据库因子与真实供应链不一致；配方之间的差距可能小于估算误差 |
碳排这一列最需要小心。生命周期评价给出的是估算值，假设两个配方只差 0.1 kg CO2e/kg（示意），很可能还没有超出数据库因子与真实供应链之间的距离。这种时候，前沿上的名次没有意义，应当把它们视作同一档，再用别的目标区分。成本、碳排和感官数据怎样在同一张表里对齐，食品数据层怎样连接成本、碳排与感官数据的设计，直接决定前沿是否可信。
问题三：前沿怎样求，加权求和漏掉了什么
加权求和最简单：换一组权重，跑一次优化，得到前沿上的一个点。它的盲区是只能找到前沿“向外凸”的那一段。设想两端各有一个极端候选，口感分与成本分分别是 90 和 10，以及 10 和 90，中间还有一个折中方案，两项都是 48（均为示意）。不论权重怎么取，两个极端候选里总有一个至少拿到 50 分，折中方案的 48 分永远排不到第一；可是它没有被任何候选压过，确实在前沿上。如果产品对口感和成本各有 45 分的底线，合格的恰恰只有它。总分永远选不出的方案，反倒可能是唯一合格的。
ε-约束法换了思路：把其中一个目标降成硬约束，例如口感分不低于 45，只优化另一个目标，再一点点移动约束线，连凹陷的那一段前沿也能扫出来。遗传类多目标算法，如 NSGA-II，则一次给出一整批互不被压过的候选。评估一个候选如果只是算一遍，怎么扫都行；每评估一次就要做一轮实验，就得靠带不确定度的代理模型省预算，这与从目标反向寻找配方的流程共用同一套搜索思路。
问题四：在前沿上怎样挑点
前沿给出的是一条曲线，落地还得选一个点。一个实用的参照是拐点（knee point）：沿着前沿走，多换一点口感所要付出的成本，在某处突然变大，拐点之前的每一步都划算，之后就不划算了。另一个参照是场景：面向价格敏感渠道和面向注重环保的渠道，合理权重本来就不一样，应当各自在前沿上挑点，不必硬凑一个通用答案。
2026 年《Frontiers in Nutrition》上的一项研究，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，同样用帕累托前沿来表达取舍。2026 年《npj Science of Food》的汉堡研究则分别面向“美味”“可持续”“营养”生成配方，营养和环境指标从事后评价变成了设计目标。
问题五：前沿画完就固定了吗
不会。原料价格随季节浮动，整条前沿会在成本轴上平移；换一批原料，同一个配方的口感分可能挪动；实验室走向工厂时，加工参数变化又会带来新偏差，这一点在实验室配方放大到工厂以后为什么可能变样里有详细拆解。2026 年 7 月的食品配方生成科学综述（arXiv 2607.09529）把难点说得很直接：数据分散，缺少标准化的感官基准，仪器测得的质构与人的感知之间存在落差，不确定性量化不足，还需要用机理模型为 AI 预测“接地”。落实到日常，就是前沿上每个点都带一个误差范围，进入中试时带二三个点，不要只押一个。
还不能下结论的地方
汉堡研究招募了 101 名参与者做盲测，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。这些结论属于汉堡这一个模型体系，本文用到的几份资料都没有给出跨品类的验证，能否推到植物基酸奶或低糖零食，还需要各自试。另外，“口感”那一列至今主要靠人来评，AI 可以把前沿算准，却算不出味道；碳排的估算口径不同，结果也会不同。纵横国际整理这些资料后的判断是：多目标优化在食品里已经是可用的思考框架，离“输入目标，输出最佳配方”还差一大段验证工作。
有个马上就能试的做法：下一次配方评审，先不出总分，只贴一张前沿散点图和三个代表点的小样，请每位参与者写下一句话——“如果只有一个目标不能退让，是哪一个”。这些答案的分布，比任何权重表都更接近产品真正的定位，AI绿色食品配方要算准的，也正是这个定位下的那一段前沿。营养这条轴上具体怎样取舍，可接着读食品减糖以后甜味只是最容易解决的问题。
