同一台双螺杆挤压机、同一批蛋白原料，只把物料含水量从 56% 调到 59%（示意数字），口模出来的东西就可能从能一层层撕开的片状，变成发软发黏的一团。做过高水分挤压（High-Moisture Extrusion，HME）的人对这种“窗口很窄”都不陌生。植物肉的纤维不是加进去的，而是在机筒和口模里一步步“长”出来的，每个参数改变的，都是这条因果链上的一环。

第一环：水分决定熔体有多“软”

一般把含水量超过 40% 的挤压称为高水分挤压，常见工作范围大致在 50% 至 70%。蛋白与水在机筒中受热受压，形成可流动的熔体。水既是增塑剂也是介质：含水越高，熔体越稀，蛋白链越好动；但水太多，剪切传递变弱，蛋白网络来不及交联，出来的是含水的糊，不是有骨架的纤维。

第二环：温度让蛋白展开，也决定交联的速度

机筒后段温度常设在 130 至 170 ℃ 附近（量级参考，随蛋白与机型而异）。温度让球状蛋白变性展开，暴露出巯基和疏水基团，才有机会通过二硫键、疏水作用和氢键重新连接。温度偏低，蛋白没展开，得到松散颗粒；温度偏高，熔体过稀，口模处容易闪蒸，水蒸气把结构撑成海绵状。

第三环：螺杆转速与剪切，是熔体的“搅拌强度”

转速提高，剪切增强，单位质量物料接受的比机械能（Specific Mechanical Energy，SME）上升，混合更均匀，还有一部分机械能变成热，让实际熔体温度高于设定值。所以转速和温度不能各调各的：转速加一档的效果，可能被机筒降温抵消，也可能因为喂料量变了而完全变样。剪切过强会打断蛋白网络，纤维变短；过弱则混合不匀。

第四环：冷却口模把熔体排成一个方向

冷却口模（Cooling Die）是纤维形成的最后一步。熔体在口模里沿流动方向被拉长，同时壁面被冷却，靠壁的一层先固化，中心仍在流动，形成温度与速度的梯度。蛋白在降温中凝固定型，把拉长的取向保留下来，才有沿挤出方向的纤维和明显的各向异性。纤维怎样形成，目前仍有不同解释：一种强调蛋白相与多糖等成分相分离并被剪切场拉长，另一种强调剪切流动下蛋白的取向与交联。

第五环：蛋白比例与脂肪分布，决定“骨架”和“汁”

蛋白组成是骨架。大豆蛋白、豌豆蛋白、小麦面筋按不同比例混合，凝胶性和延展性各不相同，比例只能试出来，同一种蛋白的不同批次也会漂移（原料筛选思路见AI 怎样筛选适合食品加工的蛋白原料）。脂肪是另一个矛盾：它在机筒里起润滑作用，降低扭矩和剪切，也可能打断蛋白网络，所以有的工艺把脂肪放到挤出之后混入，或采用包埋形式。脂肪怎样分布，决定咬下去有没有“汁”。

窗口为什么这么窄

五环连起来，很难靠经验逐个调。水分、温度、转速、喂料量、口模温度互相耦合，一个参数动一点，其他参数的最佳位置跟着移动。假设每个参数取 5 个水平，5 个参数的全组合就有 3125 种（示意）；每个点又要等挤压机进入稳态才能取样，消耗数公斤原料，一周只能做几十个点（示意）。原料批次再一波动，上周的窗口下周未必还在。

AI 为什么进来：用更少的试验找到窗口

贝叶斯优化（Bayesian Optimization）的思路是：用已有的试验点拟合一个代理模型（常用高斯过程），同时估计每个未试组合的预测值和不确定性，再用采集函数（Acquisition Function）挑出“最值得试的下一个点”。面对硬度、咀嚼性、各向异性等多个目标，则用多目标形式寻找帕累托前沿（Pareto Front）。2025 年《Journal of Food Engineering》有一项研究，用多目标贝叶斯优化调节植物基肉类似物的质构，在较高维的工艺参数空间里，约 15 次迭代内逼近了目标质构。“约 15 次”是这项研究在其设备、原料和目标质构下的结果，并非通用承诺，换设备或蛋白，次数可能完全不同。

相关工作还有用机器学习预测植物肉硬度、咀嚼性和各向异性的研究（《Foods》，2023），以及比较机器学习与传统实验设计的挤压优化研究（2025），后者的结论这里不替它下。这类模型的用途，是先筛掉明显无望的参数组合，把宝贵的挤压机时间留给值得试的点。

仪器测出的“像肉”，不一定是嘴里的“像肉”

贝叶斯优化能逼近的，只是你告诉它的目标。植物肉常用的仪器指标有质构剖面分析（Texture Profile Analysis，TPA）的硬度、弹性、内聚性、咀嚼性，刀具剪切力，以及纵向与横向剪切力之比这样的各向异性指标。它们可重复、可量化，却都是单次、单方向的机械响应；人咀嚼时是反复剪切，唾液、体温、汁液和脂肪释放同时起作用。假设两个样品的 TPA 硬度相同，一个却被评为“干柴”，持水与释汁不同就够了。2026 年的一篇综述（arXiv 2607.09529）也把这一落差列为难点。

务实的做法，是把感官验证放进优化循环：每轮推荐一批点，除仪器质构外，挑两三个做小型感官评价，再校正目标向量。“目标质构”本身从哪里来，是某款肉制品的仪器读数，还是训练过的感官小组的描述，仍是没有标准答案的问题，也是数字孪生和自驱实验室同样要面对的缺口。