一款调味酱的配料表列了十二个成分（示意），研发主管想知道：哪几个能动，动了以后什么会变？如果直接让 AI 给出一份“更简洁的配方”，多半会得到一串看似合理的替换，可这些替换成立的前提，是 AI 知道每个成分在体系里替谁干活，而它往往并不知道。纵横国际官网把配方 AI 的第一步放在这里：先弄清功能，再谈优化。
先问功能：每个成分在替谁干活
| 功能类别 | 在体系里解决的问题 | 调整后最先牵动的指标 |
|---|---|---|
| 乳化（Emulsifier） | 让油相与水相长时间混匀 | 分层出现的时间、口感是否顺滑 |
| 稳定与增稠（Stabilizer、Thickener） | 撑住粘度，托住悬浮颗粒 | 粘度、质构、颗粒下沉 |
| 防腐（Preservative） | 压制微生物生长 | 货架期，以及对 pH、水分的依赖 |
| 抗氧化（Antioxidant） | 延缓油脂氧化与褪色 | 风味劣变、颜色稳定性 |
| 酸度调节（Acidity Regulator） | 控制体系 pH | 风味、防腐效果、蛋白稳定性 |
| 甜味与着色（Sweetener、Color） | 满足感官与外观要求 | 甜度曲线、体积、褐变与颜色 |
一个成分常常身兼数职：有机酸既调 pH，也协助防腐；增稠剂既稳住悬浮，也塑造口感。所以数据库里的功能字段要允许多标签，只给一个标签，后面的替换推理就建立在残缺的前提上。各类添加成分分别解决什么问题，可以先对照防腐剂、稳定剂和乳化剂分别在解决什么问题。
“如果……会……”：动一处，牵动几处
下面这些只是可能性，具体程度取决于体系和工艺：
- 如果把体系 pH 调高，弱酸型防腐剂中真正起抑菌作用的分子形态占比会下降，同样的用量，防腐效果可能变弱。
- 如果换一种增稠剂，同样的粘度读数下，口感、拉丝感以及耐热、耐剪切的能力都可能不同。
- 如果去掉某个甜味来源，除了甜度，体积、水分活度和褐变程度也会跟着变。
- 如果提高杀菌或热灌装的温度，有的稳定剂形成的网络结构会受影响，货架期内析水、沉淀的行为随之改变。
- 如果换了原料批次或供应商，同名成分的规格差异，也会让结果出现漂移。
这些影响彼此牵连，配方问题从一开始就是多指标问题，想减少成分时为什么不能只删除对此有更详细的说明。
AI 需要哪些数据，缺了会怎样
配方数据集的字段，可以分成五层来看。成分与功能层记录 Ingredient（成分）、Function（功能）、Amount（用量），缺了它，替换会建立在错误的功能假设上。食品类别与法规层记录 Food Category（食品类别）和 Regulation（法规），缺了它，候选配方可能根本不适用于目标市场。法规层要特别小心：允许哪些品种、用在哪类食品、出于什么目的，各国家和地区并不一致，GB 2760《食品添加剂使用标准》、Codex、JECFA 以及欧盟、美国的相关制度各有侧重，喂给 AI 的数据必须标明版本与适用范围，最终以适用法规的现行版本为准。性能与感官层记录 Texture（质构）、Shelf Life（货架期）、Sensory（感官），缺了它，AI 只能优化成本和合规，并不知道做出来好不好。成本与供应层记录 Cost（成本）和原料规格，缺了它，推荐出的组合可能买不到，或者买不起。
最容易缺失的是第五层：失败记录。实验室里没做成的配方，往往只留在笔记本里，AI 只见到成功的配方，就会高估可行性。这几层字段在 App 里通常怎样查询，可以看App 怎样查询添加剂、配方和食品类别信息，具体以当前发布版本为准。
优化闭环：从候选到试验，再回到数据
- 成分功能
- 法规约束
- 产品目标
- 优化推荐
- 中试与感官试验
- 结果回流更新
假设 12 个成分，每个只取 3 个用量水平，全部组合就有 3 的 12 次方，即 531,441 种（示意），试验台不可能逐个走完。AI 的第一步，是用功能和法规约束砍掉明显不可行的部分；第二步，用贝叶斯优化（Bayesian Optimization）每轮推荐一小批最值得试的组合，比如 8 个；试验结果连同失败一起回流，下一轮据此更新。多个目标同时存在时，帕累托前沿（Pareto Front）给出的是一组折中方案，而不是唯一答案。能否把试验量压到几十个的量级，取决于体系是否足够平滑，以及数据的质量。
2026 年另有一项计算框架，把成分级的营养与活性数据库、机理动力学模型、机器学习预测器和全局优化放进同一个回路，面向加工食品的营养与抗氧化指标做优化。机理模型与数据驱动的预测放在一起，是配方 AI 值得关注的方向。
AI 能做什么，做不到什么
| 环节 | AI 能提供 | 仍要靠人与试验 |
|---|---|---|
| 资料整理与检索 | 有研究用语言模型加检索增强生成（RAG），把自由文本配料表对齐到受控词表；JECFA 数据库可作为毒理学评估资料的检索来源 | 检索结果只当线索，结论要回到原文核对 |
| 候选生成 | 按功能、法规、成本筛选，给出帕累托前沿上的候选 | 决定哪一个进入中试，要看质构与感官 |
| 性能预测 | 成分搭配、可行性、感官与功能特性预测，可与响应面法（RSM）等传统统计工具互补 | 预测只覆盖数据库里见过的成分与工艺范围 |
| 法规判断 | 提示可能相关的类别与条款 | 合规结论以适用法规现行版本为准，由法规人员确认 |
| 放大 | 提示可能敏感的因素 | 中试与加速货架期试验，验证剪切、加热、灌装条件下的表现 |
“性能预测”一行的说法，来自 2026 年一篇面向功能食品方向的综述，它认为 AI 可以辅助这几类工作，并反复强调透明度、伦理与监管沟通。研发与检测两条线怎样一起走向成分管理，可以看配方 AI 与成分管理。
落地时先做的几件事
- 给每个成分建多标签的功能字段，再让 AI 参与推理。
- 把没做成的试验也录进数据库，写明失败原因，如分层、析水、口感偏差。
- 每一轮留出一两个由研发经验选出的对照配方，与 AI 推荐的候选一起进试验，比较谁更接近目标。
- 要求每条推荐带着依据和不确定度，看它靠的是哪些数据，而不是只看一个得分。
- 候选进入中试前，由法规人员逐项对照适用法规的现行版本。
- 中试之前先做加速货架期试验，筛掉稳定性有明显问题的候选。
AI 给出候选，取舍权仍在研发手里：一个组合值不值得占用一次中试，得看过试样的质构和口感才有底。下一个值得在团队里问的问题是：上一轮 AI 推荐的配方在中试中失败了，失败原因有没有被写回成新的约束？