《Food Control》：Artificial intelligence in quality- and safety-driven food formulation: Current applications and future potential
编辑推荐：
Ilayda Sanli|Gulay Ozkan|Esra Capanoglu食品工程系，化学与冶金工程学院，伊斯坦布尔技术大学，34469 Maslak，伊斯坦布尔，土耳其摘要人工智能（AI）已成为食品行业的重要工具，能够实现质量评估、掺假检测、安全控制、感官评价和工艺优化，但
Ilayda Sanli|Gulay Ozkan|Esra Capanoglu
食品工程系，化学与冶金工程学院，伊斯坦布尔技术大学，34469 Maslak，伊斯坦布尔，土耳其
摘要
人工智能（AI）已成为食品行业的重要工具，能够实现质量评估、掺假检测、安全控制、感官评价和工艺优化，但在食品配方中的系统应用相对有限。因此，本文综述了最常用的AI模型及其优缺点，以及AI辅助的配方生成、原料选择、配方优化和以质量和安全为导向的食品产品开发。此外，还解释了AI辅助食品配方所需的关键参数，如法规限制、原料的物理化学性质和食品安全性，这些信息可以从文献或行业标准中获取。最新研究表明，AI模型在特定任务中可以达到较高的预测性能；然而，这些结果应谨慎解读，因为模型的可靠性取决于数据集的大小和质量、食品基质的复杂性、输入数据的代表性、验证策略以及实验验证。质量、安全和过程监控应用也被视为配方设计的辅助工具，因为它们有助于验证原料的真实性、确定安全的配方范围并预测产品特性。总体而言，AI为减少试错实验和加速研发提供了有希望的机会，但要实现更广泛的应用，需要标准化的食品配方数据集、可解释的模型、外部验证以及与专家感官评估、分析测试和工业规模测试的整合。
引言
人工智能（AI）是一种模仿人类认知过程（如思考、计划、快速识别和学习）的系统，并且由于具备决策能力，能够自主执行任务（Suriyaamporn等人，2024；Xu等人，2024；Yu等人，2024）。由于AI模型能够处理复杂问题、促进自动化并通过自我学习不断改进，因此在科学和工业领域越来越受欢迎（Ahmad & Benjamin，2023；Tseng等人，2023）。
深度学习（DL）和机器学习（ML）是AI的两个子领域，它们能够提高准确性、节省时间、简化使用流程并适应复杂的数据集（Barthwal等人，2024）。这些子领域包括多种模型，如人工神经网络（ANN）（Batista等人，2021）、支持向量机（SVM）（Kelis Cardoso & Poppi，2021）和K近邻（KNN）（X. Chen等人，2025），这些模型在食品相关应用中得到广泛应用。DL模型与ML模型的主要区别在于，DL模型可以利用大规模数据集并成功使用多个隐藏层来捕捉非线性关系（Theodore Armand等人，2024；Tseng等人，2023）。
如今，AI被积极应用于科学研究、工程方法、食品系统、医药行业，以解释和理解数据分析、药物发现、农业生产率、物流以及食品质量和安全参数（Chhetri，2024；Stergiou等人，2022）。特别是在药物发现和开发过程、配方优化以及制药行业的剂量确定方面，AI模型具有巨大潜力，从而显著减少了劳动力需求和试错过程。多项综述文章强调了AI在药品开发和优化工作流程中的潜在整合作用（Huanbutta等人，2024；Jariwala等人，2023；Suriyaamporn等人，2024）。
然而，AI在食品行业的应用，尤其是在配方优化和设计方面，仍然相对有限。正如Kumar等人（2021）所指出的，该行业的操作工作量相当大，而AI自动化在菜单开发、农业实践和质量确定方面提供了重要机会。尽管AI在相关领域展示了诸多优势，但在食品配方中的系统应用在文献或工业实践中尚未得到充分探讨。
因此，本文回顾了2019年至2026年的最新研究，探讨了基于AI的模型在以质量和安全为导向的食品配方中的应用，提供了不同的视角，并讨论了可用作输入的参数以及基于AI的方法的局限性。文献检索使用了Web of Science和Google Scholar数据库，关键词包括“食品配方”、“配方开发”、“食品产品设计”、“食品配方”、“风味优化”、“质地优化”、“食品质量”、“配方优化”以及“人工智能”、“机器学习”、“基于AI的”、“深度学习”、“算法”、“神经网络”。选择的研究集中在与食品配方、配方开发、原料选择、质量预测、感官优化、掺假检测、微生物监测或工艺优化相关的AI或机器学习应用上。特别关注了报告模型输入、输出目标、模型类型、预测性能以及对食品配方潜在相关性的研究。根据模型类型、应用领域、配方相关性、优势、劣势和未来适用性对文献进行了批判性综合。
章节摘录
人工智能（AI）学习工具和模型
用于食品应用的人工智能（AI）方法大致可以分为基于学习的模型和以优化为导向的方法。模型选择很大程度上取决于输入数据的类型、目标输出、数据集的大小，以及目的是预测、分类、知识提取还是配方优化。
AI在食品配方中应用的输入参数和关键控制点
配方试验是食品产品开发的核心过程，其目的是在不同条件下评估多种原料的功能、物理化学和感官特性。传统配方策略存在一些缺点，如耗时的试错实验、漫长的开发周期和高劳动需求。因此，通过
AI模型的应用
近年来，AI模型在食品行业的应用范围有所扩大，特别是在质量评估、食品安全监测、分类和工艺优化领域。表2展示了基于AI的方法的代表性应用领域。在这些研究中，预测准确率超过了90%，凸显了其可靠性和实用性。
对于基于分类的研究，准确率通常表示正确
AI在食品配方和食品行业应用的挑战与未来前景
利用AI模型进行食品配方开发最终可以通过大幅减少试错过程来降低成本（Suriyaamporn等人，2024；Vora等人，2023）。尽管AI模型在食品相关应用中显示出潜力，但由于食品系统的固有复杂性、变异性和异质性，其在食品行业的广泛应用目前受到方法论、技术和实际问题的限制。
结论
AI是一种先进的工具，可以模仿人类的学习、推理和决策功能，近年来在食品行业的应用显著增加。近年来，AI在食品行业的主要应用集中在质量控制、分类、掺假检测、微生物监测、储存条件和工艺优化方面。然而，这些应用不应仅被视为孤立的质量和安全措施
CRediT作者贡献声明
Gulay Ozkan：撰写——审稿与编辑、调查、概念化。Ilayda Sanli：撰写——初稿、调查、概念化。Esra Capanoglu：撰写——审稿与编辑、调查、概念化
未引用参考文献
Abdi等人，2024；Ameen等人，2025；BitterSweet，2026；Bobinait?等人，2020；FooDB，2026；H. Lee等人，2020；Hebling e Tavares等人，2022；Mir等人，2023；NotCo，2026；NotCo，2026。
资金声明
本研究未获得公共部门、商业部门或非营利组织的任何特定资助。
利益冲突声明
? 作者声明没有已知的可能会影响本文工作的财务利益或个人关系。
