编辑推荐：
本综述聚焦人工智能（AI）在食品安全领域的应用，探讨其在食源性疾病预测、食品欺诈检测等场景的实践，分析 AI 系统传感、推理、执行三要素及五步骤实施周期，强调数据质量是关键，需坚持 “人在回路” 原则辅助决策。
食品安全管理的 AI 赋能与数据驱动
食品安全作为全球关键议题，传统管理方式如危害分析与关键控制点（HACCP）及基于风险的预防控制（HARPC）虽奠定基础，但面对现代食品系统的复杂性，亟需创新技术。人工智能（AI）依托机器学习（ML）、深度学习等技术，为食品安全带来新机遇，但其效能高度依赖数据质量。
AI 系统的核心架构与技术要素
AI 系统在食品安全应用中包含三大核心要素：传感、决策与执行。传感元件通过高光谱成像、红外（IR）/ 近红外（NIR）摄像头、气体传感器等设备，实时采集供应链各环节数据，如微生物污染、温湿度变化等。物联网（IoT）技术进一步整合多源数据，涵盖天气、物流、公共卫生等信息，为 AI 提供丰富输入。
决策模块整合多种模型。基础模型基于物理 / 生物原理，如巴氏杀菌中的热力学分析；混合模型结合专家知识与实验数据，典型如预测微生物学中的 Logistic 和 Gompertz 方程，用于描述微生物生长曲线（形如 “S” 型）。数据驱动模型则依赖大数据，机器学习算法如随机森林、人工神经网络（ANN）通过分析海量数据识别模式，其构建流程包括数据收集、清洗、训练、验证及部署，需警惕过拟合与数据偏差问题。
执行模块将 AI 决策转化为实际行动，如生产线中的机械臂剔除不合格产品，或通过数字系统自动调整仓储参数。然而，关键决策如产品召回仍需人类专家介入，形成 “人在回路” 的协同模式。
AI 在食品安全中的多元应用场景
食源性疾病预测与暴发检测
机器学习通过分析历史疫情与环境数据预测风险。无监督学习可挖掘食品、地点与病原体的关联模式，监督学习则用于分类（如污染与否）或回归（如感染人数预测）。自然语言处理（NLP）技术分析社交媒体数据，可提前识别潜在疫情信号，辅助监管部门快速响应。
食品欺诈检测与供应链监控
基于 AI 的异常检测模型通过化学组成分析识别标签造假或掺假行为。可解释人工智能（XAI）技术如 LIME、SHAP 增强模型透明度，助力追溯欺诈源头。物联网与 AI 结合实现供应链实时监控，卷积神经网络（CNN）和长短期记忆网络（LSTM）通过时序数据分析预测腐败风险，强化追溯能力。
质量控制与货架期预测
深度学习模型（如 CNN）通过图像识别检测食品缺陷或异物，结合传感器数据实现微生物污染实时监测。回归模型与时间序列算法分析环境因素（温湿度、乙烯浓度）对食品品质的影响，动态预测货架期，减少浪费并保障安全。
过敏原检测与风险 mitigation
NLP 与分类算法扫描成分表和标签，识别过敏原风险。卷积神经网络（如 ResNet34）可精准检测食品中痕量过敏原（如麸质、坚果），结合集成学习模型提升预测准确性，守护过敏人群健康。
AI 应用的挑战与未来方向
AI 的局限性主要源于数据质量：不兼容的数据格式（如结构化传感器数据与非结构化文本）增加整合难度；数据偏差（如检测限附近的误差、发表偏倚）可能导致模型失真；隐私问题（如企业机密、消费者健康数据）需通过匿名化与安全协议平衡。此外，AI 缺乏因果推理能力，需领域专家（食品科学、微生物学）解读模型输出，确保决策合理性。
未来发展需聚焦数据治理，推动全供应链数据标准化与共享，同时强化 “人在回路” 机制，使 AI 作为辅助工具提升决策效率。随着技术演进，AI 有望从分析工具向主动干预系统升级，结合实时执行模块构建更智能、弹性的食品安全体系，以应对人口增长、气候变化等全球性挑战。
