摘要
人工智能在啤酒酿造中的应用日益广泛，但相关文献分散于酿造技术、食品质量、过程工程与数据科学等多个领域。本综述整合了188篇关于人工智能在啤酒酿造中应用的文献（包括176篇原始研究与12篇综述），这些文献通过七个文献数据库的检索获得，并依据明确界定的“人工智能应用”资格标准进行了人工筛选。研究从酿造阶段、数据模态（data modality）、计算方法（computational approach）与任务类型四个维度对文献进行了系统刻画，并将其映射至酿造阶段与主要计算方法两个维度上。综述表明，人工智能应用在酿造流程中的分布并不均衡：质量保障（quality assurance）与发酵（fermentation）环节是研究最为集中的领域，而瓶装（bottling）、生产规划（production planning）与原料评估（raw material assessment）环节的研究相对较少。神经网络（neural networks）在发酵建模中尤为常见，主要用于状态估计（state estimation）、预测（prediction）、控制（control）与优化（optimization）。计算机视觉（computer vision）主要应用于原料、瓶装、泡沫、色泽及产品检测等环节。电子鼻（electronic-nose）与光谱（spectroscopic）数据，结合化学计量学（chemometric）与机器学习模型进行解析，可支持啤酒真实性鉴别（authentication）、缺陷检测（defect detection）、感官预测（sensory prediction）与质量分类（quality classification）。工业4.0（Industry 4.0）系统与数字孪生（digital twins）为全流程数据采集、规划与可持续性评估提供了基础设施支撑。总体而言，啤酒酿造中的人工智能更应被理解为一系列面向特定环节的工具集合，而非单一统一技术。更广泛的工业应用需要经过验证的数据集、稳健的传感器、可解释的模型以及与常规酿造运营的深度集成。
- 1.
引言
啤酒酿造是一项传统的食品饮料加工过程，但其复杂性从未降低。该过程将原料变异性、生物发酵、传热传质、清洗操作、包装、物流与感官质量整合为一条完整生产链。巴斯德（Louis Pasteur）关于啤酒的研究将酿造与微生物学、发酵控制及污染预防联系起来。现代数据驱动型酿造延续了更早的传统：对复杂过程进行测量、理解与改进。
当代啤酒厂面临更大规模的数据与决策挑战。酿造者必须控制麦芽、酒花、水与酵母的质量，管理糖化、过滤、煮沸、冷却、发酵、成熟、过滤与包装等环节，并维持批次间产品一致性。同时还需降低能耗与水耗、防止损耗、管理生产计划并响应多样化消费者需求。精酿与小型啤酒厂往往以有限罐容、较小团队与欠规范的数据基础设施生产多种啤酒风格，数据利用能力直接影响其一致性、产能与经济可行性。
人工智能与酿造的相关性在于，许多酿造决策依赖难以人工解读的复杂数据。大麦、酒花、瓶体、泡沫或酵母细胞图像可用于检测与分类；光谱、电子鼻信号、电子舌信号与化学指纹可用于缺陷检测、产品真实性鉴别或质量属性估计；发酵时间序列数据可用于预测密度、酒精浓度、过程阶段或预计完成时间；生产数据可支持排程、资源分配与能源管理。
深度学习提升了图像、信号及复杂非线性关系的建模能力。在医学领域，人工智能常被定位为辅助诊断、预测与不确定性决策的工具，而非替代专家判断。酿造领域同理：人工智能并非酿造知识的替代品，其实际作用是将过程、实验室、视觉、感官与生产数据转化为可支持酿造者、工艺师与质控人员决策的信息。
食品行业为此提供了自然背景。食品加工中机器学习的综述描述了配方、过程控制、产品质量评估与自适应生产系统中的应用。葡萄酒生产中的人工智能综述覆盖了葡萄栽培、发酵、瓶装、可追溯性、安全与质量控制。酿造共享诸多挑战，但具有独特的过程结构、原料、发酵特性、包装形式与质量预期。
工业应用与效率及生产质量密切相关。有效采用人工智能可提升生产率并降低缺陷率。对啤酒厂而言，缺陷、延误、罐容分配不当、能量损失与质量不一致均具有直接经济影响。然而，采用并非自动实现：人工智能系统需要可靠传感器、代表性数据集、验证、与现有设备的集成，以及足够的可解释性以在生产中建立信任。
既有综述已讨论智能技术、机器学习及人工智能对酿造的整体影响，表明该领域研究活动持续增长。然而，该领域高度多样化，人工智能应用强烈依赖具体过程环节。例如，酒花品种的图像分类与基于LSTM的发酵动态预测、电子鼻缺陷检测或数字孪生支持的生产规划属于不同问题。因此，需要以过程为导向的综述来展示人工智能在何处使用、需要何种数据以及支持何种技术决策。
本文即从过程导向视角综述啤酒酿造中的人工智能应用。在简要介绍酿造过程与所需人工智能概念后，论文分析了涵盖整个酿造链的188篇文献，并围绕一般过程应用、原料与实验室工作、规划与准备、糖化、过滤、煮沸与冷却、发酵、瓶装及质量保障等环节展开讨论。
1.1 酿造过程简介
为评估人工智能在啤酒酿造中的潜在应用，需理解酿造过程并识别人工智能可能支持的阶段。本综述将啤酒厂划分为四个主要过程区域。
1.1.1 原料储存
原料储存环节在酿造文献中受关注相对较少。该环节是原料进入酿造设施并接受初步质量控制的地点。储存人员检查包装是否损坏，并核实酵母、麦芽、酒花、瓶体、标签等物料是否按所需数量到达且满足质量要求。酵母与酒花应在阴凉干燥条件下储存以保持质量并减少香气损失；麦芽应在干燥通风条件下储存以降低霉变与虫害风险。
1.1.2 糖化车间
糖化车间是制备发酵用麦汁的过程区域，其操作亦称过程热端。酿造过程始于麦芽粉碎，将谷壳与胚乳分离。谷壳在过滤中充当助滤剂，胚乳则含有多糖水解所需的淀粉与酶。应监控粉碎过程以控制粉碎度质量，辊式粉碎机性能的微小变化可能导致糖化或过滤问题。粉碎物转入糖化罐，与水混合并加热至适宜酶活温度，形成富含糖分的麦汁。糖化过程中需控制温度与混合以维持均匀过程条件。随后在过滤阶段将麦汁与糟粕分离，需监控滤液浊度、洗糟水参数与醪液温度。过滤后的麦汁与酒花共沸以萃取香气与苦味物质，煮沸温度影响酒花化合物异构化为水溶性异构体。还应监控泡沫，过量泡沫可能促进酒花颗粒浮选并沉积于煮沸锅壁。最后通过旋沉分离热凝固物，随后冷却麦汁，此阶段需监控温度与浊度以防热凝固物进入发酵罐。
1.1.3 发酵间
发酵区域中，冷却麦汁接种酵母并发酵为啤酒，此部分亦称过程冷端。发酵始于酵母投入冷却麦汁。依据酵母菌株与啤酒风格，发酵温度从某些低醇啤酒的2 °C、下面发酵啤酒的8 °C至15 °C，直至艾尔啤酒的28 °C。发酵期间酵母将碳水化合物代谢为二氧化碳与乙醇，同时产生大量影响最终香气与风味特征的次级代谢产物。需监控酵母状态与温度，酵母状态不佳或发酵温度不当可能导致不良异味与发酵动力学改变。主发酵后进入成熟阶段，持续数周至数月，残余可发酵糖可能被代谢，啤酒被二氧化碳饱和，并通过沉降实现澄清。成熟期间温度通常维持在1 °C至5 °C。发酵操作需监控酵母状态、污染风险、温度与清洗效果。
1.1.4 灌装与储存
成品啤酒视产品规格决定是否过滤。若需澄清，应监控啤酒浊度。随后啤酒灌装至桶、瓶或罐中。包装条件直接影响产品质量与保质期，正确灌装有助于防止污染与氧化。应对包装啤酒进行灌装液位、封盖完整性及标签位置或损伤的检查。最后啤酒储存并发运至消费者。
1.1.5 酿造过程优化的科学方法
对上述操作的控制有助于最终产品质量与过程一致性。酿造科学长期应用微生物学、化学、热力学与应用数学方法进行过程监控与优化。发酵因其是啤酒生产中耗时最长的过程之一而受到广泛建模与优化研究。在大规模啤酒厂中，即使微小的时间节省也可能产生显著经济效益。数据驱动与基于人工智能的方法为过程监控、预测、优化与控制提供了额外途径。
1.2 人工智能导论
本小节介绍理解后续文献所需的人工智能概念与词汇。人工智能在此用作支持预测、分类、优化、控制或决策支持的计算方法的统称。本综述中反复出现五类任务：预测（回归）估计连续量；分类将对象归入若干离散类别之一；优化搜索满足既定目标的最佳系统设置；控制决定系统应如何随时间响应其测量或估计状态而驱动；决策支持以人类可行动的形式呈现上述结果。
1.2.1 机器学习
机器学习是人工智能的分支，模型不通过显式规则编程，而是从示例中学习映射。这与机理建模形成对比，后者从第一性原理推导系统行为并表达为方程。监督学习中训练数据由带标签的示例组成，算法调整模型使其输出匹配标签；输出为连续数则为回归，为类别则为分类。无监督学习中不提供标签，算法在数据本身中寻找结构，例如聚类或降维。主成分分析是后者的经典例子，自组织映射是结合聚类与低维可视化布局的神经方法。强化学习中智能体通过行动与接收奖励学习策略，在现代人工智能中占据核心地位，但在本综述文献中仅边缘出现。
1.2.2 特征、表示与维度灾难
无论何种算法，模型不直接观察对象，而是观察描述对象的数值向量，即特征。特征提取曾是应用机器学习中投入最多的环节。许多测量技术产生的变量数远超样本数，模型易拟合噪声，点间距离失去信息量，这些问题统称维度灾难。标准应对措施包括建模前降维、使用对大量相关预测变量稳健的算法（如偏最小二乘回归），或对模型进行正则化以惩罚复杂度。为化学与光谱数据发展这些技术的学科是化学计量学。本综述不将其视为独立的人工智能类型，而是从高维分析数据中提取可解释且经过验证的信息的方法与实践体系。
1.2.3 经典（非神经）机器学习
大部分机器学习不涉及神经网络，本综述称之为经典方法。包括线性与逻辑回归、偏最小二乘、决策树、随机森林、支持向量机、k近邻与梯度提升。这些方法通常比深度神经网络需要更少数据且更易解释。当数据集较小且特征已良好选择时，经典模型可能表现与神经模型相当或更优，二者选择应基于经验性能而非预设的方法论复杂性。
1.2.4 神经网络
人工神经网络是由排列成层的简单处理单元组成的模型。每个单元对其输入加权求和、加偏置并通过非线性激活函数传递结果；一层输出成为下一层输入。该思想可追溯至20世纪50年代的感知机，但通过反向传播成为实用工具。具有一个隐藏层的网络原则上可在给定足够单元时以任意精度逼近任何连续函数。实践中，更深架构可学习层次化表示，允许从原始数据中学习有用特征而非手工设计，这是深度学习的核心思想。不同数据类型需要不同架构：前馈网络是表格数据的默认选择；卷积神经网络（CNN）设计用于具有空间结构的数据，尤其是图像；循环神经网络（RNN）逐元素处理序列并维护内部状态，长短期记忆（LSTM）网络通过门控单元解决长序列训练困难；Transformer用注意力机制替代递归，使序列中每个元素可直接关注其他元素，并行化良好且可扩展至极大模型。
1.2.5 计算机视觉
计算机视觉是从图像中提取信息的领域。本综述将其视为面向应用的计算方法而非独立模型家族，因为视觉任务可基于经典图像描述符与分类器，也可基于神经网络实现。深度学习之前，计算机视觉主要依赖手工设计的颜色、形状、边缘与纹理描述符并输入经典分类器；现代计算机视觉通常用CNN学习描述符。可区分三类任务：分类（为整幅图像分配标签）、目标检测（额外用边界框定位每个对象）与分割（标记每个像素以勾勒对象精确轮廓）。迁移学习在实践中很重要：先在大型通用图像语料库上训练的网络仅重训最终层，即可复用于较小的专门数据集。
1.2.6 基于传感器的AI与化学信号模式识别
另一并行传统将模式识别应用于化学与物理信号而非图像。电子鼻是气体传感器阵列，各传感器响应非特异性但整体产生特定气味的特征模式；电子舌是液相类似物，使用电极阵列。二者本身均非人工智能方法，各自产生多元指纹，需用训练好的分类或回归模型解释该指纹。光谱学、色谱或质谱指纹同理：分析仪器提供高维信号，计算模型执行预测或分类。因此这类系统性能取决于校准质量，仪器、样品呈现或样品群体变化时必须重新验证。
1.2.7 优化与元启发式
许多实际问题关乎选择而非预测：给定可能配置空间与每种配置优劣度量，寻找良好配置。当空间大、离散或充满局部最优时，精确方法不切实际，使用元启发式——高效探索空间但不保证找到全局最优的通用搜索策略。遗传算法维护候选解种群并通过自然选择类比改进：适应度较高的候选被优先选择、通过交叉组合、经突变随机扰动。差分进化遵循相同种群方案，但通过添加现有解之间的缩放差异生成新候选，对连续参数有效。目标冲突时，多目标优化不返回单一答案而返回帕累托前沿——无法在不牺牲其他目标的情况下改进任一目标的解集。与此不同但常归入应用导向研究的是运筹学传统，其显式表述规划问题并用数学规划求解。排程将任务在时间上分配给有限资源；批量决策决定每期每种产品生产量；资源分配在竞争需求间分配稀缺产能。这些是经典约束优化问题而非狭义人工智能方法，但在处理相同酿造规划与决策支持问题时纳入本综述。
1.2.8 控制与软测量
控制涉及将动态系统导向期望状态。基于人工智能的方法在系统非线性、理解不足或仅部分可观测时尤为重要。模糊逻辑将知识编码为分级定性规则，形式化难以用精确方程表达的操作员经验。模型预测控制反复使用模型模拟候选行动在未来时域内的后果并应用最佳者，每步重新规划；其底层过程模型本身可被学习，例如使用神经网络。软传感器（或虚拟传感器）是从其他在线易得信号推断难以、缓慢或昂贵直接测量的量的模型，可在直接测量不切实际时为监控或控制提供估计过程变量。
1.2.9 数字孪生、物联网与工业4.0/5.0
其余术语描述基础设施而非算法。物联网（IoT）指感知与通信的仪器化设备网络；信息物理系统是计算与物理过程紧密耦合的装置。工业4.0是向互联数据驱动制造转变的标签，工业5.0是随后重新聚焦人类操作员、可持续性与韧性的重构。数字孪生是通过实时数据链路与物理资产或过程保持同步的数字模型，可在真实系统之外被查询、模拟与实验。这些本身均非人工智能方法，而是通过提供模型训练数据与输出作用接口使人工智能方法可部署的环境。
1.2.10 嵌入、大语言模型与多智能体系统
嵌入将离散项（词、成分、产品）表示为数字向量，学习使相似上下文中使用的项在空间中靠近，距离携带语义意义，构成相似性搜索与推荐的基础。大语言模型（LLM）是基于Transformer的模型，在极大规模文本语料上以预测下一词元为主要训练目标训练；足够规模下可生成流畅文本并执行多种语言相关任务，可通过普通语言指令引导。其已知局限在技术应用中很重要：可能生成貌似合理但错误的陈述，且除可用数据与外部来源外无固有信息访问。多智能体系统（MAS）将问题建模为自主智能体集合，各自基于局部信息行动并交互，系统级行为从交互中涌现。本综述将其视为计算建模范式而非特定机器学习方法，特别适合表示市场、物流网络或竞争共享资源的多设备等去中心化系统。
1.2.11 评估、过拟合与泛化
模型报告精度难以解释，除非在训练期间未见过的数据上测量。记忆训练集而在新数据上表现差的模型称为过拟合。标准防御是留出测试集或使用交叉验证。可解释性——模型推理可被理解的程度——常与精度同等重要，深度网络可解释性有限是常见挑战。跨环境泛化是实际局限：在一台仪器、一个场地或一种规模上训练的模型可能因数据分布不同而在另一环境失效，域适应与联邦学习（模型协作训练而原始数据不离开所有者）可应对此问题。
- 2.
文献综述
本综述基于188篇关于啤酒酿造中人工智能应用的文献。最终结构化检索于2026年9月5日在Scopus执行，使用酿造相关术语与人工智能术语的所有两两组合，共执行132个查询。检索返回1683条记录，去重后936条唯一记录经人工筛选，67篇保留。反向引文检索两轮分别识别59篇与7篇补充文献。补充检索在Web of Science、Google Scholar、EBSCO、SpringerLink、ProQuest与Wiley Online Library于2026年5月1日至7月4日手动进行，55篇为语料库独有新增。最终语料库共188篇：Scopus检索保留67篇、反向引文检索66篇、补充检索55篇。
筛选标准明确陈述：出版物若满足以下四条件之一则视为与酿造中人工智能相关：(i) 从数据拟合模型，输入输出关系从示例学习而非预先指定，涵盖经典机器学习、化学计量学校准、神经网络与计算机视觉模型；(ii) 针对明确陈述目标搜索候选决策空间，涵盖元启发式、进化算法及用于排程与批量决策的数学规划；(iii) 描述(i)或(ii)类方法在啤酒厂部署所需的数据采集、集成或模拟基础设施，即IoT装置、信息物理系统、工业4.0架构与数字孪生；或(iv) 综合(i)–(iii)覆盖的原始文献。纯机理动力学模型、常规统计假设检验与描述性分析化学不视为人工智能，除非存在学习或搜索组件。
四个维度在本文献中概念上不同并保持区分：所涉酿造阶段、工作运行的数据模态、采用的计算方法与任务类型。出版类型——原始研究或综述——是第五个正交属性。其中酿造阶段与计算方法用作图2映射的两个轴。在176篇原始研究中，最常见计算方法是神经网络（67篇），其次为经典方法（50篇）、计算机视觉（43篇）与大语言模型与多智能体系统（7篇）；另有37篇归入工业4.0与数字孪生行，即描述部署基础设施而非特定计算方法。38篇位于类别边界。质量保障（54篇，51篇原始研究）与发酵（45篇，42篇原始）是研究最多的阶段。计算机视觉工作集中于质量保障、原料与实验室及瓶装；神经网络研究在发酵中最常见；经典方法分布较均匀；工业4.0与数字孪生框架工作倾向于系统级，涉及质量保障、规划与一般过程。最早文献可追溯至1993年，2017年后约三分之二语料库（122篇）显著更多样化，涵盖所有过程阶段与计算方法。语料库覆盖39个国家，最多为波兰（19）、澳大利亚与巴西（17）、德国（16）、英国与中国（15）。引文网络显示澳大利亚某研究组占十篇被引最多文献中的六篇，且自身出引中57%指向自身。被引最广的跨群体文献包括伊朗电子鼻研究、意大利计算机视觉论文与捷克分类研究。约71%引文跨越国界。
- 3.
酿造过程中的人工智能
人工智能应用在酿造各步骤间差异显著。同一通用术语可能指原料图像分析、麦汁或发酵参数预测、生产控制支持或成品缺陷检测。本节按酿造阶段组织讨论，各小节内按数据模态与计算方法分组，并在描述中陈述每项研究的任务。
3.1 一般过程应用
若干既有综述将人工智能、机器学习与智能技术视为过程级主题。Violino等以“啤酒物联网”概念综述智能技术，沿生产链从糖化至啤酒杯。Nettesheim等提供聚焦酿造过程中机器学习应用的系统综述。Schlechter从更广工业视角总结人工智能对酿造业的影响。Su优化啤酒厂生产决策以联合最大化总销售额与质量评分，属于多目标表述。少数研究在更广啤酒相关背景使用神经网络模型：Hlangwani等提出开发南非传统啤酒umqombothi生物过程的最优生产建模方法；Hu等用人工神经网络结合PLS-SEM与IPMA研究精酿啤酒旅游、消费者灵感与饮酒相关消费行为。较大规模过程级研究涉及数字基础设施：Nettesheim等提出微酿啤酒厂数据驱动酿造设计概念，结合传感器系统架构与面向可持续性的机器学习应用；Dias等从巴西市场视角讨论微酿啤酒厂生产过程数字化转型。若干研究将酿造框定为工业4.0/5.0或信息物理生产环境：Lee等用微酿案例评估异构模型数字孪生开发的开源工具；Deuse等描述基于机器学习与物联网的学习基础设施，通过跨国信息物理酿造实验室开发；Schlechter展示面向工业5.0概念的以人为本酿造工厂开发与案例。其他工作将啤酒厂数字化与韧性和可持续性关联：Briatore等讨论啤酒生产线中采用IoT、边缘计算、雾计算与云计算的韧性4.0；Bowler等开发英国精酿价值链开源碳足迹计算器；Markovic等讨论农业食品系统可持续性的人工智能数据基础设施（含啤酒厂用例）；Li与Peng提出张量网络驱动的多尺度决策框架优化啤酒厂废弃物回收以实现碳中和。
3.2 原料与实验室
啤酒由水、麦芽或其他谷物原料、酒花与酵母等少数基本输入生产。综述层面，Patrício与Rieder讨论谷物作物精准农业中的计算机视觉与人工智能。传感器分类方面，Lamagna等测试电子鼻用于酒花分类；Oddi等用机器学习与物联网范式预测酒花球果成熟度，比较两种机器学习算法以预测最佳采收期。配方支持方面，Rewak提出基于启发式与嵌入模型的精酿啤酒配方推荐人工智能助手；Bravin等用Transformer生成方法在大规模公开啤酒配方数据集上训练流水线，生成新配方模板并用生成输出酿造概念验证IPA；Ermi等用类似公开配方数据训练深度神经网络，直接从配方规格预测成品啤酒化学属性（酒精含量、苦度与色泽）。多数研究使用计算机视觉：酒花相关包括UFOP-HVD酒花品种分类数据集及传统特征提取与深度学习的比较；谷物材料方面，Ramirez-Paredes与Hernandez-Belmonte用颜色、形状与纹理描述符评估制麦大麦质量；Szczypiński与Zapotoczny开发大麦籽粒识别、方向估计与表面结构评估算法；Guevara-Hernández与Gomez-Gil提出小麦与大麦籽粒分类机器视觉系统；Szczypiński等用计算机视觉识别大麦品种并处理缺陷识别；Koz?owski等用卷积神经网络直接训练籽粒图像进行品种分类并扩展至缺陷与品种识别；Embeyale等用纹理特征CNN对酿造用制麦大麦分级。若干论文用成像检测谷物污染或虫害：Fornal等用软X射线成像检测小麦中谷象卵与内部阶段；Boniecki等用X射线图像检测谷象损伤麦粒；后续研究引入神经方法检测谷象。神经网络与机器学习也应用于实验室与原料处理：Carvalhal Pinto等用机器学习提高酒花干燥效率；Wei等用神经网络机器视觉与暗场显微镜进行酿酒酵母细胞无试剂活力测定；Feizi等用无透镜片上显微镜结合机器学习分类，报告快速便携无试剂的酵母活力与细胞浓度估计。
3.3 规划与准备
酿造生产规划在成为技术问题之前首先是计算问题。生产计划须决定生产何种啤酒、数量、每批启动时间与使用资源。酿造主要是批处理过程，糖化车间产能、发酵罐、成熟罐、过滤、包装线、清洗操作与交付日期均构成约束。此类问题在计算机科学与运筹学中通常描述为排程、批量决策或资源分配。Nadybski与Rewak讨论智能优化方法提高生产过程效率。多项研究通过经典优化、排程、批量决策或需求预测处理酿造规划：Baldo等提出啤酒行业批量决策与排程问题优化方法并比较替代数学模型；Sáenz-Alanís等研究酿造公司并行机批排程问题；Georgiadis等直接聚焦啤酒厂最优生产规划与排程。Zheng与Dai将啤酒生产排程表述为多学科设计优化问题，用协作优化方案求解，一致性约束使用曼哈顿距离且迭代由变色龙群算法更新。Lipka等将排程与啤酒厂能源系统关联，表述混合整数线性规划，多模态批过程启动时间成为能源系统设计与日前调度的灵活性资源；应用于运营啤酒厂时，灵活性仅边际改变最优系统设计（锂离子电池容量减少约十分之一），但降低峰值电网需求与年度采购成本数个百分点，大部分收益来自早晨批次延迟仅一小时余。Rewak提出通用啤酒厂排程框架，涵盖麦汁生产、发酵、成熟与包装，考虑异构罐、批次拆分合并、清洗、人员约束与不确定加工时间；其对16项研究的综述显示无现有模型以该运营灵活性水平覆盖完整生产管线，端到端与随机排程为开放问题。机器学习可支持规划：Li用机器学习预测丹麦精酿啤酒厂缺货；Nettesheim等用模拟评估智能桶提升啤酒厂物流；Rewak用差分进化生成智能啤酒厂批发酵排程酿造场景。神经网络与混合优化方法用于另一组规划研究：Akaninwor等应用前馈人工神经网络进行啤酒厂生产利润优化；Ogbu等结合统计与机器学习方法优化啤酒行业生产；Takahashi等结合人工神经网络与进化算法优化酿造过程；Sun提出基于遗传算法与LSTM神经网络的制造排程方法；Hassen与Asmare用人工神经网络建模Habesha啤酒厂污水处理厂预测性能。最系统导向的研究将规划描述为数字啤酒厂基础设施的一部分：Mickein等开发Feldschl?sschen啤酒厂生产规划决策支持系统，并扩展至战略规划，表述啤酒厂特定多级有容量批量决策问题，涵盖提前期、保质期、多级过程与储罐限制，用基于优先级的固定-松弛-优化启发式求解；该研究用规划模型回答战略问题——增加低需求产品如何影响整个生产系统。Koulouris等综述食品配料与产品制造中过程模型与数字孪生在生产模拟与排程的应用；W?stmann等提出基于统一数字孪生与共享预测模型的数据驱动配方优化；Schlechter等提出用数字化方法实现个性化啤酒酿造的业务与生产工程概念；Rewak与Rusiecki通过灵活批发酵过程数字孪生实现智能啤酒厂可靠资源规划。
3.4 糖化、过滤、煮沸与冷却
糖化、过滤、煮沸与冷却构成酿造中麦汁生产的主要部分。人工智能应用主要与过程评估、麦汁性质预测、热与水资源管理、结垢检测及操作条件优化相关。早期例子是Sarabia等将神经网络应用于过滤槽控制，用过程测量指导麦汁与糟粕分离。部分工作通过数字或智能制造基础设施描述此阶段：Pogo等开发精酿啤酒生产中糖化与煮沸过程虚拟环境；Nimbalkar等讨论智能制造技术改善啤酒厂运营性能与生产率。计算机视觉也用于糖化直接评估：Song等开发基于机器学习的酿造糖化评估视觉系统。神经网络模型构成此小节最大组：Rembold等用LSTM网络预测麦汁密度；Estracanholli等通过FTIR光谱结合神经网络分析实时定量啤酒麦汁碳水化合物；Pribi?等结合人工神经网络与遗传算法建模并优化小黑麦麦汁生产；Bai等用神经网络分析啤酒酿造各阶段能耗分布并识别潜在节约点；Conduah等用基于ANN的模型预测微酿啤酒厂能耗并与储热方案关联。若干神经网络研究涉及侧流、热交换或酿造车间辅助过程：Costa Júnior等用人工神经网络建模啤酒麦糟酚类化合物提取；Dewasme开发基于神经网络软件传感器估计啤酒厂废水厌氧消化器关键组分；Akinpelu等结合响应面法与人工神经网络优化啤酒厂废水支持酸性矿山排水处理。冷却与传热系统由混合与软测量方法处理：Riverol与Napolitano用神经网络估计结垢下管式换热器总传热系数并应用于啤酒瞬时灭菌器；Hou等用软测量方法在线测量啤酒厂麦汁蒸发器结垢；Hou与Zhou用混合模糊神经网络估计交替生产配方下周期性结垢；Edgar等提出板式换热器性能的混合热力学与机器学习优化用于啤酒厂冷却系统。其他研究用统计或优化方法改进过程：Shen等开发工业啤酒生产优化醪液分离效率统计模型；Pettigrew等用参考网优化啤酒厂原位清洗系统用水；Al-Rifaie与Cavazza提出多目标进化啤酒优化。一项更广研究将过程变量与最终感官质量关联：Schreurs等用机器学习预测并改善复杂啤酒风味。
3.5 发酵
发酵是人工智能相关文献中研究最多的酿造阶段之一。发酵时间长、动态且由生物驱动，并非所有重要变量都易直接或连续测量。因此许多计算方法聚焦状态估计、过程轨迹预测、在线监控、控制支持与偏差早期检测。综述层面，Yu等讨论传统发酵酒精饮料开发中基于人工智能的方法；Vassileva与Mileva较早描述基于人工智能的啤酒酿造监控与控制软件工具。近期一组研究通过数字模型与数字孪生处理发酵：Dazzarola等通过集成工业过程数据与基于模型的发酵描述符开发啤酒质量控制数字模型；Muctadir等聚焦啤酒厂数字孪生中的模型一致性管理；Goffi等设计用于啤酒发酵采样监控与控制的数字孪生。其他研究聚焦识别发酵当前阶段或状态：Buonocore等提出啤酒发酵阶段在线识别；Vann等将近红外光谱用于关键发酵参数在线监控并集成至前馈控制策略。
3.5.1 发酵中的神经网络
神经网络在啤酒发酵建模中历史悠久。早期研究因其难以用简单机理方程完整描述而使用神经网络。D'Amore等将神经网络建模呈现为酿造发酵应用领域；Syu等用神经网络预测酿造发酵；García等应用神经网络控制并预测啤酒发酵质量参数。若干早期论文聚焦实时状态估计与过程预测：Simutis等提出模糊辅助神经网络用于生产规模啤酒酿造酒精形成步骤的实时状态估计与预测；Gvazdaitis等结合神经网络与反馈控制实现酿造发酵罐温度控制；Rousu等研究实验室与工业规模啤酒发酵速度预测；Corrieu等处理酿造发酵中密度与乙醇演变的在线估计与预测。后续研究扩展至更广预测与工业建模：Trelea等比较从基于知识模型到黑箱方法的酿造发酵预测模型；Becker等用动态神经网络进行工业发酵在线优化；Assidjo等将人工神经网络应用于工业啤酒厂建模。
3.5.2 新模型
近期研究使用更新序列模型与非侵入测量回归发酵动态：O'Brien等用自回归循环神经网络建模并预测混合培养啤酒发酵动态，后续用LSTM网络建模啤酒发酵动态。Sipos等用神经网络获取酒精发酵过程状态变量间接信息。Bowler等用超声波测量与机器学习预测啤酒发酵酒精浓度；后续研究域适应与联邦学习用于啤酒发酵超声波监控。
3.5.3 发酵产物
另一组研究用数据驱动模型将发酵与产品质量关联：García等建模工业啤酒发酵酯类生成；Riverol与Cooney用神经网络估计啤酒发酵酯形成。其他工作预测质量相关化学或功能属性：Zhang等用神经网络与支持向量机预测成品啤酒乙酸含量；Mileva与Vassileva将基于ANN的预测应用于酿造发酵抗氧化特性。香气形成优化也被作为控制问题研究：Trelea等处理酿造发酵中香气生产动态优化；Viejo等用机器学习建模声波处理对啤酒泡沫性与感官属性的影响。
3.5.4 非侵入监控
光谱测量
