引言
用于营养强化、功能食品和精准营养的生物活性化合物通常溶解度有限，且对光、热和氧气敏感。它们在加工和储存过程中可能会丢失，或在消化期间释放效率低下 (Song, Li, Shang, Wang, & Tan, 2023)。食品乳液可以通过油相溶解、界面包衣和多尺度结构组织来调节其空间定位、局部微环境和质量传递途径 (Zhaohua Huang, Guo, Pan, Gong, & Zhang, 2025)。因此，乳液研究已从形成稳定的分散体发展到协调控制生物活性保护、储存保持和环境响应释放。
食品乳液的工程价值在于其组成和结构的可调性。油相组成、乳化剂种类、界面层性质、液滴特性和连续相网络共同影响氧化保护、泄漏风险和消化相关释放 (Rincón, Cámara-Martos, Usala, Trujillo-Cayado, & Espinosa, 2025)。不同的乳液架构创造出具体的空间组织、界面屏障和扩散途径。因此，其适用性取决于生物活性的理化性质、食品基质组成、加工历史、预期保质期和目标释放环境。放大进一步引入了与粘度、设备通量、能量输入和界面重组相关的实际约束。
因此，设计负载生物活性物质的食品乳液是一个动态结构调节问题。高包埋效率或初始动力学稳定性并不一定确保在加工、储存和消化期间的适当性能。核心挑战是在制造和储存期间保持所需的结构，同时能在预期条件下实现及时的结构重组 (Luo, Ye, Wolber, & Singh, 2023)。松散堆积的界面可能会增加聚集、泄漏和氧化。相反，过于密集的界面或连续相网络可能会阻碍质量传递、脂质消化或生物活性释放。因此，稳定性和可控释放取决于界面、液滴和网络结构随时间耦合演变。传统乳液设计主要依赖经验筛选、一次一因素实验、正交设计和响应面优化。尽管在有限的配方空间内有用，但这些方法无法轻易解决材料组成、加工条件、结构演变和释放行为之间的高维、非线性和多尺度关系。相同的初始液滴大小或包埋效率仍可能产生不同的储存稳定性或释放轨迹。原料来源、设备和评估协议上的差异进一步限制了局部实验发现向新配料、加工路线和现实食品基质的可转移性。
人工智能 (AI) 的最新进展正在将数据驱动建模从孤立的结果预测扩展到整合异构观察、机制感知推理和迭代实验设计。这种转变与食品乳液工程相关，因为配方、加工历史、界面组织、液滴群和连续相网络共同决定生物活性保护和释放。机器学习模型可以从配方和理化数据中识别有影响力的模式，而深度学习方案可以从图像、光谱和动态测量中提取结构信息，这是传统描述符可能无法完全捕捉到的 (M.-Q. Liu, Zhou, Zhao, & Zhang, 2025)。原则上，这些进展可以识别有前景的配方和加工区域，整合互补的结构证据，并优先安排减少设计决策不确定性的实验。然而，其实际价值取决于标准化数据集、机制相关特征、可解释分析和独立验证。
尽管取得了这些进展，但现有的食品乳液相关 AI 研究和综述在范围和表征方面仍然是碎片化的。机器学习方法已被用于预测选定的配方或质量终点，如液滴大小、物理稳定性、流变学性质、乳化剂性能或微观结构特征，但这些结果通常被视为孤立的响应，而不是演变结构状态的结果 (Zongyu Huang et al., 2022; Uma?a, Llull, Bon, Eim, & Simal, 2022)。尽管最近的综述已开始讨论乳液凝胶体系（如用于减盐和咸味感知的淀粉基乳液凝胶）中的 AI 辅助结构设计，但这些讨论仍然局限于特定的食品功能和基质类型 (Meng, Ren, & Miao, 2025)。相比之下，负载生物活性物质的食品乳液需要协同考虑生物活性定位、界面组织、液滴排列、连续相网络、储存保持、化学保护、消化释放和生物可及性。因此，很少有人关注 AI 如何明确表征连接可控配方和加工变量与时间依赖递送性能的中间结构状态。关键差距不仅在于缺乏预测算法，而在于缺乏以结构为中心的框架来以时间有序且实验可验证的方式组织组成 - 工艺 - 结构 - 功能关系。
本综述通过从以结构为中心的食品工程视角审视 AI 赋能的负载生物活性物质食品乳液设计来解决这些差距。我们不是将 AI 视为通用的预测工具，而是关注如何将生物活性、材料、配方和加工描述符与可测量的结构状态、动态性能表型和实验元数据联系起来。来自食品乳液体系的直接证据与源自相关递送平台的方法学证据有所区分，以便批判性地评估当前进展和证据边界。在此基础上，本综述提出了一种针对配料和载体选择、结构和工艺优化、多目标决策和针对性实验验证的 AI 就绪表征和闭环设计策略。
