《Sustainable Food Technology》：AI-enhanced blockchain technology for food traceability and sustainabilityOpen Access
全球食品供应链（FSCs）日益复杂，对可靠可追溯性、食品安全、欺诈防控和可持续性评估的需求不断增长。区块链（blockchain）技术为记录供应链事件提供了去中心化且不可篡改的基础设施，而人工智能（AI）则为预测、监测和决策提供高级分析能力。本叙述性综述考察区块链赋能食品可追溯性的近期进展，并讨论AI、区块链与物联网（IoT）传感技术的集成如何将传统可追溯系统转化为智能决策支持平台。所综述研究的证据表明，AI增强的区块链系统正应用于广泛的食品供应链活动，包括冷链监测、欺诈检测、质量评估、需求预测、食物浪费减少和可持续性评估。近期实施日益将区块链与智能合约（smart contracts）、云与边缘计算、移动应用和IoT传感技术集成，从而实现供应链全过程的连续数据采集和近实时分析。尽管取得上述进展，数据互操作性、可扩展性、可靠数据获取、AI模型验证和治理相关挑战仍限制更广泛采用。为应对这些挑战，研究人员探索了标准化数据模型、可解释AI（XAI）、联邦学习（FL），以及在区块链上记录AI模型元数据，以提高透明度和可审计性。总体而言，区块链为数据完整性和可追溯性提供了可信基础，而AI通过支持预测分析和数据驱动决策拓展其价值。未来进展将取决于可互操作的系统架构、高质量数据和稳健的AI实施，以在食品安全、运营效率和可持续性方面实现可测量改进。
1. Introduction
食品供应链（FSCs）是由农户、加工商、分销商、零售商和监管者构成的全球复杂网络。可追溯性被界定为系统追踪和溯源食品及其组分在生产、加工和分销各阶段的能力，对食品安全和质量至关重要。传统中心化追踪系统存在数据孤岛、透明度有限、易受数据操纵或人为错误影响等问题，并出现2008年中国奶粉事件等可追溯性失败案例。区块链作为分布式数字账本，通过密码学哈希和共识机制提供不可篡改与透明性，可使利益相关者共享防篡改产品历史记录；但区块链本身不能独立验证传感器、实验室或人工录入信息在捕获点的准确性。智能合约可自动执行付款释放或暂扣、检查请求、警报和产品分流等操作。AI模型可在链外分析供应链数据并输出货架期、腐败风险或配送优先级，通过预言机或软件接口将输出发送至智能合约，同时可在链上记录预测、生成时间、模型版本和操作结果，原始数据与模型计算保留链外，从而形成可审计链接。区块链亦与循环经济（CE）相关，可支持可追溯测量、数据来源审计和循环性决策。IBM Food Trust等试点显示，区块链可将芒果溯源时间由近一周缩短至数秒，Walmart、Carrefour等已推动供应商接入。区块链还可记录耕作实践、碳足迹和劳动条件等信息，以验证可持续性声明并支持食物捐赠和浪费减少。食品欺诈仍是重大挑战，区块链单独使用时检测复杂欺诈模式和支持主动干预的能力有限，因此本综述聚焦AI增强区块链系统如何从被动追溯转向主动预防食品欺诈和掺假，并支持FSC可持续决策。文献检索采用blockchain、artificial intelligence、machine learning、internet of things、food supply chain、traceability和sustainability等术语组合，纳入近年英文概念性论文、综述、实证研究和实施或试点应用，排除与FSC无关、重复记录及方法或应用细节不足的研究。
2. Blockchain-based projects and cryptocurrency initiatives in the food sector
该部分梳理农业食品领域代表性区块链项目，涵盖企业追溯平台、食品追溯平台、互操作平台以及消费者透明与可持续平台。IBM Food Trust、VeChain、TE-FOOD（TFD）、OriginTrail、OpenSC和Fairfood等虽在治理结构、技术架构和商业模式上不同，但均旨在提升FSC透明度、可追溯性和信任。TFD是较大规模农场到餐桌实施之一，2017年在越南启动，聚焦畜禽和生鲜食品，结合QR码、RFID标签和移动应用记录养殖、屠宰、运输和零售各环节，公开资料报告其每日追踪约20万只鸡和250万枚鸡蛋，其代币兼具服务访问、交易费支付和数据上传奖励功能。Food Coin Ecosystem（FCE）基于Ethereum，面向食品农产品全球市场和支付生态，包含数字钱包、支付系统、远程认证和产品来源ID，并以智能合约托管付款，但大规模商业采用或独立同行评审评估仍有限。IBM Food Trust于2018年商业推出，基于Hyperledger Fabric（HLF），被Walmart、Carrefour、Nestlé和Unilever等使用，可共享收获日期、批次、检验和认证信息；Carrefour允许消费者扫描散养鸡包装QR码获取来源、养殖实践和加工信息。OriginTrail强调GS1兼容的跨平台数据交换，VeChain用于食品和葡萄酒防伪及中国食品追溯试点，OpenSC侧重伦理采购和可持续性验证，Fairfood强调公平定价和农户可见性。总体而言，从试点到大规模商业部署慢于预期，障碍包括高实施成本、互操作性、遗留系统集成、经济回报不确定及所有供应链参与者持续参与需求；多数平台仍主要作为安全数据记录基础设施，分析能力有限，需要AI赋能区块链实现欺诈检测、可持续性评估和数据驱动决策。
3. Blockchain programs, software and platforms
食品系统区块链应用通常采用链上与链下分层架构。链上层负责执行规则、记录交易并保障数据完整性和不可篡改性；链下层存储大数据集并支持移动和Web用户界面。实验室报告、传感器数据、图像或认证文件往往过大或过敏感，不宜直接上链，因而常以链下存储、链上保存密码学哈希的方式实现混合架构。公共区块链如Ethereum通过智能合约实现批次标识记录、认证哈希验证和冷链事件记录等业务规则，移动或Web应用经API、JSON-RPC和ABI与合约交互，并使用Web3库或ethers及钱包工具完成交易签名和链上数据检索。许可型企业区块链如HLF采用类似概念但治理和实施不同，通过SDK和网关API提交交易、查询账本状态并管理数字身份和钱包；其许可架构、模块化共识和细粒度访问控制适合参与者已知、监管合规要求高且需与企业资源计划（ERP）系统集成的企业FSC。两类架构通常记录产品/批次唯一标识、时间戳、参与者身份与角色、位置和事件元数据；大型或敏感数据链下存储，哈希上链，以降低存储开销和交易成本，同时保持完整性、可追溯性和可审计性。
4. Integrating blockchain with AI in FSC
区块链提供防篡改、可审计的记录和交易基础，但本身不评价或解释数据；AI尤其是机器学习和数据分析可对区块链生成的IoT传感器记录、供应链事件和质量测量进行预测、异常检测和决策支持。AI与区块链集成有助于早期识别风险、优化物流和生产、执行可持续实践并提升供应链韧性。近期实施研究日益将区块链、AI和IoT结合为集成食品追溯架构，在共同数字框架内采集、预处理、验证和分析供应链数据。AI方法依数据类型和任务而异：卷积神经网络（CNN）主要用于图像分析，长短期记忆网络（LSTM）用于时间序列预测，极端梯度提升（XGBoost）用于结构化数据分析，孤立森林（Isolation Forest）和自编码器用于异常记录识别，强化学习（RL）用于物流和路径规划，联邦学习（FL）允许组织在不交换原始数据情况下训练共享模型。例如，农户、加工商、物流商和零售商可在本地利用销售、库存、生产和运输数据训练全局需求预测模型，仅共享模型更新；区块链可记录模型版本、参与组织、评估周期、性能结果和贡献历史，以提升透明度并保护敏感商业数据。总体而言，不同AI方法针对不同追溯问题，而非相互竞争；但相对较少研究在真实食品供应链条件下评估完整区块链—AI系统。
4.1. Predictive analytics for shelf life and quality
机器学习模型可利用历史供应链数据（如温度日志、运输时间和储藏条件）预测易腐品剩余货架期或腐败风险。随机森林回归、梯度提升方法如XGBoost、监督学习和LSTM等时间序列模型适用于建模冷链数据中的非线性关系和时间依赖。当预测剩余货架期低于阈值时，可通过智能合约优先运输、转向更近市场或提前降价销售；但将此类AI实践与传统先进先出（FIFO）系统比较的证据仍有限，SmartNoshWaste报告的9.46%食物浪费减少并不能证明其改善运输中货架期预测或优于FIFO。时间序列模型还可分析温度趋势并预测未来偏差，若风险超阈值可提醒司机、请求调整制冷设备或经智能合约改变配送优先级；完全自动化闭环控制仍有限，多数系统依赖警报和人工干预。区块链保障温度读数和时间戳的完整性与来源，AI提供情境解释能力，但信息可靠性取决于传感系统的准确性、身份认证和验证。
4.2. Anomaly and fraud detection
异常和欺诈检测常用无监督与半监督方法，包括孤立森林、单类支持向量机（OC-SVM）和自编码器模型。深度自编码器（DAE）与多层感知机（MLP）结合可达最高96.5%检测准确率，增量学习使未见攻击的F1分数提高33.1%；孤立森林与自训练支持向量机混合框架在DataCo Smart Supply Chain Dataset上取得0.817的F1分数并将假阳性率保持在3%以下。然而，性能高度依赖数据集特征、欺诈流行率、特征工程和验证方案，研究间直接比较困难。AI异常检测已用于区块链相关供应链数据和网络安全，区块链记录可将检测异常关联至具体交易，支持后续验证和审计；研究通常采用训练—测试划分或交叉验证，并报告准确率、精确率、召回率、F1分数、假阳性率和预测误差等指标。
4.3. Supply & demand optimization
FSC常存在生产与需求错配，导致区域性过剩和短缺。AI可分析区块链关联的库存、消费和环境数据以支持供需平衡和库存管理。ARIMA和LSTM类模型常用于需求预测，RL算法越来越多用于库存分配、再分配和动态定价等自适应决策。智能合约可在特定条件满足时自动执行库存更新、动态定价、折扣、产品再分配或物流优先级调整，以减少食物浪费、提高市场效率并支持可持续资源配置。区块链与AI结合可使运营决策基于可验证和可追溯数据，降低信息不一致或不完整导致的错误。例如，当AI预测A地区牛奶过剩而B地区短缺时，智能合约可提供动态定价或代币奖励等激励以促进再分配并减少腐败。
4.4. Enhanced food safety through computer vision and sensors
AI驱动的计算机视觉和传感器分析可评估产品质量、检测污染或验证安全标准合规性；CNN及ResNet等深度学习架构广泛用于图像检查，传感器数据流则用分类和异常检测模型分析。计算机视觉模型需要大量标注良好的数据集，但食品缺陷或污染图像常因发生频率低且需专家标注而难以获得；成像条件和生产环境变化会降低跨设施性能，近期研究探索域适应和零样本学习以改善有限标注数据下的泛化。AI检查结果可以密码学哈希上链，形成透明可审计记录并保持质量评估数据完整性；例如AI标记玉米粒黄曲霉毒素污染迹象时，区块链可自动记录该批次不合格、阻止销售并提醒利益相关者。AI、区块链与IoT结合可实现规模化自动数据采集和分析：储运传感器持续监测温湿度，数据经IoT网关检查错误、异常值和不一致后上链；密码学设备身份和传感器证明可验证测量来自授权且未被改动的设备；冗余传感器及车辆远程信息处理、仓储监控等独立来源可确认关键测量；已验证数据上链，未验证或可疑数据链下留存调查，高风险情形可比较多个认证来源后再触发智能合约。物理层传感器需在温度、湿度、振动和搬运变化下可靠运行，电池寿命、校准、通信范围和成本影响大规模部署，安全通信需认证设备身份、加密协议、访问控制及防替换操纵。研究还将AI用于区块链记录运营数据以评估碳排放、水耗和能效等可持续性指标。SmartNoshWaste结合区块链、RL、云计算和QR码减少家庭食物浪费，以移动应用记录食品购买和浪费，RL分析消费模式并生成购买数量或消费计划建议，区块链记录购买产品、保质期和浪费数量，12个月真实家庭数据评估显示食物浪费较基线降低9.46%，并支持与城市规划者和研究人员隐私保护地共享聚合浪费数据。去中心化自治组织（DAOs）与AI决策结合亦在探索中，可用于社区支持农业网络的资源分配或可持续倡议投票，但农业食品应用仍有限。总体上，区块链提供安全、可追溯和透明的供应链事件记录，AI提供预测分析、异常检测和决策支持，智能合约可基于已验证数据自动执行预定动作，形成智能且可审计的基础设施。
4.5. Design and implementation of AI-enhanced blockchain in FSC
实际实施需要分层模块化架构，将数据完整性、分析智能和应用层可用性明确分离又紧密集成；区块链与AI常通过链上和链下互补组件结合，以平衡透明度、可扩展性和计算效率。区块链作为可靠数据 backbone，记录生产日期、批次标识、传感器读数、加工步骤和合规文件等关键事件；受存储和成本约束，链上通常保存密码学哈希或链下存储引用，HLF等许可链因受控访问、较高吞吐量及监管和商业隐私合规而常被采用。智能合约在规范区块链记录与AI流程交互中居核心地位，以HLF链码或Ethereum Solidity合约实现数据验证、事件触发和访问权限规则，可自动验证各阶段追溯数据提交、执行认证要求或在温度偏差等阈值超限时触发警报，并可向AI组件广播事件或提供结构化数据集。智能合约还可支持质量控制、监管权转移、争议管理和风险分担，例如付款可保留至承运方和接收设施确认交付且温度、质量和数量要求满足；若确认腐败或温度问题，可触发检查、部分付款、产品分流或由生产者、承运方、保险方和零售商分担损失，价格或折扣可依质量、剩余货架期或腐败风险调整。但这些用途仍主要处于提议或试点阶段，智能合约不能判断传感器读数是否准确、法律义务是否被违反或谁应对错误负责，保险索赔、质量争议和赔偿需约定数据源、明确合同条款和人工审查，法律认可在不同司法辖区可能不同。AI层通常在链外运行，机器学习模型利用区块链记录、IoT系统、实验室分析、质量检查记录及天气或市场信息等历史与实时数据训练；训练前需清洗和组织数据，研究使用组织特定数据集和DataCo等公开基准数据集，采用随机森林、梯度提升、LSTM、孤立森林、自编码器和OC-SVM等方法。AI有效性取决于供应链数据质量和连续性，IoT传感器、RFID标签、QR码、计算机视觉等提供产品身份、环境条件、位置和加工活动信息，安全链接至区块链后由AI分析，但数据须经认证、质量控制和验证方可视为可靠。仅记录AI输出不足以实现完整追溯，因为同一预测可能因模型版本、训练数据、参数和推理环境而异，故区块链记录还应包括或安全引用AI模型元数据，如版本、训练数据集、参数哈希和推理配置；这些产物常过大，可记录密码学哈希或不可变引用。数据互操作性和标准化至关重要，参与者需共同标识符、数据格式、计量单位和事件描述；GS1提供产品、位置、物流单元和组织唯一标识，EPCIS定义运输、接收、加工和检查等事件通用格式，这些记录可作为区块链交易或经哈希链接至链下数据，并作为AI输入。农业食品本体可为不同术语提供共享含义，支持不同结构和词汇记录的数据集成；共享核心模型可覆盖标识符、单位、时间戳、位置和验证状态等基本字段，特定产品、流程或设备可扩展字段，中间件可将不同IoT系统数据转换为共同结构。模块化参考架构可组织为数据层、区块链层、AI与分析层和应用层，并通过标准API、共同数据模型、认证设备、加密和密码学哈希连接不同供应商组件。安全与治理是实施组成部分，区块链保护数据免受操纵，但IoT或人工录入等数据入口仍存在漏洞，需稳健认证、设备验证和异常检测以防虚假或恶意数据注入；治理框架须界定模型更新责任、错误处理和AI驱动决策问责，记录关键AI输出和模型元数据可增强可追溯性、透明度和可审计性。
5. Towards blockchain–AI-powered traceability apps and platforms
多种移动应用利用区块链提升食品系统透明度。Aglive等应用使消费者和利益相关者扫描QR码或产品标签获取农场到餐桌的不可变记录；Farmer Connect的“Thank My Farmer”聚焦咖啡豆来源以促进可持续采购和消费者信任；OpenSC可经移动扫描验证伦理和可持续性声明；Blackbird则体现区块链在餐饮支付和忠诚度计划中的互补应用。软件层面，这些应用常结合React Native或Flutter等移动框架、Node.js或Python后端中间件及HLF或Ethereum等区块链SDK，智能合约管理数据提交和验证，链下存储和分析组件支持可扩展性和高级处理。关键使能因素包括智能手机可及性、交易安全记录、与IoT和智能合约互操作及AI分析集成，从而将原始追溯数据转化为可操作洞察。
5.1. Consumer-facing traceability apps
面向消费者的可追溯应用可让用户扫描食品标签（QR码、近场通信（NFC）标签等）并从区块链即时获取完整记录及智能洞察。现有应用已提供基于区块链数据的基本追溯，拟议实施中AI可解释区块链追溯数据并向消费者呈现产品故事或可持续性评级等综合摘要；此类AI组件通常在链下以TensorFlow或PyTorch等机器学习库实现并经API访问，以避免影响区块链性能。例如可显示某三文鱼捕获日期、挪威渔船、可持续渔业认证、加工全程0–2 °C、碳足迹2.1 kg CO
2e且较平均低50%、新鲜度评分9/10；底层事实均在区块链验证，AI负责编译和解释。Carrefour等商业平台已表明消费者可扫描QR码获取产品来源、生产实践和认证信息。
5.2. Producer and supply chain portals
产业侧农户、加工商和物流商可使用集成平台输入数据并获得AI驱动建议。此类门户常由云后端和许可区块链网络支持，数据经Web界面或通过MQTT或REST API等IoT中间件自动摄入。农户可经简单界面甚至IoT设备自动将作物产量、农药使用或用水量记录上链；天气预测、市场信息和历史农场记录可分析以支持收获调度和灌溉管理。对于有机认证，区块链记录可自动对照预定认证要求，使不合规条目在认证过程中被识别；连续数字验证被提出作为传统纸质审计的替代，但大规模商业部署证据仍有限。
5.3. Supply chain sustainability dashboards
企业和监管者日益关注FSC温室气体排放、用水或动物福利合规等可持续性。区块链—AI平台可促进可持续性相关数据收集并对照目标或标准评估，各节点上传排放、废物和能源使用等指标形成永久可持续性账本。实施上，此类仪表板常由HLF等许可区块链框架结合云存储和分析平台支持，数据经Web门户或自动IoT接口传递，可持续性指标在链下用Python环境中的数据分析和机器学习库处理。AI模型可汇总数据并与预定可持续性目标比较；基于区块链的生命周期清单（LCI）数据可估算温室气体排放（如kg CO
2-eq kg
?1）、累积能源需求（MJ kg
?1）、水耗（L kg
?1）和各阶段食物损失，支持供应商、生产系统或物流情景客观比较。计算常依赖回归模型、聚类技术或与机器学习工作流集成的生命周期评估（LCA）工具，区块链以透明可审计方式记录结果并可保护可持续性证书和碳信用；但仍需独立验证以防不准确报告和重复计算。区块链的环境足迹应结合共识机制考虑：工作量证明（PoW）公共链历史上电力需求高，权益证明（PoS）显著降低能耗，HLF等许可平台依赖可信参与者和非能源密集型共识；食品追溯应用多采用许可架构，其运营能耗一般低于早期PoW公共链，应按网络架构而非泛化评估。直接环境改善的定量证据仍有限，除SmartNoshWaste报告9.46%家庭食物浪费减少外，其他研究多以区块链量化温室气体排放和产品碳足迹，改善环境监测与验证而非证明直接减排；当前证据主要支持区块链作为可持续性测量和报告的使能技术，仍需商业运营条件下实证研究。
5.4. Food safety and recall systems
在病原体检测场景中，若某批次检测出E. coli阳性，该事件即记录于区块链。实际系统建立在高吞吐事件记录区块链平台及可通过API查询账本数据的后端分析引擎之上，AI组件利用机器学习框架处理区块链引用数据集，快速识别受影响批次、分销节点和下游产品，并可利用销售和库存数据预测产品去向，按风险建议召回优先级。消费者通知机制常通过移动或Web应用经中间件与区块链记录接口，在智能合约或AI模块标记召回事件后自动警报。区块链提供精准追踪所需可靠数据链，AI提供即时行动的速度和分析能力，使干预既数据驱动又可审计，提高消费者保护和供应链韧性。
5.5. Feasibility and challenges
5.5.1. Technical and data-related challenges
数据标准化和质量至关重要，不同参与者须就时间戳格式、产品标识符和计量单位等达成一致，以使区块链记录可互操作并易被AI消费，可能需要行业联盟或政府主导标准化，ISO标准和GS1条码与区块链集成已在推进。标准化并不保证数据可靠性，不同传感器、实验室和人工操作数据在完整性、精度、校准和测量不确定度上存在差异，因此应记录数据来源和采集过程，包括设备或操作者、计量单位、时间、位置、校准状态和验证程序，以评估每条记录可靠性并识别不完整或异常数据；AI依赖数据质量，错误或不一致录入可导致建议偏差。自动数据采集也不能消除错误或操纵可能，传感器可能故障、安装不当、校准不良或被故意篡改，QR/RFID记录和人工录入可能与错误产品或批次关联，故数据在供AI使用或记录为经验证区块链事件前应检查完整性、合理性和一致性。
5.5.2. Reliability and the oracle problem
源头数据可靠性即区块链预言机问题：区块链可在记录验证并写入账本后保护其完整性和来源，但不能独立验证原始观察是否正确，因此不可变记录仍可能包含故障传感器、错误扫描或欺诈性人工录入的不准确信息。食品供应链中温度、湿度、位置、产品身份、实验室结果和可持续性指标常产生于链外，再经传感器、网关、软件接口或人工转移至链上。降低风险需在提交上链前进行验证，包括定期传感器校准、认证设备身份、IoT设备与区块链网关安全通信、合理性检查、冗余传感器及与车辆远程信息处理、仓储监控或实验室测量等独立来源比较；基于预言机的架构可在传输至智能合约前比较或聚合多源数据。AI异常检测可识别传感器漂移、异常测量模式、重复记录、不可能值和不一致批次标识，但异常分数应视为筛查信号而非欺诈定论，可疑记录可能需二次测量、实验室确认或授权操作者审查后方可记录为验证数据或触发智能合约。可扩展性是另一关切，公共区块链如Ethereum历史上存在可扩展性和交易成本问题，若每件食品或每次传感器读数上链则尤甚；新共识算法、Layer-2网络或行业联盟链正在缓解，食品追溯链多采用许可网络或侧链处理高吞吐。实践中常通过混合软件架构解决可扩展性，即AI分析和高频数据处理在链下进行，仅将验证事件、密码学哈希或汇总输出上链；云和边缘计算常用于实时处理大量IoT数据，但验证、汇总和记录规则须明确且可审计。区块链架构和共识机制选择取决于供应链需求：Ethereum等无许可网络开放去中心化但处理大量记录时速度较低、成本较高；HLF等许可或联盟网络提供受控访问、更快处理和更易与业务系统集成，但依赖已识别验证者和约定治理；Layer-2和侧链可减少主链交易，适用于频繁温度和位置记录；权威证明和实用拜占庭容错（PBFT）可在授权参与者间加速共识且无需能源密集型挖矿，但验证者有限可能增加合谋或系统故障风险；有向无环图系统可通过并行处理处理频繁IoT交易，但在食品供应链中应用尚不成熟。总体需平衡吞吐量、成本、隐私、安全、去中心化和参与者信任水平。
5.5.3. Governance and transparency tensions
将常被视为“黑箱”的AI引入以透明度为目标的区块链生态可能引发信任和采用问题，利益相关者会质疑AI建议是否正确或公平。对于食品安全警报、召回建议、产品拒收或欺诈指控等高风险决策，可解释人工智能（XAI）方法可提高模型输出可解释性；Shapley Additive Explanations（SHAP）可识别各特征对预测的贡献，Local Interpretable Model-Agnostic Explanations（LIME）可提供个案解释，反事实解释可显示输入数据何种变化会导致不同决策。但所综述食品区块链—AI研究对XAI在运营场景直接应用的证据有限；SHAP和LIME更适用于含温度、位置、交易和质量等变量的表格模型，注意力可视化更适合图像或序列模型，因此这些技术目前应视为改善可解释性的有前景方法而非广泛确立实践。解释摘要、主要贡献特征、模型版本、预测和决策时间可记录于区块链，敏感原始数据和详细模型计算保留链外，从而形成决策过程不可变审计轨迹；输入数据集和完整解释记录的密码学哈希也可上链，以便后续验证而不暴露敏感数据。完整解释输出上链会增加存储需求和交易成本，故区块链通常仅保留预测、主要贡献特征、模型版本、时间戳和哈希，完整解释文件存于安全链下存储。实践中可由链下AI和XAI服务生成预测及解释，经预言机或授权软件接口提交包含预测、解释摘要、关键特征、模型版本、时间戳及输入和解释文件哈希的区块链交易。采用可渐进推进：先以区块链实现基本追溯，待数据达到临界规模后再叠加AI功能；许多企业可能需先数字化记录并熟悉区块链，再信任AI自动化，教育和明确投资回报展示对小型生产者获取支持至关重要。
5.5.4. Organizational and adoption barriers
尽管潜在收益显著，小农户和中小企业（SMEs）采用仍尤其困难。除区块链基础设施和数字技术初始投资外，互联网连接和数字基础设施有限继续限制许多地区实施；实际使用还依赖用户具备足够技术技能，语言和数字素养也影响农户和小企业有效使用区块链—AI平台。更广泛采用不仅取决于技术进步，还依赖可负担解决方案、培训机会和制度支持。对SMEs而言，当较低召回成本、减少浪费、改善欺诈控制和更快合规报告等收益与实施、传感器、培训和维护成本相权衡时，采用更具现实性；但集成区块链—AI系统长期投资回报证据仍有限。联盟平台可在供应链参与者间分摊基础设施成本，软件即服务模式可通过订阅提供功能而无需企业自建系统，虽可降低进入壁垒，但数据所有权、互操作性和公平成本分担仍是关切。区块链—AI系统成功应以技术、运营、商业、环境和社会指标评估，关键绩效指标（KPIs）包括交易和数据验证时间、模型准确率和误报率、追溯覆盖率、召回速度、食物浪费减少、欺诈检测率、食源性疾病事件、碳和水影响、合规成本和消费者信任；但文献目前更多报告技术和试点层面结果，而非长期商业或社会影响，因此需要标准化KPI框架和商业评估。安全与隐私亦须考虑：区块链设计上可强抗数据篡改，但应用和IoT设备等接口需防黑客攻击或虚假数据注入；AI模型也须防操纵，避免恶意行为者输入虚假数据“欺骗”AI错误标记产品风险或质量；用区块链记录所有数据输入有助于定位恶意输入来源。隐私可通过允许共享必要数据而不暴露商业秘密的架构实现，例如消费者可看到产品通过某些经区块链验证的安全检查，而不暴露工艺专有细节。更高透明度并非总符合商业利益，食品制造商和供应商可能不愿披露供应商身份、产量、采购策略、定价或利润率等商业敏感信息；许多区块链食品追溯系统按参与者角色限制数据访问，而非全供应链可见，许可区块链平台结合选择性披露和加密机制有助于平衡可追溯性与商业敏感信息保护，零知识证明等技术正被探索用于确认“该鱼全程保持低于4 °C”等属性而不揭示全部原始数据。
6. Conclusion
区块链已成为通过提供不可篡改和可审计供应链活动记录来改善食品供应链可追溯性和透明度的重要技术。然而，本综述表明，区块链单独不足以充分应对食品欺诈、污染、可持续性评估和实时运营决策等日益复杂挑战；与AI集成后，区块链可基于可信供应链数据支持预测分析、异常检测、质量评估和决策，将其作用从安全记录保存拓展至智能分析。文献显示，区块链和AI已应用于冷链监测、欺诈检测、质量检查、需求预测、食物浪费减少和可持续性评估等广泛活动，实际实施日益将区块链与IoT传感、智能合约、云与边缘计算和移动应用结合，实现连续数据采集和分析，支持更响应和透明的食品追溯系统。但数据互操作性、标准化数据模型、可靠数据获取、区块链可扩展性和AI辅助决策治理等挑战仍限制更广泛实施；AI有效性不仅取决于算法，还取决于底层数据质量、代表性数据集可用性、适当验证策略和可靠传感技术。将AI模型元数据与区块链交易一并记录可进一步提高AI辅助决策的透明度、可重复性和可审计性。尽管试点和商业应用证明区块链食品追溯技术可行，但完全集成区块链—AI系统在真实商业条件下运行的证据仍有限。未来研究应聚焦可互操作系统架构、标准化评估框架、可解释且隐私保护的AI方法，以及环境、经济和运营绩效的长期评估，从而将可信追溯数据转化为可靠运营智能，并证明食品供应链可测量的可持续性收益。
