《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Large language models-driven intelligent food printing: towards autonomous and precision manufacturing
编辑推荐：
•大语言模型将个性化需求、食品知识与制造执行相连接。•系统总结了关于大语言模型和智能食品打印的基础知识。•大语言模型实现了打印前、打印中和打印后各阶段的自动化与精准化。•一个五模块框架将感知、融合、决策、执行和反馈相连接。•数据安全、可信决策、系统协调和持续学习是关键的挑战。引言
- •
大语言模型将个性化需求、食品知识与制造执行相连接。
- •
系统总结了关于大语言模型和智能食品打印的基础知识。
- •
大语言模型实现了打印前、打印中和打印后各阶段的自动化与精准化。
- •
一个五模块框架将感知、融合、决策、执行和反馈相连接。
- •
数据安全、可信决策、系统协调和持续学习是关键的挑战。
引言
大语言模型（LLMs）是基于大规模数据集训练的生成式人工智能（AI）模型，具备自然语言理解、知识检索、上下文推理和内容生成能力（P. Ma等，2024）。随着检索增强生成（RAG）、知识图谱（KGs）、多模态学习和智能体等技术发展，大语言模型的能力正逐步从文本生成扩展到知识整合、复杂任务推理、工具使用和决策支持，为连接用户需求、领域知识和实际执行流程提供了技术基础（An等，2026）。与此同时，食品行业正日益向个性化营养、精准加工和智能制造方向发展，这要求高效整合和处理来自食品设计、营养数据库、安全法规和消费者反馈等来源的异构信息（Niu, Zhang, Bhandari, & Li, 2026；Niu, Zhang, Mujumdar, & Li, 2026）。通过整合领域特定训练、RAG和多模态信息处理，大语言模型可以整合碎片化的食品知识，并支持营养分析、膳食规划、配方设计和食品安全等任务，使其成为推动食品工业不同阶段协调发展的工具（Gjorgjevikj等，2026）。
食品三维打印（Food 3DP）是一种新兴的食品制造技术，根据数字模型逐层沉积食品材料，能够对食品成分、内部结构和外部形状进行可编程控制（Niu, Zhang, Bhandari, & Guo, 2026）。三维打印为个性化营养、定制外观和功能成分的精准递送提供了新机会（Niu, Zhang, Mujumdar等，2026；Zhao, An, Zhang, Xu等，2026）。然而，传统三维打印在很大程度上依赖经验和试验试错法进行配方设计、参数优化和质量评估，难以适应高度个性化和动态变化的制造需求。在三维打印基础上，智能食品打印进一步整合了传感、监测、人工智能工具和自动控制等技术，使制造信息能够持续收集、分析并反馈到打印过程中，从而提高打印精度、定制能力和生产效率（Seol等，2026）。尽管如此，当前智能食品打印往往局限于孤立的步骤或功能，难以满足工业4.0背景下未来食品系统所强调的自主、连续和精准制造需求（S. Cui, Cui, Blennow, Zhong, & Liu, 2026；Ekrami等，2025）。因此，推动智能食品打印向自主精准制造方向发展具有重要意义。
这一转变的关键障碍在于需要将膳食定制与食品墨水依赖于组成和工艺的行为相协调。组成、粒径、水合、凝胶化、温度和剪切历史的变化会影响挤出连续性和沉积后的结构恢复，而在料筒中长时间停留则会同时改变黏度和微生物风险（Seol等，2026）。例如，满足膳食偏好的成分替换可能会破坏流动性和形状保持之间的平衡，或引入非预期的过敏原。为支持此类配方决策，大语言模型可以将膳食需求转化为明确的成分和过敏原约束，通过RAG检索配方特定的流变学和加工证据，并调用经过验证的预测工具来评估候选打印条件下的挤出可行性和形状保持能力。在打印过程中，大语言模型可以将温度和挤出压力记录与图像衍生的沉积特征相结合，以支持在墨水特性演变时重新评估打印速度和挤出压力。它们还可以将成分记录和时间-温度历史与既定的过敏原限制和操作要求交叉对照，以标记潜在的安全冲突。
大语言模型在知识整合、复杂推理和任务协调方面的优势与智能食品打印对多源信息整合和动态决策的需求高度契合（Fan等，2025；Jadhav, Pak, & Barati Farimani, 2025）。尽管大语言模型在食品科学和三维打印中的应用持续扩展，但现有研究主要集中在营养分析、配方生成、参数推荐和缺陷识别等单一任务上。将大语言模型整合到从用户需求和设计到制造和反馈的全流程中的关键研究仍然有限。因此，本综述首先总结了关于大语言模型和智能食品打印的基础知识。随后考察了大语言模型在打印前、打印过程和打印后管理三个阶段中对智能食品打印向自主精准制造转变的贡献。此外，提出了一个包含感知、整合、决策、执行和反馈模块的转型框架，并讨论了与此类系统实际部署和商业实施相关的主要挑战。
章节片段
文献检索方法
本综述采用结构化叙述性方法，批判性地综合了大语言模型在智能食品打印中的应用、局限性和潜在作用。文献检索使用Web of Science、Scopus和PubMed进行，X-MOL作为文献发现的辅助工具。原始文献目录和针对性来源检查提供了文献基础，并在修订过程中通过2026年10月10日使用OpenAlex API和PubMed记录进行的检索加以补充。
大语言模型在食品科学中的应用
食品相关信息分散在食谱、成分表、安全记录、膳食指南、感官描述和科学文献中。研究人员越来越将大语言模型视为食品和营养相关任务中信息提取、问答、知识组织和决策支持的接口。尽管不同领域共享语言模型的共同基础，但在训练数据、外部知识获取方面仍存在显著差异。
营养分析与膳食规划
个性化打印需要以用户需求的营养评估和适当的膳食规划为前提（Niu, Zhang, Bhandari, & Li, 2026）。如图2A所示，大语言模型在解读真实世界膳食数据、生成个性化营养建议和支持膳食规划方面具有相当大的潜力。这一能力主要与它们将异构用户信息转化为结构化的候选规格并协调相关
自主精准智能食品打印的新框架
近年来，人工智能和自主系统的快速发展推动了食品行业从孤立数字化和自动化向以多阶段协作为特征的智能制造模式演进（Hassoun等，2023）。以往研究表明，人工智能可以通过实时监测、预测分析和信息追踪来增强食品包装的主动感知和管理能力（Yu等，2025）。
当前挑战与未来展望
作为连接个性化需求、食品领域知识和制造执行的重要技术支撑，大语言模型为推进食品三维打印的自动化和精准化提供了新路径。然而，当前研究仍主要集中在特定任务或实验室规模场景，在实现可靠、自主和可扩展的应用之前仍存在大量挑战。未来研究应重点关注以下方面：
数据隐私与安全。大语言模型
结论
自主精准制造是智能食品打印的重要方向。通过知识整合、任务生成和工具使用，大语言模型可以支持从孤立智能功能向跨阶段协同制造的转变。本综述总结了大语言模型和智能食品打印的基础，并批判性地考察了它们在个性化设计、打印过程调控和打印后安全方面的潜在贡献，
未引用文献
Liu等，2026；Lytou等，2024；Niu等，2026；Niu等，2026；Pan等，2020；Seyoung Park和Harrison，2025；Tan等，2026；Zhang等，；Zhao等，2026。
CRediT作者贡献声明
Dongle Niu：调查、软件和写作——初稿。Min Zhang：资金获取、监督、写作-审阅与编辑、项目管理。Bhesh Bhandari：监督和写作-审阅与编辑。Jingyuan Li：监督。
资助
本研究获得国家自然科学基金重点项目（No. W2511020）、中央高校基本科研业务费（JUSRP202416005）以及食品科学与技术国家一流学科计划（No. JUFSTR20180205）的资助，这些支持使我们得以开展本研究。
利益冲突声明
作者声明在本文发表方面不存在利益冲突。
Dongle Niu|Min Zhang|Bhesh Bhandari|Jingyuan Li
