人工智能驱动的白酒风味解码：从多模态数据整合到机制阐释与智能酿造

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Artificial Intelligence-Driven Decoding of Baijiu Flavor: From Multimodal Data Integration to Mechanistic Interpretation and Intelligent Brewing

　　•对白酒AI主张的评估基于针对特定主张的验证证据。
•二维审计将主张类型与验证设计区分开来。
•在16项接受审计的白酒AI研究中，内部评估占主导地位。
•特征归因提出假设，但不能确立因果关系。
•独立测试和人工监督控制指导未来酿造。

引言

白酒作为世界上最古老、消费量最大的蒸馏酒之一，不仅是中国饮食文化的核心元素，也是全球发酵食品科学中独具价值的研究模型（Jin等，2017）。许多传统白酒风格采用混合菌群固态发酵，这与葡萄酒和啤酒以液相发酵为主的工艺形成鲜明对比（H. Liu和Sun，2018；Xu等，2022）。这种工艺营造了一个开放且复杂的生产环境：在发酵过程中，谷物原料（主要为高粱、小麦等）与酒曲——一种富含霉菌、酵母和细菌的发酵启动剂——混合，并根据香型和生产工艺的不同，通过堆积和/或窖池发酵进行非无菌发酵（Tong等，2023）。这一开放生态系统支持数百种微生物的演替和相互作用，包括产己酸菌、乳酸菌和酵母菌（B. Zhang等，2026）。最近一篇综述报道，白酒中含有超过3000种与风味相关的物质，包括挥发性和非挥发性成分；挥发性类别包括酯类、酸类、醇类、醛类、酮类和吡嗪类（J. Sun等，2025）。这些微量成分表现出显著的协同、拮抗和掩蔽效应，共同塑造了白酒的十二大香型——如酱香、浓香和清香——及其极为多样的感官特征（T. Li等，2026；G. Wang等，2022）。（在本综述中，酱香（Jiangxiang）、浓香（Nongxiang）和清香（Qingxiang）指代香型。在指代香型类别时对变体术语进行标准化，但在指代生产工艺或研究定义的类别时保留原表述。品牌、地理产地和地理标志状态被视为独立属性。）

这种化学和生物学复杂性给风味分析和质量控制带来了挑战。传统白酒研究依赖于气相色谱-质谱联用（GC-MS）和感官评价（Q. Huang等，2024）。仪器分析方法可以定量单个化合物，但无法单独捕捉其综合风味效应（B. Zhang等，2025）。感官评价可以评估风味协调性，但评价者的状态和测试环境可能影响测量结果；需要培训、受控呈现和评价小组成员绩效评估来量化和管理这种变异性（H. Li等，2023）。经典化学计量学方法，包括主成分分析（PCA）和偏最小二乘回归（PLSR），仍然是有用的基线方法。它们表示非线性和时间关系的能力取决于模型设定和数据；更复杂的机器学习模型需要匹配比较和独立验证（J. Xie等，2025）。因此，利用复杂数据从经验驱动酿造向数据驱动酿造推进仍然是一个关键挑战。

近年来，随着人工智能技术的快速发展，机器学习（ML）在食品科学研究中的应用日益广泛，在风味预测（Ji等，2023）、质量评估（Jiménez-Carvelo等，2019）和加工程度评估（Menichetti等，2023）等领域表现出显著优势。机器学习是人工智能的子集，深度学习是机器学习的子集。随机森林、支持向量机和XGBoost是机器学习模型，而卷积神经网络是深度学习架构。PCA和OPLS-DA等化学计量学方法支持表示或判别分析；遗传算法用于优化；SHAP将模型预测归因于输入特征。这些是不同的方法论角色，而非可互换的AI技术。在噪声或高维数据上的性能需要适当的基线和验证（Aliya等，2024；H. Luo等，2025；Zeng等，2023）。在更广泛的酒精饮料研究中，机器学习已成功应用于葡萄酒产地溯源（Schartner等，2023）、啤酒发酵非侵入性监测（Bowler等，2021）和威士忌香气预测（Singh等，2024），展示了在复杂发酵系统中的有用应用，但并未确立相对于更简单模型的普遍优越性。更重要的是，随着研究的深入，机器学习在食品领域的应用正逐渐从单纯的“黑箱预测”转向可解释预测和可实验验证的机制性假设。例如，Ji等（2023）指出，机器学习不仅能实现对食品风味属性的高精度预测，还能通过特征重要性分析和SHapley加法解释（SHAP）值等方法回顾性识别与风味特征相关的标志物。这可以为菌株选择或工艺实验提供候选优先级，但其效果必须在实际干预前进行测试。这些例子在发酵系统、测量平台和样本结构方面各不相同。它们的成功应用并不能证明可迁移到白酒的异质固态发酵；任何此类适应都需要在预期的白酒环境中进行验证。同样，Menichetti等（2023）提出了基于机器学习的食品加工强度（FPro）连续评分系统。该系统展示了食品加工分类描述的连续替代方案；其测量目标和验证并未确立连续评分对每项白酒分级任务都更优。当相关测量和实验证据可用时，白酒研究可以将已验证的分类扩展到数值目标、可测试的机制性假设和人工监督干预。对于白酒而言，机器学习提供了将酿酒师经验的形式化部分作为预测或决策支持模型的工具。由此产生的模型仍然受限于其数据、验证领域以及用于解释它们的工艺知识。

尽管取得了这些进展，但在白酒风味研究中AI验证和实际应用方面仍存在重要空白。首先，许多入选研究涵盖的香型、酒厂、批次、季节或分析平台范围有限，限制了模型在多样化白酒生产系统中可迁移性的评估。其次，许多模型关注成品酒或静态化学指纹，而固态发酵过程中的风味形成涉及动态微生物演替、代谢物转化、环境变化和不断演化的风味特征。第三，尽管数据集规模和报告的独立数据集验证取得了进展（例如，Zheng等，2026），但许多入选的关于质量分级、真实性判别、风味标志物筛选、发酵监测和勾兑优化的研究仍依赖内部评估，包括随机划分。因此，其报告的性能本身并不能确立跨批次、跨仪器、跨生产地点或跨季节的可迁移性。第四，特征重要性分析可以优先筛选化合物、微生物或工艺变量以供进一步研究，但所识别的统计关联本身不能确立因果机制。实验验证应与具体主张相匹配，酌情使用香气重组和缺失实验、微生物接种或共培养实验、同位素示踪或受控工艺干预。

最近的综述为这些挑战提供了有益视角，尽管其主要研究问题有所不同。Ji等（2023）更广泛地考察了食品风味预测和调控的机器学习方法。聚焦白酒，W. Cheng等（2026）整合了代谢组学、感官基因组学和AI来研究香气活性化合物及其调控，而H. Huang等（2026）综述了AI在白酒生产链中的应用，包括多模态融合、可解释建模和智能酿造前景。两篇综述也承认了模型泛化和解释方面的挑战。这些贡献为本研究提供了重要基础。然而，AI应用日益多样化提出了进一步的问题：个别研究报告的验证程序在多大程度上支持其科学和实践结论？这些综述与本研究的不同侧重点总结于补充表S1。

为回答这一问题，本综述考察支持具体主张的证据，而非将应用广度或模型复杂性视为证据成熟度的指标。我们区分所提出主张的类型——识别、数值预测、机制解释、评估的干预或设计，以及重复闭环运行（C1–C5）——与所报告的验证设计（I/G/E/P/U）。在27项选定进行详细综合的代表性主要应用中，有16项提供了足够信息进行这一二维审计（第3.6节；图4A）。通过考察样本来源、测试独立性、报告结果和实验范围，我们试图确定每项研究已证明了什么，以及哪些方面需要进一步验证。这一区分在将预测关联解释为机制性假设或考虑从实验室研究向智能酿造过渡时尤为重要。由此产生的评估也为前瞻性评估和人工监督工业应用的要求提供信息。由于审计基于有目的选取的子集，其发现不应被解释为领域范围普遍性的估计。因此，本综述首先考察数据格局（第2节），然后评估现有应用的证据（第3节），最后讨论验证和部署的挑战与要求（第4节）。

文献检索与证据选择。检索了Web of Science核心合集，时间范围为2015年1月至2026年7月。主题检索将白酒相关术语（“Baijiu”、“Chinese Baijiu”、“Chinese liquor”、“Chinese distilled spirit*”和“Chinese white spirit*”）与计算术语组合，包括“artificial intelligence”、“machine learning”、“deep learning”、“random forest*”、XGBoost、“support vector machine*”、“neural network*”、chemometric*、“data fusion”、multimodal、SHAP、“electronic nose”、“electronic tongue”、“soft sensor*”、“genetic algorithm*”和“digital twin*”。检索识别出262条记录；经标题/摘要筛选后排除102条，因为它们是综述或评论、不主要涉及白酒，或缺乏可识别的定量建模成分，留下160条潜在相关记录。此外，还检查了参考文献列表和引文链接以获取布尔检索未检索到的相关研究。完整的Web of Science检索策略和汇总证据选择记录提供于补充方法S1和补充表S2。

主要证据限于同行评审的白酒研究，报告了定量ML、AI、化学计量学或优化应用，同时包含模型输出和/或验证信息。纯描述性研究和没有直接白酒应用的方法学论文被排除在主要证据集之外。由于本综述是批判性叙述性综合而非详尽系统性综述，160条潜在相关记录构成本着目的性证据选择的候选池。选择进行详细综合的研究旨在覆盖主要白酒AI应用领域、数据模态、生产阶段和验证设计，优先选择报告了足够样本、模型、结果和验证信息以供研究层面评估的研究。该过程产生了27项代表性主要应用研究，汇总于表2。其中，16项研究提供了足够信息以同时分配主张类别和验证设计类别，无需推断未报告细节，因此被纳入第3.6节的正式二维审计。由此产生的计数描述的是所选证据集的特征，而非领域范围普遍性。

章节片段

白酒风味研究中的数据格局

要使AI超越一般性预测并在白酒风味研究中发挥作用，数据表示必须与预期的科学主张相匹配。风味相关信息分布于化学图谱、微生物群落、组学信号、工艺变量、感官描述符和勾兑记录中。这些模态在维度、时间分辨率、可解释性和噪声方面各不相同。因此，关键任务不仅仅是积累数据，而是构建

从识别到干预：白酒风味研究中的机器学习应用

白酒风味研究正从数据收集和相关性分析向预测建模、解释和面向工艺的决策支持发展。化学指纹、光谱、微生物群落、组学图谱和感官标签现已被用于质量评价、真实性验证、机制研究和工艺优化（Lin等，2026；J. Xie等，2025）。代表性应用包括质量分级（S. Li等，2024）、真实性验证（

从高精度到可信风味智能：挑战与研究优先事项

白酒AI的核心挑战是将有前景的回顾性分析转化为可迁移、机制上可辩护且在生产中可操作的证据。验证设计必须与预期主张相匹配：识别和数值预测都需要独立测试单元和不确定性；机制子主张需要适当控制的实验；干预或物理设计需要针对预定比较对象或目标观察结果，并

结论

AI可以推动白酒风味研究从描述性表征向识别、预测、机制推断、干预和决策支持发展。然而，二维审计表明，大多数入选研究主要依赖内部或局部验证，同时也有更大数据集和报告的独立验证的代表。因此，进步应依据证据的强度而非峰值预测准确性来判断：识别与数值预测
未引用参考文献
Huang等，2024；Huang等，2024；国际标准化组织，2021；国际标准化组织，2023；Li等，2025；Li等，2025；Li等，2023；国家市场监督管理总局与中国国家标准化管理委员会，2022；Xiao等，2025；Xie等，2025；Yang等，2025；Zhang等，2026；Zhang等，2026；Zhang等，2025；Zhang等，2025；Zhang等，2026；Zhu等，2025。
数据可用性
未生成新的实验数据。所有讨论的证据均来自本文引用的已发表文献。
利益冲突声明
Liqiang Zhang和Songtao Wang分别为泸州老窖股份有限公司和泸州品创科技有限公司的员工；这些隶属关系已作为潜在利益冲突披露。其余作者声明无利益冲突。
致谢
本研究得到国家自然科学基金（32572734）、国家重点研发计划（2022YFD2101205）、中国工程院项目（2025-XZ-82）、中国科协第十届青年人才托举工程以及泸州老窖股份有限公司固态酿造国家工程研究中心（2025NB09）的资助。
郑驰崇|王建强|闫艳红|张立强|董伟|孙小涛|孙宝国|王松涛