食品风味研究的核心问题，是阐明食品中挥发性风味物质、人体嗅觉通路和主观感知体验之间的对应关系，并进一步将这种关系转化为可测量、可预测和可调控的科学对象。传统风味研究主要依赖化学检测、感官评价和经验性配方调整，能够识别食品中的重要挥发性成分，也能够描述消费者对强度、愉悦度和风味属性的主观判断，但在化学结构如何引发神经响应、神经响应如何转化为感知标签，以及感知目标如何反向指导配方设计等问题上，仍缺少可贯通的技术框架。随着人工智能、多模态传感、嗅觉刺激控制和神经信号分析的发展，风味研究正在由经验描述转向以数据驱动的“刺激-感知-设计”闭环研究。

本研究围绕人工智能在解码风味物质与嗅觉感知中的应用展开，目的在于梳理从分子结构、风味化合物、嗅觉刺激、神经和生理响应到主观感知体验之间的关键技术链条，明确人工智能在其中承担的编码、解码和闭环优化功能。研究重点包括：如何利用精确嗅觉刺激器建立可重复的气味输入；如何通过脑电、功能磁共振、呼吸、心率、肤电、瞳孔和行为评分等多模态数据实现感知量化；如何结合感官组学、风味组学和机器学习挖掘关键风味化合物；如何依据分子结构预测嗅觉强度、愉悦度和语义标签；以及如何将上述模型用于品质识别、智能监控和面向目标感知的风味设计。该长摘要旨在突出原文提出的技术范式和综合判断，而不扩展原文之外的试验数据或结论。

方法

原文采用综述与框架归纳相结合的方式，以食品风味科学中的嗅觉刺激为切入点，围绕“分子结构-神经响应-主观体验”的映射关系，对人工智能赋能风味研究的应用路径进行系统整理。其基本方法不是单一实验验证，而是从技术体系、数据链路、模型任务和产业应用四个层面构建分析框架。首先，在技术体系层面，文章将精确嗅觉刺激器与客观量化感知平台作为闭环系统的基础。嗅觉刺激器通过质量流量控制器、高速气动电磁阀阵列和管路传感器实现气味浓度、流量和释放时间的可编程控制，并使气味递送能够与受试者呼吸相位及脑电等高时间分辨率信号同步。客观量化感知平台则同步记录主观语言应答、心理物理评分、神经信号、生理信号和行为指标，形成“刺激-响应”对应数据。

其次，在数据链路层面，文章强调多模态数据的同步采集与时间对齐。气味刺激的起始、持续、浓度变化和混合比例需要与脑电图、功能磁共振成像、呼吸模式、肤电、心率、心电频谱、瞳孔动态、阈值测量、强度评价、愉悦度评价和语义标签等指标保持统一时间戳。只有在刺激输入和响应输出之间建立高精度对应关系，人工智能模型才能从数据中学习化学特征、神经活动、生理状态和主观感知之间的稳定关系。该方法强调标准化刺激协议、统一元数据结构和质量控制，以减少设备状态、环境条件、操作人员和批次差异对模型训练造成的系统性偏差。

再次，在模型任务层面，原文将人工智能的功能概括为三类。第一类是编码路径，即把分子结构、化学组成或配方信息转译为嗅觉系统可能接收的刺激信号和特征表示。该路径可利用化学信息学、分子描述符、图神经网络和深度学习模型表达挥发性化合物的结构、浓度、相互作用及混合效应。第二类是解码路径，即从神经、生理和心理物理多模态数据中推断个体感知、偏好和语义描述。该路径可用于预测气味强度、愉悦度、香气标签和消费者偏好。第三类是闭环优化，即以目标感知为约束，反向驱动嗅觉刺激组合或食品配方设计，通过实时反馈和模型迭代不断修正刺激方案。

最后，在应用层面，文章将人工智能风味研究与关键风味化合物挖掘、分子结构感知预测、生成式配方设计、品质识别和智能过程监控相联系。对于关键风味化合物，方法上强调把感官组学和风味组学与机器学习的重要度解释相结合，通过化学特征筛选和感官验证提升标志性化合物识别的稳健性。对于分子结构预测，文章关注以大规模嗅觉心理物理数据集和化学信息学特征为基础的机器学习模型，并进一步讨论图神经网络、注意力机制和生成式模型在混合物预测及目标感知反推中的作用。对于品质识别与监控，文章将电子鼻、光谱技术、风味化合物检测、消费者感官评价和人工智能模型结合，形成面向生产过程的识别、预警与控制框架。

结果

原文归纳表明，人工智能正在把食品风味研究中的化学输入、神经中介和主观感知连接为可计算链条。其一，精确嗅觉刺激与多模态感知测量构成了风味人工智能模型的数据基础。与自然嗅闻相比，基于质量流量控制器和高速阀阵列的嗅觉刺激系统能够控制气味递送的浓度、流量、脉冲和时间，使到达鼻腔的有效刺激剂量更可重复，并能够与呼吸相位、脑电等高频信号进行时间同步。该结果说明，若要训练能够解释感知和预测偏好的模型，首先需要把气味输入从模糊、随机和难以复现实验条件转化为可记录、可同步和可重复的刺激事件。

图1 AI赋能风味化合物输入预测主观感知体验概念图

Fig.1 Conceptual diagram of AI-empowered prediction of subjective sensory perception from flavor compound inputs

其二，多模态响应数据为感知解码提供了比单一感官评分更丰富的证据。主观评分能够反映受试者对强度、愉悦度和语义标签的直接判断，但其结果容易受语言习惯、经验背景和情境因素影响。脑电、功能磁共振、呼吸、肤电、心率、瞳孔和行为参数等客观信号则从神经活动、生理唤醒和行为反应层面提供补充信息。原文据此认为，人工智能模型可以在多源数据中学习从刺激到响应的动态关系，使风味研究不再只停留于化学成分清单或平均感官分数，而是能够描述不同感知维度之间的关联、差异和变化过程。

图2 精确嗅觉刺激与客观量化感知测量技术概念图

Fig.2 Conceptual diagram of precise olfactory stimulation and quantitative perception measurement technologies

其三，在关键风味化合物挖掘与感官关联方面，原文指出传统感官组学和风味组学能够识别食品中与香气、口感和品质相关的物质基础，但在批次差异、检测条件、个体感知差异和复杂混合物效应面前，仍需要更强的数据融合与模型解释能力。将化学特征筛选、机器学习重要度解释和感官组学验证结合，可以提高关键化合物检出的稳定性，并降低不同仪器状态、环境条件和操作人员变化带来的系统偏差。在此基础上，通过定量刺激试验和剂量-感官属性曲线，可把单体或混合物的化学输入与心理物理数据、神经信号和生理信号共同用于模型训练，实现对强度、偏好、语义属性和综合感知的统一预测。

其四，在分子结构到嗅觉感知的预测方面，原文认为基于化学信息学特征和机器学习的嗅觉预测已经显示出可行性。以大规模嗅觉心理物理数据集为基础，模型可以学习分子结构与气味强度、愉悦度以及“大蒜”“甜”“花香”等语义描述之间的统计关系。这一方向使风味研究从已知化合物的事后解释，扩展到对候选分子和未知配方的事前预测。对于混合物，融合注意力机制的图神经网络有助于表达分子间协同、抑制和掩蔽效应，从而更贴近真实食品体系中多组分共存的情况。生成式模型还可在分子气味图谱和感知图谱的双重约束下，反推满足目标感知的候选风味化合物或配方比例。

图3 感官AI映射：化学输入到感官输出概念图

Fig.3 Sensory AI mapping: From chemical inputs to perceptual outputs

其五，在闭环优化方面，原文提出将分子结构预测模型、多模态感知解码模型和自适应嗅觉刺激器连接起来，可以形成从目标感知到刺激调整再到反馈验证的循环。模型先依据既定目标生成或筛选刺激组合，嗅觉刺激器递送刺激后，同步采集受试者神经、生理和主观反应，再由模型判断当前刺激是否接近目标感知，并据此调整下一轮刺激或配方。该结果说明，人工智能在风味研究中的作用不只是提高预测准确率，还可以作为试验设计和配方迭代的决策环节，使风味开发由线性试错转向可反馈、可优化和可更新的过程。

其六，在品质识别与智能监控方面，原文把风味化合物数据、消费者感官评价、电子鼻、光谱信息和人工智能模型结合起来，提出面向食品品质变化的识别与监控框架。传统货架期模型往往较为简化，难以追溯产品品质劣变的化学和感知原因。多模态风味特征模型能够同时考虑挥发性成分变化、感官评价变化和仪器快速检测信号，为质量控制提供更快速、非侵入并具有感知相关性的判别依据。结合线上和线下数据、异常预警与数字孪生思想，该框架可用于生产过程中的偏差校正、品质波动识别和过程控制，但其稳定应用仍依赖标准化数据和跨设备外推验证。

图4 AI赋能风味模式的宏观识别与品质监控概念图

Fig.4 AI‑empowered macro‑recognition of flavor patterns and quality monitoring

结论

综合原文内容可以看出，人工智能为食品风味研究提供了一条从“理解风味”走向“设计风味”的技术路径。该路径以精确嗅觉刺激为输入控制基础，以多模态神经、生理、行为和主观评价数据为感知证据，以机器学习、图神经网络、深度学习和生成式模型为映射工具，以闭环优化为迭代机制。通过这一框架，食品风味研究能够把挥发性化合物、分子结构、感知强度、愉悦度、语义标签和消费者偏好纳入同一分析体系，从而提高关键风味化合物解析、感知预测、配方筛选和品质监控的可操作性。

该方向的主要限制也较为明确。精确嗅觉刺激器通常需要复杂气路设计、软硬件集成和跨学科维护能力，标准化、开源化和低门槛设备仍相对不足。多模态数据采集涉及神经信号、生理信号、心理物理评价和化学分析，数据同步、质量控制、批次校正和隐私保护均会影响模型可信度。现有模型在不同食品体系、不同试验设备、不同人群和不同应用场景中的泛化能力仍需验证。复杂风味混合物中的协同、掩蔽、阈值变化和个体差异也会增加预测难度。因此，人工智能模型的输出应与标准化试验、感官验证和机制解释结合使用，不能仅以算法结果替代风味科学判断。

未来工作应围绕数据基础设施、模型可解释性和应用边界协同推进。数据层面，需要建设覆盖标准化刺激协议、化学组成、神经响应、心理物理评价和感官标签的开放基准数据集，并统一元数据结构和质量控制规范。模型层面，需要引入解释模型、因果图模型和跨批次外推评估，以区分相关性、预测性和可能的作用路径。应用层面，风味快检、电子鼻、光谱技术、人工智能模型和消费者偏好画像可共同服务于品质监控、健康导向产品开发和个性化风味设计，但必须同时关注风味物质暴露安全、个人数据隐私、标签合规和社会接受度。总体而言，原文所提出的“刺激-感知-设计”闭环，为食品风味研究连接基础机制、数据建模和产业应用提供了清晰框架，也为精准化、定制化和可验证的风味开发提供了可进一步推进的研究方向。

原味链接：https://kns.cnki.net/kcms2/article/abstract?v=jit-Bskw5eR0c0rDWm82urzDFauJRgDHK3JKyk2vUUXvaEkumFent32lItavCgU3zKRJ2t86XOmbA51T3k5YDXqEPVSqrJBdb3MPmFqsSqVYGRkWnLdYbvaDYjh2HzYFnZcOjBIO3AWTlSy4oqTty-DodKTV5iLalONMf549l08oxGz3NH_DTQ==&uniplatform=NZKPT&language=CHS