未来白酒或将在保留传统韵味的同时，
进化出可计算、溯源、定制的“科技酒体”。
随着AI的迅速崛起，中国各行各业日新月异，那么酿酒行业又在发生什么改变？
2025年2月，贵州大学邱树毅教授团队联合贵州国台数智酒业集团股份有限公司在国际食品TOP期刊《Food Chemistry》（食品化学）发表论文——《Machine learning-enhanced flavoromics: Identifying key aroma compounds and predicting sensory quality in sauce-flavor baijiu》（《机器学习增强的风味组学：识别酱香白酒中的关键香气化合物并预测感官品质》）。
邱树毅团队表示，未来3-5年，基于机器学习的原料质量评估系统、基于传感器数据和AI的实时发酵监控系统，以及基于风味组学和AI的智能勾调系统可能率先落地。
围绕这些方向，团队研究生李帅先后在《Food Chemistry》（食品化学，Q1，TOP，IF:8.5）、《Food Chemistry: X》（食品化学：X，Q1，IF:6.5）、《foods》（食品，Q2，IF:4.7）上发表文章，他的研究试图通过现代技术手段（如仪器分析、多组学、机器学习）实现客观、精准的质量评价和风味调控。
《机器学习增强的风味组学：识别酱香白酒中的关键香气化合物并预测感官品质》：
通过机器学习识别关键香气化合物，并构建智能化感官质量预测模型，强调了不同蒸馏轮次的风味变化规律，进一步细化了风味化合物对感官质量的影响。为风味调控提供了具体的化合物浓度阈值，完善了质量评价体系。
《Machine learning discrimination and prediction of different quality grades of sauce-flavor baijiu based on biomarker and key flavor compounds screening》（《基于生物标志物与关键风味化合物筛选的酱香型白酒质量等级机器学习判别及预测》）：
通过筛选生物标志物和关键风味化合物，构建了初步的质量评价体系。关注点在于如何利用化学分析和机器学习将主观的感官评价转化为客观的质量指标。提供了基于风味化合物和微生物标志物的质量评价体系，为后续研究奠定了基础。
《Machine Learning and Multi-Omics Integration to Reveal Biomarkers and Microbial Community Assembly Differences in Abnormal Stacking Fermentation of Sauce-Flavor Baijiu》（《基于机器学习与多组学整合的酱香型白酒堆积发酵生物标志物及微生物群落组装差异研究》）：
聚焦于酱香型白酒堆积发酵过程中的微生物群落与风味生物标志物的关系，通过多组学技术揭示微生物群落的组装机制及其对风味的影响，为理解微生物如何影响风味提供了理论支持。
“通过食品组学技术结合人工智能中的机器学习技术，实现白酒质量的精准预测与生产工艺优化。”邱树毅用一句话总结了这三项研究的核心价值。
同时他提出：“传统研究方法（如感官评价、微生物组学、色谱分析等）是酒类研究的基础，然而，机器学习（ML）和数据科学的引入在某种程度上‘颠覆’了传统研究模式。”
|邱树毅，摄影/好酒地理局视频中心
在邱树毅团队看来，将传统方法与现代技术结合，形成“数据驱动+实验验证”的新研究范式，能够极大地提升研究的效率和深度。
以团队研究生李帅在《Food Chemistry》（食品化学）上发表的最新研究为例，机器学习模型在高效处理和分析大型数据集方面展现出巨大潜力。
● 应对高维复杂数据的能力
研究涉及988个基酒样本，涵盖七轮蒸馏轮次、数百种香气化合物浓度及感官评分数据。
|Paper1-机器学习建模流程图。
机器学习模型（如XGBoost、MLP、Random Forest）通过特征选择（SelectKBest）和噪声过滤（IsolationForest），从高维化学数据中提取关键特征（如四甲基吡嗪、乙醛），解决了传统方法难以处理的多变量非线性关系问题。
例如，XGBoost模型在“酱香味”预测中达到97%的准确率，验证了其对复杂数据的高效解析能力。
● 多算法融合提升性能
研究结合三种聚类算法（K-means、HCA、GMM）与十种机器学习算法（XGBoost、MLP、Random Forest、Gradient Boosting、AdaBoost等），构建分阶段预测框架。
|Paper1-3种聚类算法划分基酒感官质量等级。
聚类算法对感官质量等级进行初步划分，优化数据分布；机器学习模型基于聚类结果进一步训练，如MLP对酸涩味等级分类准确率达85%，显著优于传统人工感官评估的主观性和低效性。
● 可解释性技术突破数据黑箱
通过可解释机器学习的SHAP模型，模型不仅预测感官等级，还揭示了关键化合物的浓度阈值及其非线性影响。
|Paper1-基于最佳机器学习模型的SHAP分析。
例如，四甲基吡嗪在酱香味和焦糊香中的临界阈值分别为20.66mg/L和15.36 mg/L，过量会导致品质下降；醛类化合物（如乙醛）的高浓度会掩盖酸味复杂性，其阈值通过SHAP依赖图定量确定。
● 高效处理动态变化与多源数据
研究整合了GC-MS数据、感官评分及生产工艺参数，利用机器学习捕捉跨轮次发酵的动态变化：主坐标分析（PCoA）显示香气特征随轮次呈逆时针动态迁移，机器学习模型通过特征交互分析（如Spearman相关性网络）识别出88对显著关联的化合物-感官关系；SMOTE算法平衡数据集，解决了样本分布不均问题，确保模型在稀疏数据（如BJ4仅87个样本）中仍保持稳定性能。
通过大数据分析和算法建模，该研究构建的质量等级预测模型具备转化为实际应用的潜力。
邱树毅教授向好酒地理局介绍了该课题的具体实践方向：
数据驱动的生产优化：通过实时监控和预测模型，酒厂可以更精准地控制生产过程，减少次品率。
智能化勾调与风味设计：AI技术可以帮助酒厂实现自动勾调和风味优化，提升产品的一致性。
行业标准与规范化：研究为白酒行业提供了科学的质量评估标准，推动行业的规范化发展。
而从实验室到规模化应用，邱树毅教授坦言，最大的技术转化障碍在于数据获取成本、模型实时性和行业接受度。
高质量的风味物质数据获取依赖于昂贵的仪器（如GC-MS、GC-FID），同时当前的模型依赖于离线数据分析，难以实现生产线的实时监控。此外，白酒行业传统上依赖经验丰富的酿酒师，对新技术的接受度可能较低。
为了解决这些问题，团队计划开发低成本快速检测技术（如近红外光谱、电子鼻）以降低数据获取成本，并优化算法和硬件设备，提升模型的实时计算能力。同时，通过与酒厂合作进行试点应用，展示模型的实际效益，逐步提升行业对新技术的接受度。
|国台庄园智能酿造一车间中央控制室。图源/国台酒
“最终，我们的目标是通过风味组学和机器学习技术，实现白酒生产的智能化和数字化，提升产品质量和生产效率，推动白酒行业的科技创新和产业升级。”邱树毅说。
未来，中国白酒或将在保留传统韵味的同时，进化出可计算、可溯源、可定制的“科技酒体”。当传统窖池的微生物群落与人工智能的算法脉搏共振，中国白酒的下一口醇香，将浸润着这个时代最硬核的科技回甘。
（封面图由微信公众号AI生成，其余配图除标注外均来自原论文）
- END -
来源于公众号-好酒地理局，本文略有删改。