《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Embodied Artificial Intelligence in the Food supply chain: Innovations, Challenges, and Future Perspectives
编辑推荐：
嵌入式人工智能（EAI）通过感知、决策与物理操作的闭环，提升食品供应链应对气候变化、劳动力短缺及食品安全需求的能力。本文系统梳理EAI在种植、加工、质检、包装及物流等环节的应用进展，揭示其技术架构、性能边界及实施障碍，提出标准化、成本优化和跨主体数据治理的协同发展路径。
王重宇|吕成龙|高艺欣|何一阳|张希尧|张志坤|闵伟青|张大川|范大明|王伟豪|马培华|王凤中
中国农业科学院食品科学技术研究所，农业农村部农产品加工重点实验室，北京100193，中国
摘要
背景
具身人工智能（EAI）将感知、决策和物理执行结合在真实环境中。随着全球系统面临气候变化、劳动力短缺以及对食品安全、可追溯性和可持续性要求的增加，其在食品行业的相关性正在不断提高。
范围与方法
本综述综合了EAI在食品供应链中的最新进展，涵盖从农场作业到初级加工、质量检测、包装和冷链物流等环节。相关证据围绕感知、学习和行动三个层面进行组织，并结合了食品特定的部署约束条件，如卫生兼容性、可靠性、延迟和成本等因素进行解读。
主要发现与结论
现有证据表明，要广泛部署EAI，需要开放、领域特定的基准测试、大规模的试点验证、可解释且可审计的控制架构，以及以生命周期为导向的可持续性评估。在农民、加工商和物流供应商之间建立透明且安全的数据治理框架对于确保互操作性、责任性和公众信任至关重要。整合可持续性指标、伦理监督和人机协作将推动智能、符合法规要求的食品系统的发展，从而在提高生产力的同时维护环境和社会责任。
引言
全球食品系统正面临由气候变异性、人口结构变化和劳动力短缺带来的日益加剧的压力，同时对食品安全、营养安全和可持续性的期望也在不断提高。传统的食品操作自动化仍然严重依赖于固定流程和离线分析，这些方法难以应对食品材料的可变形性、异质性和对卫生的高敏感性（Al-Dairi, Pathare, Al-Yahyai, & Opara, 2022）。这些局限性激发了人们对机器人技术和具身智能的兴趣，将其视为实现适应性、基于感知的食品处理和加工的途径（Liberty, Habanabakize, Adamu, & Bata, 2024）。COVID-19大流行暴露了全球供应链的脆弱性，并加速了对非接触式操作的需求，而最近的气候冲击进一步凸显了需要适应性生产框架的必要性。在这种背景下，具身人工智能（EAI）作为一种范式应运而生，它将基于学习的决策能力嵌入到能够实时感知、推理和行动的机器人系统中（Kitano, 2007）。通过闭合感知-行动循环，EAI将感知、决策和物理执行结合起来，以适应现实世界的不确定性和生产变化（Duan, Yu, Li Tan, Zhu, & Tan, 2022; Y. Liu, et al., 2024）。在高精度行业中，具身智能已经从实现无菌混合和无菌填充的封闭式机器人工作站发展到在严格安全约束下运行的集成感知-行动流程（McCall, et al., 2022）。最近，视觉触觉感知和基于学习的控制技术使得精细的生物医学和电子组件的合规操作成为可能，为食品处理提供了可转移的设计原则（Lambeta, et al., 2020; Mao, Liao, Yuan, & Zhu, 2024）。然而，将这些技术应用于食品系统需要具备适合卫生的硬件、能够在清洗和冷凝条件下抵抗漂移的传感器，以及与生产线操作兼容的成本效益高的集成方案（Mao, Liao, Yuan, & Zhu, 2024）。
在本综述中，EAI指的是能够在现实世界的不确定性下通过自身感知环境并生成动作的物理代理的学习驱动控制，其核心特征是感知-动作的闭环（Duan, Yu, Li Tan, Zhu, & Tan, 2022）。这一定义将具身控制与仅基于数据的分析区分开来，后者即使用于决策支持也仍然与物理执行脱节（Wang, et al., 2023）。从概念上讲，EAI包含三个相互作用的层次：感知层包括红绿蓝（RGB）和热成像、高光谱成像（HSI）、近红外光谱（NIR）、结构化照明、视觉触觉探针以及拉曼光谱和紫外-可见光谱（UV-Vis）等光谱分析技术（Suresh, et al., 2024）；表示与学习层涵盖自我监督感知、策略学习、不确定性建模和基于示范的模仿学习（Ding, et al., 2025）；行动与控制层包括合规抓取、轨迹优化以及在接触不确定性下保持安全的卫生意识驱动的执行（Rostamabadi, et al., 2023）。具身智能的概念基础还涉及具身认知和形态计算，其中身体与环境的互动可以降低控制复杂性（Kitano, 2007）。在食品领域，微型光谱光学和传感器融合以及数据驱动的控制正在将闭环能力从实验室扩展到工业生产线（Lorenzo, et al., 2018; Q. Wang, et al., 2025）。边缘计算、标准化接口和区块链等使能技术可以增强可审计性和治理能力，但除非与具身闭环控制结合使用，否则在这里仅被视为支持性基础设施（Ellahi, Wood, & Bekhit, 2023）。
当前的部署越来越多地将机器人技术、计算机视觉和分析化学整合到支持可审计性、可追溯性和风险意识的质量控制的工作流程中（Broothaerts, et al., 2023）。代表性应用包括用于侦察和收割的无人驾驶航空和地面平台，其中感知-行动耦合支持在田间变化条件下的操作（Zanin, et al., 2022）。在初级加工中，高速分拣和在线缺陷剔除依赖于多模态检测来处理产品异质性（H. Huang, Liu, & Ngadi, 2014）。在质量评估中，基于光谱的技术已被应用于无需破坏性采样的新鲜度监测和成分预测（X. Guo, et al., 2016）。在下游处理中，软体机器人末端执行器和合规包装单元可以减少损伤并实现对脆弱产品的轻柔操作（Holler, et al., 2023）。尽管取得了可测量的进步，但结果仍受感知方式、照明和几何形状、产品变异性以及生产线集成限制的影响；因此，本综述报告了性能范围及其边界条件和集成约束。据报道，由视觉引导的现场特定智能喷雾器在田间试验中减少了除草剂的使用，但效果取决于冠层结构、校准稳定性和延迟预算（Herterich, Liu, & Stein, 2025）。在果实采摘和包装过程中，采摘成功率和损伤率同样取决于接触机制以及感知与合规执行的耦合（Jo, Park, & Son, 2024）。在系统层面，采用受到资本成本、罕见故障模式的数据有限、清洁引起的传感器漂移、劳动力转型以及不完善的卫生认证途径的制约（Lyu, Yu, et al., 2025）。这些挑战促使人们在基准测试、部署方法和数据治理方面进行协调推进。本文的目标是：（i）明确EAI在食品操作中的概念架构；（ii）综合食品生产链中的应用，并提供定量范围和边界条件；（iii）批判性地分析实施挑战，并概述实现就绪的时间阶段路线图（Al-Dairi, Pathare, Al-Yahyai, & Opara, 2022）。与以往专注于食品机器人硬件或离线AI检测的综述不同，本文将算法、具身化和部署约束整合到一个统一的感知-动作框架中，并将证据汇总成性能范围、边际价值和技术就绪性的比较表（Wang, et al., 2023）。图1提供了EAI领域的概览，包括应用、使能创新、技术挑战和未来前景。首先，本文描述了EAI的感知-动作架构及其感知、学习和行动的核心组成部分，然后概述了其在食品供应链中的应用，从精准农业和自动化收割到多模态分拣、冷链物流、质量控制和智能包装。最后，本文批判性地分析了校准、标准化、延迟、经济可行性、伦理和治理方面的挑战，并讨论了这些因素如何塑造互操作、符合卫生要求和符合法规的EAI框架的发展。本文适用于食品工程、机器人技术、传感技术和智能制造领域的研究人员，以及评估食品系统中可部署自动化的实践者。其主要贡献在于将概念架构、应用证据和部署约束整合到一个统一的食品操作框架中。通过结合代表性的性能范围、边界条件和实施挑战，本文旨在支持对EAI当前适用场景的更全面评估，明确哪些场景仍需要混合人机系统，以及哪些场景还需要进一步验证。
EAI：概念与区别
人工智能与机器人技术的融合被广泛视为食品工业4.0的关键使能技术，支持数据驱动的监控、自动化和灵活的制造（Hassoun, et al., 2023）。在这个更广泛的背景下，EAI通过将多模态感知、基于学习的推理和物理执行整合到封闭的感知-动作循环中，实现了对环境不确定性的实时适应。
EAI在食品供应链中的应用
作为智能自动化的新兴驱动力，EAI正在食品生产链的各个环节得到应用，从基于感知的精准农业和自动化收割到多模态分拣和分类、冷链监控、自适应质量控制和定制化加工（图2c）。
在食品工业中实施EAI的挑战
尽管EAI为食品工业带来了巨大潜力，但其实施受到技术、经济和伦理方面的限制。解决这些限制对于支持可靠、可扩展和符合卫生标准的部署至关重要。本节概述了主要挑战类别，并总结了它们对性能、成本和工业环境治理的影响。
展望
EAI在食品系统中的未来发展可能会分阶段进行，而不是在整个行业中统一采用。短期内，最容易部署的应用将涉及结构化感知和低接触决策支持，如缺陷检测、分拣辅助、冷链监控和可追溯性增强。中期，半自主处理、适应性包装和多模态质量控制可能会变得更加普遍。
结论
EAI在提高某些食品操作的效率、安全性和产品一致性方面显示出潜力，但要实现更广泛的部署，仍需进一步标准化、降低成本并进行稳健的验证。通过整合机器人技术、传感技术和机器学习，EAI能够在真实世界的食品环境中实现更灵活的感知和行动。在所回顾的文献中，EAI提高了检测的一致性，支持了有针对性的干预，并增强了可追溯性和冷链管理。
EAI：概念与区别
人工智能与机器人技术的融合被视为食品工业4.0的关键使能技术，支持数据驱动的监控、自动化和灵活的制造（Hassoun, et al., 2023）。在这个更广泛的框架下，EAI通过将多模态感知、基于学习的推理和物理执行整合到封闭的感知-动作循环中，实现了对环境不确定性的实时适应。
EAI在食品供应链中的应用
作为智能自动化的新兴驱动力，EAI正在食品生产链的各个环节得到应用，从基于感知的精准农业和自动化收割到多模态分拣和分类、冷链监控、自适应质量控制和定制化加工（图2c）。
在食品工业中实施EAI的挑战
虽然EAI为食品工业带来了巨大潜力，但其实施受到技术、经济和伦理方面的限制。解决这些限制对于支持可靠、可扩展和符合卫生标准的部署至关重要。
展望
EAI在食品系统中的未来发展可能会分阶段进行，而不是在整个行业中统一采用。短期内，最容易部署的应用将涉及结构化感知和低接触决策支持，如缺陷检测、分拣辅助、冷链监控和可追溯性增强。中期，半自主处理、适应性包装和多模态质量控制可能会变得更加普遍。
结论
EAI在提高某些食品操作的效率、安全性和产品一致性方面显示出潜力，但要实现更广泛的部署，仍需进一步标准化、降低成本并进行稳健的验证。通过整合机器人技术、传感技术和机器学习，EAI能够在真实世界的食品环境中实现更灵活的感知和行动。在回顾的文献中，EAI提高了检测的一致性，支持了有针对性的干预，并增强了可追溯性和冷链管理。
未引用的参考文献
Abby et al., 2024; Anthony Brohan et al., 2022; Banús et al., 2021; Chen et al., 2025; Dey, 2025; Driess et al., 2023; Liu et al., 2024; Lyu et al., 2025; Lyu et al., 2025; Moreno et al., 2015; Sture et al., 2016; Zheng et al., 2025.
CRediT作者贡献声明
王重宇：撰写-原始草稿，概念化，撰写-审阅与编辑，验证，方法论，调查，形式分析，数据管理。
吕成龙：撰写-原始草稿，撰写-审阅与编辑，验证，调查，形式分析，数据管理。
高艺欣：撰写-原始草稿，撰写-审阅与编辑，验证。
何一阳：撰写-原始草稿。
张希尧：撰写-原始草稿。
数据可用性
数据可应要求提供。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了国家重点研发计划（2024YFD2100301和2024YFD1600804）的支持。
