为什么冷链 AI 越来越需要“机理 + 数据”而不是只靠黑箱预测？
一个只用历史数据训练的品温预测模型，在训练用的两条线路、同一个夏天里可以做得很漂亮；换到一辆新的冷藏车、一个更热的月份，误差可能突然放大，而且没有人说得清原因。这未必是模型没调好，而是黑箱预测在冷链里的结构性弱点。
必赢亚洲 AI 在冷链 AI 方向上的设计原则因此是“机理 + 数据”：用传热和劣变动力学搭骨架，用传感器数据去校正骨架的偏差，两者缺一不可。下面先看黑箱在哪些场合容易出事，再看两者怎样分工。
黑箱容易出问题的三种场合
外推。冷链里更值得预测的往往正是训练集没见过的情况：更高的环境温度、不同的装载率、另一种包装。神经网络在数据覆盖的范围内擅长插值，走出这个范围就没有物理约束拉住它，预测可能违反基本的传热常识，比如品温比空气升得还快。
稀缺样本。断电、长时间滞留、装载异常，这些才是品控真正担心的事件，偏偏样本很少。用寥寥几个事件去训练参数远多于样本的模型，结果只会记住这几个事件本身。
可解释与审计。放行、降级还是隔离，都是要留下理由的决定。模型只吐出一个货架期天数，审核的人没有办法检查“为什么是这个数”。在需要审计和追溯的场景里，这样的输出难以被采信；具体的合规要求以适用法规和企业质量体系为准。
机理负责骨架，数据负责残差
2026 年发表在 ScienceDirect 的《Mechanism-driven artificial intelligence for food cold-chain control and governance》，把核心问题定义为：机理知识能否帮助确定“该重建什么、该预测什么”。文中给出两条路径，也正好对应冷链里的两个难点。
其一是品内温度虚拟传感。冷链里容易装上的传感器多在环境侧或箱内空气，而决定食品劣变的是产品内部温度。用环境侧数据加传热关系去重建品内温度，等于给每件产品配了一个不用插探针的“虚拟探头”。
其二是动力学或生理学启发的公式化，让预测与劣变过程保持显式联系，也就是 Physics-aware AI 的思路。该文引用的例子，是把果实硬度下降的生理框架嵌入神经网络的物理信息神经网络（PINN），对象是牛油果硬度。它说明约束可以写进网络里，而不只是事后检验。
在此基础上，2026 年 MDPI 发表的《Physics-Informed Stochastic Modeling of Temperature Dynamics and Product Degradation in Cold Chains》给出了具体的分工：基于物理的传热模型负责主体，机器学习只估计“残差偏差”，传热与劣变的控制方程保持不动。用一组假设数字示意：
示意（假设数字）：传热模型预测某托盘到货时品温为 5.0°C，试验探针实测 5.8°C，残差 0.8°C。数据模型不去重学传热，只学“这 0.8°C 与装载率、开门次数、货位”的关系；下一次遇到相似条件，先按机理预测，再加上学到的偏差。
劣变一侧同样有现成的骨架可用。Food Control 2018 年的综述《Time-temperature abuse in the food cold chain》提到，时间温度指示器常用 Arrhenius 方程描述与食品动力学的匹配，生物型指示器是对暴露逐步累积、而不是只对单次事件反应，Q10 数值则因品类而异。动态品质预测的一般做法，是用完整时间—温度历史，配合 Baranyi 这类微生物模型和化学降解动力学，实时计算剩余货架期；有效的模型要针对具体产品真正驱动腐败的机理来训练，而不是套用通用衰减曲线。这就是劣变动力学（Deterioration Kinetics）在系统里的位置。
有了机理，为什么仍然离不开数据
因为机理模型的参数不是从公式里掉出来的。包装的热阻、货物的装载方式、箱内气流分布，都需要用传感器数据（Sensor Data）标定。同一个型号的冷藏箱，老化程度不同，参数也不同。
残差同样来自数据。机理只写进了已知的物理，没写进的部分，比如货物堆放缝隙、某个门封的磨损，只能由观测来补。也是数据告诉系统：这次预测有多不确定。图中融合后输出的是“预测 + 不确定性”，而不是一个孤零零的数。
机理也会出错
机理模型的短板同样具体：为了求解，常把货物当成均匀体；参数标定不准，骨架本身就会偏；多个因素耦合时，简化假设可能站不住。Q10 因品类而异，意味着换品类就要重新确认参数，不能拿一个数字通吃。
所以“机理加数据”不是二选一后的折中，而是让两种错误互相暴露：机理偏了，残差会变大；数据偏了，机理方程会约束住荒唐的预测。模型给出的结论，仍要回到实测里验证。
