2026年8月5日，Proxy Foods AI宣布完成600万美元种子轮融资。这个数字不算夸张，真正值得看的是它卖给谁：Business Wire披露，Proxy Foods已经扩展到Barilla、Gefsinus、MISTA和CAVA等客户或行业合作方，公司还称其平均平台客户年收入超过10亿美元。
这不是一个给消费者生成菜谱的AI应用，也不是让品牌市场部多写几个新品概念的工具。Proxy Foods切进的是食品饮料公司最重、最慢、也最贵的一段流程：新品研发和配方调整。
一款食品从概念走到货架，中间不是“想一个口味”这么简单。研发团队要在味道、口感、营养、成本、保质期、过敏原、供应链、生产工艺和不同市场的法规之间反复折中。糖少了，口感可能塌；蛋白高了，质地可能粉；换一个原料，成本降了，产线参数可能又不稳。很多时候，团队不是没有创意，而是每一个创意都要用一轮又一轮试做来验证。
Proxy Foods想把这件事往前挪：在真的进实验室前，先用软件排掉一批不值得试的配方。
Proxy Foods官网把自己定义为AI-powered formulation & product development platform，面向食品饮料研发团队，帮助他们更快推出和改良产品。官网展示的工作流不是一个空白聊天框，而是围绕配方、原料、工艺步骤、营养值、感官评估和法规要求组织起来的产品工作台。
这点很关键。食品研发不是写作任务，不能靠“多生成几个版本”解决。一个配方要能被生产出来，要过内部质量标准，要符合不同地区法规，还要在消费者嘴里成立。Proxy Foods的产品结构因此更像一个给R&D团队用的系统，而不是一个通用AI助手。
官网列出的Proxy agents包括Recipe Formulation、Food Scientist、Processing Optimizer、Regulatory Compliance、Ideation/Concepting和Data Analyst。翻成业务语言，就是它试图把几个原本分散的角色放进同一个研发流程：有人管配方，有人管食品科学依据，有人看生产工艺，有人查法规，有人读实验数据。
这也是它和普通ChatGPT式工具的边界。食品公司真正值钱的数据，往往不在公开网页上，而在历史配方、原料规格、生产经验、感官测试和内部失败记录里。Proxy Foods官网称，平台基于100万+配方、500万+产品记录，并能接入企业内部系统，让AI适配公司的产品、消费者和研发流程。这些为官网/公司口径，未经第三方审计，但它说明了产品为什么会从“生成内容”走向“管理研发判断”。
食品公司愿意买单的地方，也不只是省几个小时。
Business Wire报道中，Proxy Foods称客户已经实现新品开发和改配方少80%迭代、改配方成本降低2–10%、原型时间从几个月压缩到几天，并称一个增量成功上市就能收回平台投资。Proxy Foods官网还给出更直接的指标：新品开发和改配方少80%迭代、法规验证时间少70%、3天做出首个原型、配方成本降低20%。这些数字都属于公司或官网披露，未经第三方审计，不能当成普遍结果。但它们指向一个清楚的采购理由：食品研发部门买的不是“AI很先进”，而是“少做几轮错的实验”。
对一家大型食品公司来说，这个理由很现实。
如果一个团队要改一款蛋白棒，让它更高蛋白、更低糖、口感不变、成本还要下降，传统做法往往是研发人员凭经验设计几个方向，再试做、测试、调整、再试做。每一轮都会消耗原料、实验室时间、感官评估、跨部门沟通和机会成本。如果AI能提前告诉你哪些组合更可能失败，哪些方向值得下实验台，价值就不只是效率，而是研发资源的重新分配。
Proxy Foods的非共识之处在这里：它没有把食品AI包装成“创意机器”，而是把食品研发里最枯燥的试错账算出来。
这个判断有一定技术支撑。Food System Innovations在2026年推出Food Intelligence Lab，用机器学习改善可持续蛋白产品的味道和质地。相关报道提到，该实验室已经和Proxy Foods合作测试Expert-Guided Bayesian Optimization，也就是让专家参与的贝叶斯优化方法。在一个植物基希腊酸奶测试里，系统经过5天、10轮配方迭代，把感官表现提高了29%，最终产品在稠度、奶油感和酸味上接近动物基准产品。
Dan Jurafsky的Stanford主页也列出了“Expert-guided Bayesian optimization for sustainable protein design”为ICML 2026 Workshop AI4Science论文。这不是说Proxy Foods已经能自动解决所有食品研发问题，但它至少说明：这家公司不是只把大模型包进一个表单，而是在靠食品科学、实验设计和人类专家一起缩短试错循环。
从商业化看，Proxy Foods更像销售驱动的企业软件。官网有Book a Demo和登录入口，但没有公开价格。对大型CPG和餐饮客户来说，这很合理：每家公司内部配方库、法规市场、产线和安全要求都不同，采购过程很可能围绕试点项目、数据接入、安全审查和ROI评估展开。
这类产品的扩张路径，也不会像消费级AI工具那样靠一个漂亮功能爆发。更可能的路径是：先从一个新品或改配方项目进入，证明可以少试几轮；再接入更多历史配方和实验数据；最后变成食品公司内部R&D团队反复使用的工作台。到那一步，Proxy Foods卖的就不是单次优化，而是研发知识的组织方式。
风险也很明显。
第一，食品研发高度依赖企业内部数据。没有足够干净的配方、原料、工艺和感官数据，AI建议容易停留在“看起来合理”。Proxy Foods越往大客户走，数据接入和治理成本越高。
第二，官网结果数据需要谨慎看待。少80%迭代、3天原型、20%成本下降都很有吸引力，但目前主要来自公司披露，未经第三方审计。不同食品品类之间差异很大，酸奶、蛋白棒、饮料、酱料、宠物食品的研发难点并不相同。
第三，真正决定采购的可能不是模型能力，而是信任。食品公司不会轻易把核心配方和研发数据交给一个新平台。Proxy Foods强调ISO 27001、企业安全、Zero Trust和加密计算，说明它自己也知道：这门生意越靠近核心研发，安全和合规就越是销售前提。
但正因为这些限制，这个案例才有价值。
很多AI产品还停在“帮员工写得更快、想得更多”。Proxy Foods展示的是另一种垂直AI路径：找到一个行业里原本就很贵的试错流程，把AI放在试错之前，让客户少花钱、少走弯路、少把实验室时间浪费在低概率方案上。
对AI产品创业者来说，这里真正值得学的不是食品行业本身，而是切入口。一个好AI产品不一定要替客户完成最终作品，也可以替客户减少错误尝试。尤其在研发、工程、医疗、工业、供应链这些领域，客户最愿意付费的地方，常常不是“帮我生成一个答案”，而是“别让我把资源投到错的方向”。
食品研发少试几轮，听起来不性感。但如果那几轮背后是几个月周期、几十个人协作、一次新品上市窗口和一条生产线的成本，它就足够成为一门AI软件生意。
参考来源
- Business Wire：Proxy Foods AI Raises $6M Seed Round to Accelerate AI-Native Food and Beverage Development Platform：https://www.businesswire.com/news/home/20260805888751/en/Proxy-Foods-AI-Raises-%246M-Seed-Round-to-Accelerate-AI-Native-Food-and-Beverage-Development-Platform
- Proxy Foods官网：https://proxyfoods.ai/
- Complete AI Training：Food System Innovations launches Food Intelligence Lab to build open-source AI for sustainable protein：https://completeaitraining.com/news/food-system-innovations-launches-food-intelligence-lab-to/
- Dan Jurafsky Stanford主页：https://web.stanford.edu/~jurafsky/?source=post_page---------------------------