图博数智
AI化工

牙膏配方AI能做什么摩擦剂和氟的4个场景

· 图老师

牙膏配方AI能做什么?摩擦剂和氟的4个场景

最近有人问图老师:牙膏配方这个品类做了几十年,AI进去还能干出点什么实事?

问的人是一家做口腔护理产品的企业,配方部十几个人,管着从基础膏体到儿童牙膏的一串产品线。

摩擦剂怎么配、氟会不会出问题、膏体异常怎么追,桩桩件件都压在几位老配方师身上。

用这位负责人的原话说:经验都在人脑子里,人一休假,查个旧账都得等。

牙膏看着是日化里配方链路最短的品类之一,真翻起来全是细节,恰好有4个场景AI能实打实搭把手。

说实话,这4个场景没有一件是新鲜事,新鲜的是翻旧账的速度完全变了。

这4个场景有个共同点:账其实都在,只是散在纸面和文件里,人翻不过来,AI翻得过来。

场景一:反查摩擦剂历史组合

摩擦剂是牙膏清洁力的来源,也是最容易被调出问题的一类原料。

碳酸钙清洁猛、成本低,磨损值容易冲高;水合硅石温和许多,成本又上去了。

配方师接到一个新定位,比如清洁型还是温和型,第一件事就是翻历史配方和检测报告,看上回类似定位用的什么组合。

这些记录一半在Excel里,一半在检测报告PDF里,翻半天凑不齐是常态。

清洁力和磨损值天生互相拉扯,单看哪一个指标,都定不下一支配方。

AI的做法,是把历史配方连同当时的清洁力、磨损值检测结果一起结构化入库。

来了新需求,按产品定位和目标区间去反查,碳酸钙、水合硅石的复配组合连同对应的检测数据一起出来。

哪支组合当年因为磨损偏高被降级,哪支因为清洁力不足改了方向,评审结论也跟着出来。

这里的边界要说清:AI给的是历史组合和趋势参考,落到新配方上,磨损值还得靠检测设备实测,一步都省不掉。

入库前有件准备工作别省:同一类摩擦剂在不同年代的记录里叫法可能不一样。

图博数智做实施时会先帮客户把叫法归并成一套标准名,不然反查会漏掉一大截。

场景二:氟和摩擦剂失效预警

氟是牙膏里监管盯得最紧的成分,它和摩擦剂的相容性又是老大难。

单氟磷酸钠和氟化钠这两类氟源,碰上不同的摩擦剂,存放一段时间之后的表现各有各的脾气。

有的组合当年在稳定性试验里栽过跟头,教训记在试验报告里,报告躺在档案柜里没人翻。

要换氟源或者换摩擦剂的时候,谁也不敢保证把踩过的坑全想起来,全靠几位老配方师的记忆兜底。

AI知识库把这些历史失效记录和配方版本挂上钩。

哪支配方、用哪个氟源、配什么摩擦剂、出过什么问题、当时怎么处置,一条条关联起来。

新配方立项,把氟源和摩擦剂组合丢进去问一遍。

历史上这对组合出过什么毛病,连同当时的处置结论一起给出,条条能溯源到报告原文。

立项评审会上把预警记录贴出来,比一句应该没问题有底气得多。

这个核查在图博数智inFab上已经是现成的功能,配方单提交之前自动跑一遍。

边界同样得讲清:预警只是把旧账摆上桌面,判定还得靠稳定性试验,AI替不了试验,也替不了法规要求的评价流程。

防蛀这类功效宣称更要谨慎,AI只帮你把宣称和依据材料对上,不替你下宣称的结论。

场景三:膏体问题按批次归因

牙膏厂最怕的场面:膏体变色、分层、变稀难挤,客诉来了,原因查不清。

是配方动过了,是原料批次变了,是制膏工序波动了,还是管材匹配出了岔子?

这四路信息分别握在配方、采购、生产、包材四拨人手里,出了问题就开会翻记录,十天半个月出不来结论的事不少见。

更磨人的是膏体和管材互相牵扯,单看哪一路都像有问题,单看哪一路又都证据不足。

AI的做法,是把配方、原料批次、工序设备、管材批次这些实体建成本体关联,同一支产品背后的批次信息串成一张网。

图博数智牙膏配方业务本体模型

出了问题,把问题批号输进去,AI把同一时间窗里的组合圈出来:同批次管材灌的其他膏体有没有事,同膏体换一批管材有没有事。

范围一圈出来,方向就从四路收成一路,复验和留样比对着这一路做就行。

排查的顺序也顺手排出来,先复验哪一批、先封存哪条线,当天的动作就能定下来。

边界在于:AI帮你缩小范围,不替你拍板定性,最终结论还得靠复验数据说话。

数据底子也要诚实:批次记录如果还停在纸质流转单上,得先补录成电子台账,这张网才织得起来。

场景四:按发泡口感找旧配方

市场部提需求从来不含糊:泡沫再细腻一点,口感别那么辣,稠度要向某款畅销品看齐。

配方员接到这种话,第一反应是翻旧配方:哪一版调过发泡力,哪一版解决过稀流,全靠记忆凑参考。

发泡剂、增稠剂的调整记录散在试验本里,流变检测数据躺在另一套文件里,对不上号是常事。

AI的做法,是把历史试验记录连同样品描述、检测数据一起入库,按发泡力、稠度、口感刺激这些目标去反查。

接近的旧配方连同当时的调整路径一起出来:哪一版动了增稠剂治好了稀流,哪一版降了发泡剂让口感变温和,一路看下来。

找参考这一步从问人变成问库,打样开局就有谱。

这里有个前提:口感描述要先统一,"辣"和"刺激感强"如果不算同一个概念,反查出来的结果就没法比。

评价词先归并,历史数据才可比,这一步在实施时是绕不开的必修课。

口感终究是人的主观评价,AI把参考送到手,打样和试刷还得人来把关。

这些场景图老师写得顺手,因为图老师平时就在做图博数智inFab交付,天天泡在配方企业的现场。

最花工夫的环节是业务本体建模:配方、批次、工序、设备这些实体怎么关联,关系定准了,答案才落得住。

AI照着本体回答,每条结论都能溯源到原始记录,从文件到可信决策这条路,在inFab上已经跑成了模块。

牙膏配方AI怎么起步

4个场景讲完,落到怎么动。

判断标准很朴素。

查旧账最勤的,先上历史配方和试验记录反查;质量问题追得最苦的,先上批次归因;新需求接得最多的,先上发泡口感这条线。

先挑最痛的一件事,用一个季度跑通,让配方师自己说一句有用,后面的路就顺了。

数据准备也别贪多:检测报告和试验记录先补近三五年的,配方和原料的叫法先统一,批次记录能电子化的先电子化。

私有化部署这条建议一步到位,配方数据不出厂,问答跑在自家机房里,用起来才敢放开。

功效宣称那条红线记在心里,防蛀美白这类宣称该做的评价一步不能省,AI只负责把材料和依据对齐。

牙膏这个行当,经验攒了几十年,散在各种文件里,AI知识库给了一个把它们重新捡起来用的口子。

先动起来,比反复讨论值不值得重要。


关注我,图老师每天分享一个企业AI落地的真问题、真办法。

先进团队正在用的 AI 落地方案

判断您的业务里哪些环节已经适合用 AI 替代?