为什么建议用上AI拍食物算热量？

前天发的这顿饭到底多少热量？以前我得称重，现在拍张照 这篇文章评论区收到了很多质疑，集中在两个方向。一个方向认为这东西肯定不准，就是骗人；另一个方向觉得控制热量这件事本身就不该做。

先说我的态度：原文里我说的话就是我的判断。

展开来说，哪怕误差有百分之三十，作为一个自我管理的工具都已经足够有意义了。甚至你估计一下、记一下，画四五个「正」字、数自己今天吃了几份食物，这都是有意义的（感兴趣的朋友可以去学一下食物交换份法）。

我之前做饮食记录小程序的时候，很多食物的份量刻度是手动选的、不小于 50 克一档，就是因为我判断不需要那么精确，精确带来的负担反而会杀死记录这件事本身。

在我看来，你长期每天用 1 分钟记录一下，把注意力投注在吃的食物当下，多一份观察，本身就有助于纠正自己的饮食。

比如，如果你的体重正常的话，其实就没事儿。如果有问题就可以参考一下，根据自己体重变化来衡量吃多了还是吃少了。

当然，我也很愿意借此机会跟大家仔细聊聊我对 AI 拍食物算热量这件事的理解。

有人说不能控制卡路里、不该这么活着。能顿顿吃得刚刚好、完全不用管的人当然有，可现实情况是，很多人连基本的热量都远远超标了。从公共卫生的角度说，慢性病的发病率在指数级上升，核心驱动之一就是能量摄入和消耗的长期失衡，所以更好地监测食物热量，本来就是体重管理的核心环节。

我们传统的工具，比如24 小时膳食回顾、食物频率问卷、手动饮食日记，往往需要培训才能用，你记不住、操作难，对食物分量的估算能力、对营养素的记忆、数据库的可及性都有要求。说实话我也没想到评论区有那么多人坚持用食物称，那我觉得确实没毛病，记得称量生重、可食部找对营养成分数据库就好，我一直是鼓励这样记一个星期的，但是又有多少人能坚持用呢？

基于人工智能的膳食图像识别和热量估计，过去 20 年已经提升了很多，尤其是这两年多模态大模型出现之后，底层范式都在升级，现在早就不是过去那种只看二维图片数像素的技术了，已经能做语境推理、烹饪过程推算，结合你的上下文信息做更完整的个人健康管理。

在这样的背景下，还有很多朋友觉得它不够准。

评论区问得最多的问题是：拍张照，它怎么知道这份菜多重、多少热量？[1]

在多模态大模型出现之前，业内有一套模块化的深度学习管线，大概分四步。

第一步是目标检测，用卷积神经网络做特征提取，先回答「盘子里有什么、在哪里」。第二步是图像分割，把食物的轮廓勾出来，分清哪个是前景哪个是背景。第三步是物理上的反推，这一步最难：单个摄像头拍出来的是二维图像，没有深度信息，所以必须建立尺度参考——早期学术研究拍照时，旁边得放一个已知直径的餐盘或者一枚硬币当参照物。有位网友问「盘子直径差 1 厘米面积就差不少，它怎么确定重量」，这是问到点子上了，盘子、筷子、碗口就是它的比例尺，参照物一错，体积就全错。

第四步才是热量和营养素的映射，根据体积、密度和食物营养数据库推算出结果。

这四个环节，每一环都有误差。

份量和体积的估算，一般就有15%~25%的相对误差（这环节误差最大），其他环节再各摊上 10% 上下。

所以从测量工具的角度，误差是必然存在的，短期内很难完全克服。

我看评论区有人说 85 克的红薯被认成 175 克，笋丝被认成炒面，一份番茄炒蛋给了 90 大卡——两个鸡蛋一个番茄再加勺油，实际上家常做法怎么也得三百大卡上下，这确实都有可能。

目前对此也有了不少改良的方案，比如硬件方面，很多手机现在带激光雷达，通过红外光点阵的回波能还原三维信息，体积估算误差可以仅有5%；数据集方面，谷歌研究院这些机构开源了大规模的真实餐厅菜肴数据，带精确到克的重量标注，训练出来的模型能力也上来了，所以有一些软件可以利用这些手段让结果相对精确一点。

以前是「检测、分割、几何推算、查数据库」这一套流水线，最近一两年，膳食评估已经转向多模态大模型的端到端方案。

大模型自带世界知识体系和逻辑推理能力，配合视觉编码器，现在能像人类营养师一样，看到食物的表象之后去推理背后的烹饪逻辑和营养构成。Qwen 这些新一代的视觉大模型，还有各家闭源旗舰，这个能力还会越来越强（我自己最近还做了一个用 GPT 6 Astra 的摄影筛图 skill，感兴趣可以了解一下 https://guzhongyi.com/ai-photo-guide/ ）。

总之，我个人对未来 AI 的能力持乐观态度，等一等总有更好的。

垂直方向上也有专门的研究。有一类多任务视觉语言模型（比如Food-R1），训练的时候就整合了食物分类、食材识别、食谱生成、营养估算这些任务，还用思维链加强化学习来校准：先列出识别到的食材，再预估每种食材的重量，最后列出计算过程求和，答对了才有奖励。

当然训练语料大多是标准化的西餐数据，中餐本身就难、基础数据也不好，所以现阶段只能当参考。好的学术模型误差已经能压到50 千卡以内，而没做垂直强化的开源大模型平均要差120 千卡上下。

总之，当下技术在这类任务上已经达到人类专家的水平了[2]。

但有一个物理盲区是真绕不过去的：你这盘菜里到底渗进去多少油，热量能差出一倍多，可你看照片就是看不出来。

评论区也有人问，外面做的和家里做的油糖量差好几倍，AI 能识别这么细吗？

确实识别不了，这是光学层面的硬限制，所有视觉识别都一样。

研究里发现，脂类正是各家 AI 营养评估算不准的重灾区，所有模型都存在超过20%的系统性偏差[3]。

相对可行的解法是「拍照片再补一句话」：我今天吃了多少、这盘菜大概放了多少油，让自然语言模块把你的补充和视觉识别合起来再算，这类多模态方案在研究里已经能把高油菜肴的准确率明显拉上去[4]。

拍不清楚的就重拍一张，光线足、俯拍、别离太远，识别率会高不少。

蚂蚁阿福的用户基数，据我所知应该是国内健康管理类 App 里最大的。它上线 AI 拍饮食功能之后，我其实也没期待是一个多完美的工具，就像我原文里说的，它最主要的价值在于把那些原本「需要训练才能掌握的标准」变成了直接上手的东西。

它的评分系统也不是凭空捏造的，底层参考的是膳食指南，能综合很多因素，指出核心问题，给出比较安全、不偏颇的干预建议，这就已经很好了。

而且饮食记录这件事本身非常反人性，繁琐的记录成本能被降下来，可执行性提升，这一点很重要，产品设计方面我觉得这是蚂蚁阿福的优势。

第一，体积小、脂肪含量极高的食物，非常容易被算错。高脂低碳的那类餐食，体积不大但热量极高，而视觉估算恰恰在脂类上最不准[3]。我自己的饮食日记记的时候，会手动加 10g、又 10g 的油……

第二，得考虑心理影响。评论区有高赞的留言在提醒这点，虽然具体观点我不认同，但提醒的方向确实值得重视。

我得说明，目前有大量随机对照试验和大规模样本研究显示，对心理健康的普通人而言，数字化监测能显著提升对营养密度的觉察，带来更好的膳食决策。有一项针对200 名本科学历女性、为期一个月的干预研究，实验组的依从性很高，研究结束后这些低风险受试者的焦虑水平、躯体满意度、生活质量都没有恶化——所以「追踪卡路里必然导致心理崩溃」这个说法不成立。

但确实不可否认，有些人本身有完美主义倾向，我之前的客户里也确实有这样的人，他们潜在就有进食障碍的风险，神经性厌食、贪食症这类。临床样本里，105 名确诊进食障碍的患者中约七成半用过热量计算 App，其中七成多的人认为这些功能参与并维持了他们的症状[5]。对这部分人，高度自动化的 AI 应用可能成为催化剂。

所以产品设计上要在安全性上多考虑，别诱发极端的代偿、催吐这类行为；不停的通知提醒对一些人也会造成焦虑，这些都是真实应当考虑的边界。

评论区有人觉得，用工具记录饮食就是「活得累」「折磨自己」。我觉得这要看人：真觉得是折磨的，做出你的选择完全没问题。这个工具最根本的价值，其实不在热量这一个数字上，而在营养结构的多样和平衡，用的也是合理膳食指数这套体系。只盯着热量一个数、看到没有那么准就完全否定这么个工具，我认为并不合理。