随着智能手机的普及，使用AI拍照识别食物并自动计算卡路里的应用已成为数百万健康追求者的日常工具。然而，一项由美国营养学会（American Society for Nutrition）主导、于2026年7月发布的大型验证研究却给这股热潮浇了一盆冷水。研究发现，目前市面上最流行的几款AI卡路里追踪应用，其日均能量摄入估算的误差可达345千卡，这一偏差足以让一个精心设计的减重计划在半年内完全失效。

研究设计：黄金标准与AI的对决

为了客观评估AI工具的准确性，研究团队招募了120名健康成年人，在为期14天的受控环境中，将受试者分为两组。一组采用“双标水法”（doubly labeled water）精准测量总能量消耗，同时由营养师全程称重记录所有入口食物——这被视作能量摄入评估的黄金标准。另一组则使用三款下载量超过千万次的AI食物记录应用，分别在标准化自助餐、家庭自备餐以及餐馆外卖三种场景下记录饮食。结果显示，与黄金标准相比，AI应用平均每日低估能量摄入198千卡，但个体间差异极大，导致绝对误差均值达到345千卡；在含多种酱汁的混合菜肴（如咖喱、炒菜）场景中，单餐误差甚至超过400千卡。研究负责人、塔夫茨大学营养流行病学家Susan Roberts教授指出：“人们正根据一个有缺陷的仪表盘来调整自己的生活方式，这无异于蒙眼开车。”

误差来源：视觉识别的天生短板与数据库的先天不足

这种量级的误差源于AI图像识别技术的根本性局限。当前的膳食评估模型多基于卷积神经网络（CNN），它能从照片中提取食物的纹理、颜色等视觉特征，并与后台数百万张标注图像进行匹配。然而，该过程存在两大不可逾越的障碍。其一为份量估算失真：单张二维照片缺乏深度信息，即便利用参照物算法，对体积和重量的推断仍高度依赖盘子的尺寸、拍摄角度等变量。研究发现，当参与者使用大号餐盘时，AI显著低估热量；反之，小碗盛装的高能量密度食物（如坚果）则被严重高估。其二是隐性成分的盲区。Roberts教授解释：“AI看得见牛排，却看不见烹饪时用掉的30克黄油；它识别出蔬菜沙拉，却误判了沙拉酱的用量。菜品中油脂、糖浆这些‘无声杀手’在视觉上几乎是隐形的。”此外，应用所连接的营养数据库多为用户生成数据，存在大量过时或错误的条目，进一步放大了误差。当实际为宫保鸡丁时，模型可能将其匹配为热量低得多的普通炒鸡丁，仅因二者外观相似。

临床意义与专家警示：可穿戴时代的精准不应被神化

该研究的合著者、统计学家David Allison博士强调，系统偏差比随机误差更危险。“随机误差可以通过长期平均部分抵消，但AI工具对特定食物类别持续的低估或高估，会形成方向性的误导。”例如，多数应用倾向于低估外食和加工食品的热量，这恰好是大众膳食中能量过剩的主要来源，长此以往可能加剧肥胖流行。值得注意的是，研究还发现AI估算的蛋白质摄入与金标准相关系数仅为0.6，提示这类工具在宏量营养素评估上同样不可靠。Allison博士呼吁：“我们不能因为一项技术打着AI的旗号就默认其精准。这些应用在上市前没有经过任何独立验证，这必须改变。”研究团队建议，使用者可将AI记录作为意识提升的辅助，但不应在医疗或精确饮食干预中取代专业营养指导，消费者更需学会识别那些夸大宣传的“黑箱”算法。