照片跟踪如何应对那些条形码永远搞不定的餐食

打开几乎任何一个营养数据库,你都会发现它本质上是一个包装食品数据库。麦片盒、蛋白棒、冷冻餐、带有 UPC 码的连锁餐厅产品——全都是有人录入一次,之后被所有人扫描使用。这套方式运作得很好,直到你自己动手做饭为止。

一盘用三种蔬菜炒成的菜、一份凭感觉调出的腌料,以及究竟倒了多少油进锅里——这些都没有条形码。用冰箱里现有食材拼出来的沙拉也没有,每次做法都略有不同的一锅辣酱也没有。这些餐食占据了人们实际饮食中的很大一部分,也正是这些餐食,让基于搜索的记录方式彻底失灵。

常见的变通办法是去近似估算:搜索类似的食物,挑一个最接近的结果,然后寄望于分量的猜测不要偏差太大。一天这样做三次,误差就会迅速累积——不是因为某一次猜测离谱得离谱,而是因为完全没有一个锚点能对应到你眼前这顿实际的饭。

基于照片的估算则彻底颠倒了这个起点。它不是去搜索一个替代品,而是直接拍下你眼前的这盘菜,由模型根据所看到的内容进行推理:可见的食材、它们相对于盘子的大致体积,以及这如何对应到这类菜品典型的宏量营养素比例。它不是在读标签,因为根本没有标签——它是依据和一个人被要求去猜测时会用到的相同信息来进行估算的。

这个区别的重要性,比听起来还要大。一个看着你那盘炒菜的人,可能会告诉你这大概是一道配了清淡酱汁的鸡肉蔬菜菜肴,分量大约一盘半,热量大概在 500 到 650 大卡之间。他们并不需要 UPC 码才能得出这个结论,而且往往比在数据库里粗略搜索"鸡肉炒菜"——那种假设蛋白质、蔬菜和油完全不同比例的结果——更接近真实情况。

这并不意味着照片估算是完美的。它不会确切知道你的土豆泥里放了多少黄油,也不知道那份酱汁是用奶油还是高汤做的。但它能做到的是,把那些以前根本没有好的记录方式的餐食,拉进一个合理的范围之内——这些餐食以前要么被直接跳过,要么被随意乱猜,要么因为数据库里只有这一个相近结果,就被记录成了完全不同的东西。

这两套系统是为了相互配合,而不是相互竞争。条形码扫描能给你包装食品的精确数字,因为精确数字本就存在。照片则为其他一切提供一个可用的估算,因为对自制食物而言,一个快速而大致准确的数字,胜过一个缓慢又假装精确的数字。大多数日子里,人们最终会两者都用——酸奶被扫描,晚餐被拍照——两者结合起来,这一天的记录真正反映的是实际吃下去的东西,而不是数据库里最接近的那个结果。

更深层的问题在于跟踪饮食到底是为了什么。如果目标是数周乃至数月的趋势,那么今天一个略不完美、但你明天还会继续记录的估算,胜过一个花了五分钟才找到、技术上很精确、但下次你会因为嫌麻烦而干脆跳过的数字。照片跟踪之所以存在,是因为自制食物十分常见,而仅靠数据库的跟踪方式对此束手无策——解决办法不是一个更大的数据库,而是一种看待盘子的全新方式。