照片追蹤如何處理條碼永遠處理不了的餐點

打開幾乎任何一個營養資料庫,你都會發現它其實是個包裝食品資料庫。穀片盒、蛋白棒、冷凍餐點、帶有UPC條碼的連鎖餐廳品項——全都是某個人輸入一次,之後所有人掃描使用。這套方法運作得很好,直到你自己動手煮東西為止。

一盤用三種蔬菜、憑感覺調的醃醬,以及不知道究竟倒了多少油下鍋炒出來的快炒,是沒有條碼的。用冰箱裡現有食材拼湊出來的沙拉也沒有,每次煮起來味道都有點不一樣的一鍋辣肉醬也沒有。這些餐點佔了人們實際飲食中很大一部分,而它們正是讓以搜尋為基礎的記錄方式失靈的那些餐點。

常見的應付方式是用近似值來湊:搜尋類似的東西,挑一個最接近的,然後希望份量猜得不會差太多。一天這樣做三次,誤差會迅速累積——不是因為某一次猜測特別離譜,而是因為根本沒有任何東西能真正錨定你眼前這一餐。

以照片為基礎的估算,把起點整個翻轉過來。你不是去搜尋一個替代品,而是直接拍下眼前的盤子,模型則根據看到的畫面進行推理:可見的食材、它們相對於盤子的大致份量,以及這如何對應到這類菜餚通常的巨量營養素比例。它不是在讀標籤,因為根本沒有標籤可讀——它是根據一個人如果被要求用眼睛猜測時,會用到的那些同樣的資訊來進行估算。

這個差異比聽起來還要重要。一個人看著你的快炒,就能告訴你這大概是一道搭配清爽醬汁的雞肉蔬菜料理,份量約莫一盤半,大概500到650卡路里。他們不需要UPC條碼就能得出這個結論,而且很可能比在資料庫裡隨便搜尋「炒雞肉」——那種假設了完全不同的蛋白質、蔬菜、油脂比例的結果——還要準確。

這並不代表照片估算是完美的。它不會確切知道你的馬鈴薯泥裡放了多少奶油,也不知道那道醬汁是用鮮奶油還是高湯做的。但它能做到的是,讓那些過去完全沒有好的追蹤方式的餐點落在一個合理的範圍內——那些以前要麼直接被跳過、要麼被亂猜一通,要麼因為資料庫裡只有那個相近品項而被記成完全不同東西的餐點。

這兩套系統是設計來互相搭配,而不是互相競爭的。條碼掃描能給你包裝食品的精確數字,因為這些精確數字本來就存在。照片則能為其他所有食物提供一個可用的估算值,因為對自製食物來說,一個快速且相當準確的數字,勝過一個緩慢卻假裝精準的數字。大多數日子最終會兩者並用——優格掃條碼,晚餐拍照——兩者結合,讓這一天的記錄真正反映出你吃了什麼,而不是資料庫裡最接近的那個東西。

更重要的一點在於:追蹤飲食究竟是為了什麼。如果目標是數週、數月之後的趨勢,那麼今天一個稍不完美、但明天你還會繼續記錄的估算值,勝過一個花了五分鐘才找到、технически精準,卻因為太麻煩而下次就被跳過的數字。照片追蹤之所以存在,是因為自製食物十分普遍,而純靠資料庫的追蹤方式處理得很差——解法不是打造一個更大的資料庫,而是用一種不同的方式去看待眼前的這盤食物。