Cal AI的食物分量估算有多可靠？测量重量与AI估算的对比审计

Cal AI是一款基于照片的卡路里追踪应用，利用计算机视觉技术从照片中估算食物的分量和卡路里。 该应用的核心承诺是您可以完全跳过称量和测量食物的步骤——只需拍摄您的盘子，AI会处理剩下的。这一提议非常吸引人，因为它去除了卡路里追踪中最繁琐的部分。但它依赖于解决一个基本的计算机视觉问题：从二维图像中估算物体的三维大小和重量。

分量估算的可靠性意味着AI估算的重量或体积与实际测量的数量密切匹配。这也意味着一致性——多次拍摄同一种食物应该每次都能产生相同的估算结果。我们通过在经过校准的厨房秤上称量20种食物，使用Cal AI拍摄照片，并比较结果来测试这两个维度。

基本问题：从二维图像中进行三维估算

在检查测试结果之前，了解这个问题为何本质上是困难的值得关注。一张照片将三维信息压缩为二维。深度、高度和体积信息部分丢失。如果相机角度压缩了差异，那么一堆3厘米高的米饭在照片中看起来与2厘米高的米饭完全相同。

AI必须根据上下文线索推断缺失的维度：盘子的大小、食物投下的阴影、框架中已知物体的相对比例，以及与训练数据的模式匹配。每一步推断都可能引入误差。2021年发表在《国际食品科学与营养学杂志》上的一项研究发现，即使是经过培训的营养师在从照片中估算分量时也只能达到50-70%的准确率，这表明无论是人类还是AI进行视觉分量估算，本质上都是不精确的。

这并不是对Cal AI的具体批评。这是任何基于照片的分量估算系统所面临的基本挑战。问题在于这种基本限制在实践中产生了多少误差，以及这种误差是否足够小，以使卡路里数据具有实用性。

测试方法：称重与Cal AI估算的对比

我们选择了20种食物，涵盖六个类别：均匀物品（形状和大小可预测）、不规则固体（形状变化）、堆叠或成堆的食物、液体、容器中的食物，以及多成分的盘装餐。每种食物在准确到1克的经过校准的厨房秤上称重。

每种食物随后被放置在一个标准的26厘米白色餐盘上（除非另有说明），并从约30厘米的距离以45度角通过Cal AI拍摄。我们记录了Cal AI的估算分量和卡路里，然后计算与实际测量值的偏差。

分量估算准确性：Cal AI估算与实际重量对比

完整可靠性测试结果

食物	实际重量	Cal AI估算	重量偏差	偏差%	实际卡路里	Cal AI卡路里	卡路里影响
面包片	38 g	40 g	+2 g	+5.3%	95	100	+5
大鸡蛋，煮熟	50 g	50 g	0 g	0.0%	78	78	0
蛋白质棒（未包装）	60 g	55 g	-5 g	-8.3%	210	193	-17
烤鸡胸肉	174 g	140 g	-34 g	-19.5%	287	231	-56
烤牛排	225 g	175 g	-50 g	-22.2%	573	446	-127
烤三文鱼片	168 g	145 g	-23 g	-13.7%	349	302	-47
煮熟的白米	210 g	180 g	-30 g	-14.3%	232	199	-33
煮意大利面	240 g	195 g	-45 g	-18.8%	374	304	-70
土豆泥	200 g	160 g	-40 g	-20.0%	224	179	-45
混合绿色沙拉	120 g	95 g	-25 g	-20.8%	19	15	-4
橙汁（杯装）	250 ml	200 ml	-50 ml	-20.0%	112	90	-22
牛奶咖啡（杯装）	350 ml	250 ml	-100 ml	-28.6%	58	41	-17
汤（碗装）	400 ml	300 ml	-100 ml	-25.0%	160	120	-40
杏仁（小碗装）	35 g	28 g	-7 g	-20.0%	204	163	-41
混合坚果（碗装）	55 g	42 g	-13 g	-23.6%	264	201	-63
酸奶（容器装）	170 g	150 g	-20 g	-11.8%	100	88	-12
苹果（整只）	182 g	170 g	-12 g	-6.6%	95	89	-6
半个鳄梨	68 g	75 g	+7 g	+10.3%	109	120	+11
吐司上的花生酱	18 g（仅花生酱）	12 g	-6 g	-33.3%	105	70	-35
鸡肉+米饭+西兰花盘	440 g 总计	365 g 总计	-75 g	-17.0%	542	450	-92

统计摘要：

• 平均绝对偏差：16.9%
• 中位数偏差：19.2%
• 低估偏差：20种食物中有18种被低估
• 平均卡路里影响：每种食物37卡路里
• 准确在10%以内的食物：20种中的5种（25%）
• 偏差超过20%的食物：20种中的8种（40%）

结果显示出明显且一致的模式。Cal AI在20种测试食物中低估了18种的分量。平均偏差为16.9%，但这个平均数掩盖了特定类别的严重性。不规则肉类（鸡胸肉、牛排）显示出19-22%的低估。堆叠食物（米饭、意大利面、土豆泥）显示出14-20%的低估。液体的低估则在20-29%之间。

分量估算可靠的地方

Cal AI的估算在形状均匀、可预测的食物上最为准确。

均匀物品

面包片、煮鸡蛋和苹果的实际重量与估算值的偏差均在5-10%以内。这些食物的形状一致，AI训练数据能够很好地捕捉到。无论品牌如何，面包片的厚度和尺寸大致相同。大鸡蛋就是大鸡蛋。AI的训练数据包括了成千上万张这些物品的图片，其可预测的几何形状使得深度估算变得不那么重要。

标准化包装物品

尽管未包装的蛋白质棒的估算值与实际重量的偏差为8.3%。其矩形形状和标准化尺寸使其在视觉上可预测。在我们的测试中，具有规则几何形状的食物的表现始终优于不规则食物。

共同的因素是这些食物的形状变化小。当您看到一片面包时，您实际上已经看到了所有的面包。AI可以依赖记忆中的典型尺寸，而不是通过上下文线索推断尺寸。

分量估算不可靠的地方

不规则形状：牛排和鸡肉的问题

烤牛排的低估幅度为22.2%，导致单个食物的卡路里误差为127卡路里。鸡胸肉的低估幅度为19.5%，误差为56卡路里。这些是追踪蛋白质摄入的用户最常记录的食物。

不规则形状的问题在于食物的厚度各不相同。鸡胸肉从厚的中心逐渐变薄。通过俯视或角度拍摄，AI捕捉到的是表面积，但低估了中心的厚度。结果是对卡路里密集型蛋白质的系统性低估——这些正是宏量营养素追踪中最需要准确性的食物。

堆叠和成堆的食物：米饭、意大利面和土豆

煮熟的米饭、意大利面和土豆泥的低估幅度为14-20%。这些食物堆积的高度显著，而二维照片则将其压缩。盘子上的一份米饭在最高处可能达到4厘米，但在45度拍摄的照片中，这看起来像是一层更薄的米饭。

美国农业部食品数据中心数据库将煮熟的白米列为每杯130卡路里（186克）。210克的份量低估14.3%意味着缺失33卡路里——而大多数人将米饭作为更大餐的一部分。每种堆叠食物的误差在盘子上都会累积。

液体：看不见的体积问题

液体是估算最不可靠的类别，偏差为20-29%。一杯橙汁的低估幅度为20%。杯装牛奶咖啡的低估幅度为28.6%。碗装汤的低估幅度为25%。

问题很简单：AI可以看到液体的表面，但无法确定容器的深度。一个宽而浅的碗和一个狭而深的碗在照片中可能呈现相同的表面，但其容积却大相径庭。在不知道容器尺寸的情况下，AI的体积估算本质上只是一个猜测。

角度问题：同一种食物，不同的估算

除了对每种食物的准确性测试外，我们还调查了Cal AI在不同角度拍摄同一种食物时是否能产生一致的估算。

角度一致性测试：烤鸡胸肉（实际174克）

拍摄角度	Cal AI估算	与实际的偏差
45度（标准）	140 g	-19.5%
正上方（90度）	155 g	-10.9%
低角度（20度）	125 g	-28.2%
侧角（10度）	110 g	-36.8%

同一块174克的鸡胸肉在不同拍摄角度下的估算范围从110克到155克不等——偏差达45克。正上方的角度产生了最准确的结果，因为它捕捉了完整的表面积，但即便如此也偏差近11%。低角度和侧角则显著低估了分量，因为食物的高度和深度被进一步压缩。

这意味着用户获得的卡路里计数部分取决于他们如何持手机，而不仅仅是他们吃什么。习惯于从低角度拍摄食物的用户将始终低估卡路里，而习惯于从上方拍摄的用户则不会。

盘子大小错觉：相同分量，不同盘子

我们测试了盘子大小是否会影响Cal AI的分量估算，将200克煮意大利面放在三个不同的盘子上。

盘子大小测试：200克煮意大利面

盘子直径	Cal AI估算	偏差
20厘米（小盘）	225 g	+12.5%
26厘米（标准盘）	195 g	-2.5%
32厘米（大盘）	155 g	-22.5%

同样的200克意大利面在小盘上被估算为225克，而在大盘上则为155克——仅因盘子大小就产生了70克的差异。这是Delboeuf错觉，一种已被充分记录的感知偏差，物体在小框架中看起来更大，而在大框架中则看起来更小。AI从其训练数据中学习到了这种偏差，食物照片中盘子大小与感知分量大小相关。

对于使用大餐厅盘子或盛菜碗的用户来说，这意味着Cal AI将系统性地低估他们的分量。而使用小甜点盘的用户，应用程序则会高估。两组用户都无法准确计算他们实际摄入的食物。

一致性测试：同一种食物，五次拍摄

我们对一份烤鸡胸肉配米饭和西兰花（实际542卡路里）进行了五次连续拍摄，仅稍微调整手机角度。

五次照片一致性测试

照片编号	Cal AI总卡路里	与实际的偏差
1	450	-17.0%
2	478	-11.8%
3	435	-19.7%
4	462	-14.8%
5	448	-17.3%

对同一餐的五张照片产生了五个不同的卡路里估算，范围从435到478——偏差达到43卡路里。平均值为455卡路里，低估了实际542卡路里16.1%。没有一张照片的结果在实际卡路里内容的10%以内。

这一测试同时展示了准确性和一致性的问题。估算始终偏低（准确性失败），而且在拍摄相同食物的照片中存在差异（一致性失败）。记录这餐的用户将根据他们拍摄的五张照片获得不同的数字。

每日误差如何累积

我们测试中每种食物的个别误差平均为37卡路里。这听起来不算太多，但考虑到典型的一天涉及记录10到15种食物，跨越三餐和零食，这个数字就显得重要了。

每日累积场景

餐	记录的食物	实际卡路里	Cal AI总计	累积误差
早餐（燕麦、香蕉、花生酱）	3项	445	385	-60
午餐（鸡肉、米饭、蔬菜）	3项	542	450	-92
零食（杏仁、酸奶）	2项	304	251	-53
晚餐（牛排、土豆泥、沙拉）	3项	816	640	-176
每日总计	11项	2,107	1,726	-381

每日低估381卡路里。这占总摄入量的18.1%——一个并不存在的赤字。计划每日500卡路里赤字以减肥的用户，实际上在考虑到Cal AI的低估偏差后，只有119卡路里的赤字。以这种速度，计划每周减重1磅的目标变成了每周0.24磅。一个月的严格追踪只产生了一周的预期结果，而用户无法确定原因。

《美国临床营养学杂志》上发表的研究一致表明，饮食评估中最常见的误差方向是低报食物摄入，基于人类标注数据训练的AI系统继承了这种偏差。

Nutrola如何不同地处理分量估算

Nutrola对分量估算问题的处理方式是将照片AI视为起点，而非最终答案。该应用的照片识别功能识别食物，并将其映射到一个经过营养师验证的超过180万条目数据库中，建立准确的每克卡路里值。但Nutrola并不单纯依赖AI来猜测分量大小，而是提供了语音校正层。

在拍摄完您的餐点后，您可以说“实际上那是大约200克鸡肉”或“米饭大约是一杯”。条目会根据经过验证的每克营养数据即时更新。这只需几秒钟——比手动搜索还快，并解决了没有AI能够准确从二维图像估算三维体积的基本限制。

经过验证的数据库是关键的差异化因素。即使分量估算完美，卡路里计数的可靠性也仅取决于它所参考的营养数据。Nutrola的数据库包含每种食物的一个经过验证的条目，来源于营养师验证的数据，没有众包重复或冲突条目。照片识别、语音校正分量和经过验证的数据相结合，产生的卡路里记录反映了您实际吃了什么，而不是AI从照片中猜测的内容。

Nutrola还包括对包装食品的条形码扫描和对家常菜谱的导入，确保每种记录方法的数据质量一致。Nutrola在iOS和Android上提供，每月仅需2.50欧元，所有计划均无广告，旨在围绕速度和准确性并不相互排斥的原则设计。

常见问题解答

Cal AI在计算卡路里方面有多准确？

在我们对20种食物的测试中，Cal AI的分量估算与实际测量重量的偏差平均为16.9%。这转化为每种食物的平均卡路里误差为37卡路里。仅有25%的食物（20种中的5种）估算在10%准确范围内。该应用显示出强烈的低估偏差，在测试的20种食物中，有18种被低估。在我们的测试场景中，整天的饮食中，这些单项误差累积为381卡路里的低估。

为什么Cal AI对同一餐的卡路里估算不同？

Cal AI的估算会根据拍摄角度、光线和构图的不同而变化，因为它是从二维图像推断三维分量大小。在我们的稳定性测试中，同一餐的五张照片产生的卡路里估算范围从435到478——偏差达到43卡路里。相机角度的影响最大：我们的角度测试显示，从侧面拍摄的鸡胸肉估算为110克，而从正上方拍摄则为155克。

Cal AI对某些食物的准确性是否高于其他食物？

是的。Cal AI对形状均匀、可预测的食物最为准确：切片面包（5.3%偏差）、煮鸡蛋（0%偏差）和整只水果（6.6%偏差）。对于不规则形状的肉类（19-22%偏差）、堆叠的食物如米饭和意大利面（14-20%偏差）以及液体（20-29%偏差），其准确性最低。如果您的饮食主要由简单、均匀的食物组成，该应用将更可靠，而如果您吃复杂的多成分餐，则准确性会降低。

盘子大小会影响Cal AI的卡路里估算吗？

会的。在我们的盘子大小测试中，200克意大利面在20厘米的小盘上估算为225克，而在32厘米的大盘上则为155克——同一分量的70克差异。这是由于Delboeuf错觉，周围的环境改变了物体的感知大小。使用大盘子或餐厅菜肴的用户将持续看到低估的分量。

我可以使用Cal AI来减肥吗？

Cal AI可以提供粗略的卡路里意识，但其系统性的低估偏差使其在基于精确赤字的减肥中存在问题。在我们的每日场景中，计划的500卡路里赤字在考虑Cal AI的低估后减少到有效的119卡路里赤字——这意味着计划的赤字减少了76%。为了获得更可靠的结果，建议将基于照片的记录与实际食物称重结合使用，或使用像Nutrola这样的应用，它将照片AI与语音校正分量和经过验证的营养数据库结合起来。