关于 AI 营养师，网络上的内容大多停留在两个极端：产品软文，或者"AI 能不能替代营养师"的空泛论辩。但这个问题其实可以拆开来看——按任务分层，AI 的表现完全不同。估算总热量，它相对可靠；估算微量营养素，它系统性低估。而落到中文语境，中餐这张图是所有食物图像识别场景里最容易崩的一类。
把 AI 膳食评估拆成不同任务，就能看出它的能力边界。
在总能量（热量）的估算上，公开综述数据显示 AI 的误差区间约为 5%—10%，而营养师的水平约为 3%—5%。两个数字不在同一个量级，但都在可接受范围内——这说明"大致算准一顿饭多少卡"，AI 已经能做到。
在微量营养素的估算上，情况就不一样了：公开数据显示 AI 存在 20%—40% 的系统性低估。
（以上为二手数据，引用前须以原始研究核实。）
"系统性低估"这个词很关键。它指的不是一个方向随机的误差，而是在同一方向上持续偏低。这意味着对于本就摄入不足的营养素（如多种维生素与矿物质），AI 给出的估值可能比实际摄入还要低——或者说，反过来，当你依赖 AI 来判断"够不够"时，这个判断的基线本身就是偏的。
这条规律解释了一件事：AI 的能力与任务的"可观测性"高度相关。热量主要由主食、油脂与肉类决定，这些是图像上体积明显、成分相对稳定的部分；而微量营养素来自分散在多种食材中的少量成分，靠图像几乎无从判断。
食物图像识别还有一个更具体的难点：它是在什么菜系上训练的。
中餐对图像识别模型而言，是难度最高的一类，原因至少有四条：
油。中餐大量使用烹饪油，且油通常以"附着"与"融入"的形式存在——它挂在菜的表面，也进入食材内部。图像能拍到菜，但拍不出用了多少油。而油恰恰是能量密度最高的部分。
盐与调味。咸度无法通过图像判断，而调味料的用量变化极大，它直接影响钠的估算。
勾芡与汤汁。勾芡让汤汁的视觉体积与实际能量脱节；汤类菜品中，能量的相当部分在液体里，而液体在图像上的表现与内容物高度相关，难以推断。
复合调味与一菜多料。中餐常见一菜多料、形态混杂，识别模型需要同时定位多种成分并估计各自比例，误差在复合过程中会叠加。
除此之外，还有一个更基础的问题：中餐的烹饪方式（炒、炸、蒸、炖、红烧）会显著改变同一食材的能量与营养构成，而这些信息不在图像里。
把这几条合起来，中餐场景下的图像识别误差，通常高于西式分餐制餐盘——后者食材分块摆放、份量清晰、烹饪方式相对简单。这也是为什么中文语境下的实测数据格外稀缺。
除了技术与场景，还有一层更基础的问题：这些研究是在什么条件下做的。
British Journal of Nutrition 2025 年发表的一篇系统综述，纳入 13 项研究以评估 AI 膳食摄入估计的准确性，其结论提示：多数研究在受控或前临床环境中进行，存在验证方法与证据基础方面的局限。
"受控环境"意味着什么？它意味着被评估的食物是标准化的、拍摄条件是一致的、甚至餐食是由研究者提供的。而在真实生活里，餐食是随机的、拍摄角度是随意的、食材来源各不相同。
从受控环境到真实场景，准确率通常会下降。这提示在解读任何"准确率 XX%"的说法时，都要先问一句：它是在什么条件下测出来的。
（此处建议核对原文，以获得该综述的确切纳入标准与结论表述。）
把能力边界与证据局限都讲清楚之后，AI 在营养领域的位置反而清晰了。
它最擅长的，是记录与督促。膳食记录这件事的最大障碍是坚持——而 AI 让记录的成本大幅下降，拍一张照片就能留下记录，这对提高记录的依从性有实际价值。
它也适合趋势提示。与其纠结某一天的绝对数值，不如看一段时间内的趋势——"这周蔬菜摄入偏少""晚餐能量占比偏高"，这类方向性的提醒，对 5%—10% 的误差并不敏感。
而它最不适用的，是临床决策。涉及疾病状态的营养干预、需要精确计算的特殊医学用途配方、以及个体化的医学营养治疗，这些场景对准确性的要求远超 AI 当前的能力，且需要专业人员承担判断责任。
Q：AI 营养师算得准吗？
A：取决于任务。按公开综述数据，总能量估算的误差约 5%—10%（营养师为 3%—5%），相对可靠；而微量营养素存在 20%—40% 的系统性低估。以上为二手数据，引用前须以原始研究核实。
Q：AI 能替代营养师吗？
A：在不同环节上结论不同。AI 在记录、趋势提示与日常督促上效率高；而在需要精确计算与专业判断的场景（如疾病状态的营养干预、特殊医学用途配方），其准确性与责任归属都不足以替代专业人员。
Q：为什么 AI 识别中餐更容易出错？
A：中餐有四个图像不可见的关键变量：烹饪油的用量（能量密度最高的部分）、盐与调味料、勾芡与汤汁、以及复合调味与一菜多料。此外，炒炸蒸炖等不同烹饪方式对同一食材的能量影响巨大，而这些信息不在图像中。
Q：AI 膳食评估的研究证据可靠吗？
A：需注意证据基础。British Journal of Nutrition 2025 年的系统综述纳入 13 项研究，提示多数研究在受控或前临床环境中进行，存在验证与证据基础局限。从受控环境到真实场景，准确率通常会下降。
Q：照片判定食物份量的准确率有多高？
A：公开数据显示约 70%—85%（二手数据，发布前以原始研究核实）。份量判定是误差的重要来源之一，因为它高度依赖拍摄角度、容器大小与参照物。
Q：AI 营养师适合用在哪？
A：最适合的是膳食记录（降低记录成本、提高依从性）与趋势提示（看一段时间内的方向，而非某一天的绝对值）。这两类用法对 5%—10% 的误差并不敏感，恰恰是 AI 最能发挥价值的地方。
