AI给午餐打7.5分，却看不懂裹糖的草莓

对着日式三文鱼便当拍张照，AI就能算出760大卡，指出酱汁藏着超量钠，甚至给这份午餐打了7.5分——这不是科幻片里的场景，是刚上线的AI健康助理能做到的事。它还能盯着你冰箱里的剩菜，补上午餐缺的纤维和维C，凑出三顿不用额外采购的晚餐。可当你拿出裹着酸奶糖霜的冻干草莓时，它完全没识破这藏在包装里的高糖陷阱。为什么AI能看透便当的营养，却看不清一颗草莓的糖衣？

这背后是一套像厨房流水线的技术逻辑：先用YOLOv8这类目标检测模型当“洗菜工”，从照片里分拣出三文鱼、米饭、 greens 每一样食材——就像从一堆混放的原料里挑出鸡蛋和青菜；再调用USDA这类权威营养数据库当“配菜师”，按食材种类估算热量和营养素；最后用大语言模型当“厨师长”，结合你的身高体重、当天饮食缺口，把数据翻炒成能看懂的评分和食谱。但和真实厨房一样，它能处理摆在明面上的食材，却猜不透裹在里面的“隐形调料”。

更值得关注的是，这套流水线的核心不是“算得准”，而是“接得上”。大语言模型的函数调用能力，让AI能像串起不同厨具一样，把图像识别、营养数据库、食谱库拧成一个闭环：你说“用冰箱剩菜做晚餐”，它自动触发食材识别，再查营养缺口，最后搜出适配的菜谱。这种“动手做事”的能力，才是它和普通聊天AI的区别——后者只会给你念一段营养知识，它却能直接帮你解决“今晚吃什么”的具体问题。

但这个流水线的漏洞也同样明显。它没法精准估算食材重量，只能按常见份量大差不差地算；它识别不了烹饪方式里的隐藏热量，比如煎三文鱼用的是黄油还是橄榄油；更别说那些藏在包装里、裹在食材外的添加成分——就像那个糖霜草莓，在它眼里只是普通冻干草莓。这些误差放在单次饮食里不算什么，但长期依赖，可能会让你的营养目标慢慢跑偏。

还有个更现实的问题：就算AI算得再准，你真的会听吗？就像测试者明知道酱汁钠超标，还是忍不住继续加 soy sauce。AI能算出营养缺口，却没法帮你对抗多年的饮食习惯；它能给出科学建议，却没法解决“不想做饭”的懒癌和“就爱重口”的执念。这也是所有AI健康工具的共同困境：技术能解决“怎么做”，却解决不了“想不想做”。

未来的AI健康助理，或许会像一个懂你的私厨——不仅会算营养，还会看脸色，知道你今天累得只想吃泡面，就推荐低钠款；知道你戒不掉甜，就找低糖的替代。但在此之前，我们得先接受一个事实：AI能当你的健康参谋，却成不了你的自律替身。

精准在数据，局限在人心。