卡路里追踪的历史：从纸质日记到人工智能照片识别

每当你拍下盘子里的食物，看到人工智能模型在几秒钟内将其分解为卡路里、蛋白质、碳水化合物和脂肪时，你实际上站在一个超过百年的历史终点上。量化我们所吃的东西并非一朝一夕之功，而是经过数十年的科学研究、临床实验、技术创新和创业热情的积累。了解我们是如何走到今天的，不仅能让我们明白卡路里追踪的过去，也能展望其未来。

本文将追溯卡路里追踪的完整历史，从19世纪90年代的科学基础，到纸质食物日记、计算机数据库、移动应用程序、条形码扫描，再到如今的人工智能照片识别。如果你是一名营养专业人士、健身爱好者，或者只是想了解手机上的工具为何如此运作，这段历史与你息息相关。

科学基础：威尔伯·阿特沃特与卡路里系统（1890年代）

卡路里追踪的故事并不是从应用程序或笔记本开始的，而是源于一位名叫威尔伯·奥林·阿特沃特的科学家。在1890年代，他在康涅狄格州的卫斯理大学工作，构建了一种呼吸卡路里计，这是一个足够容纳人类受试者的密闭室，能够以极高的精度测量热量输出和气体交换。

阿特沃特和他的同事们进行了数千次实验，测量不同食物的能量含量。通过在炸弹卡路里计中燃烧食物样本，并同时研究呼吸室内的人体代谢，阿特沃特建立了至今仍然是营养科学基础的卡路里值：蛋白质每克约4卡路里，碳水化合物每克约4卡路里，脂肪每克约9卡路里。这些被称为阿特沃特因子。

在阿特沃特之前，食物作为可测量燃料的概念主要是理论性的。他的研究为世界提供了一个标准化、可重复的系统，用于量化饮食能量。这使得卡路里计算在原则上成为可能，尽管个人计算卡路里的实际工具还需要几十年才能出现。

阿特沃特还主导了美国首个全面的食物成分表的创建，该表于1896年由美国农业部发布。这些表格列出了数百种常见食物的蛋白质、脂肪、碳水化合物和卡路里含量，为后续的卡路里追踪方法提供了参考数据。

食物成分表与政府数据库（1900年代-1950年代）

在阿特沃特开创性工作的推动下，世界各国政府开始开发自己的食物成分数据库。美国农业部在20世纪初扩展了其成分表，其他国家也纷纷效仿。英国、德国、日本等国发布了反映当地饮食和食品供应的国家食物成分表。

这些表格主要是为研究人员、公共卫生官员和机构营养师设计的。1930年代的医院营养师可以利用食物成分表来规划符合特定卡路里和宏观营养素目标的病人餐食。但这些表格内容繁杂，技术性强，并不是普通人在餐桌上会查阅的资源。

在20世纪上半叶，卡路里意识通过另一个渠道进入大众文化：饮食书籍。1918年，医生露露·亨特·彼得斯出版了《饮食与健康：卡路里的关键》，成为美国首本畅销饮食书之一。彼得斯向公众介绍了通过计算卡路里来减肥的理念。她的书鼓励读者以卡路里单位来思考食物，并在心中记录每日摄入量。

彼得斯并没有发明食物日记，但她普及了个人监控卡路里摄入的基本概念。体重管理是个人算术的事情，摄入与消耗的卡路里之比，成为了关于健康和体重的文化对话中的一个重要主题。

临床研究中的纸质食物日记（1950年代-1980年代）

在20世纪中叶，书面食物日记作为研究和临床工具的正式使用加速发展。营养流行病学在这一时期兴起，研究人员需要评估人们日常饮食的真实情况。

几种饮食评估方法被开发和完善：

食物记录或食物日记要求受试者在通常为期三到七天的时间内记录他们所消费的所有食物，包括估计的份量。研究人员随后手动查找每种食物在成分表中的数据，并手动计算总卡路里和营养素摄入量。

24小时饮食回顾则是由训练有素的访谈者询问受试者回忆前24小时内所吃的一切。访谈者会询问被遗忘的项目，并使用食物模型或照片帮助估计份量。

**食物频率问卷（FFQ）**要求受试者报告在较长时间内（如一个月或一年）消费特定食物的频率。

在这些方法中，多日食物日记被认为是捕捉实际摄入的最详细和准确的方法，但也是最繁琐的。受试者必须携带笔记本，估计重量和体积，并记得记录每一项。研究人员随后还要为每位参与者花费数小时进行手动数据录入和计算。

大型研究如弗雷明汉心脏研究、护士健康研究和七国研究在这一时期大量依赖饮食评估方法。它们产生的数据影响了数十年的营养指南。然而，这一过程繁琐、成本高昂，并且受限于人类记忆和估计的准确性。

对于研究之外的普通消费者而言，纸质食物日记仍然是小众的。一些减肥项目，尤其是1963年成立的Weight Watchers，鼓励会员使用简化系统来追踪食物摄入。但对于大多数人来说，记录每一餐的想法太过繁琐，难以坚持。

早期计算机追踪（1990年代）

1980年代和1990年代的个人计算机革命为饮食追踪创造了新的可能性。软件开发者开始构建程序，将查找食物成分表和计算每日总量的过程数字化。

早期的营养软件包如Nutritionist Pro、ESHA Food Processor和Diet Analysis Plus在这一时期出现。这些程序主要用于临床环境、大学和研究机构。营养师可以将患者的食物摄入输入软件，瞬间获得卡路里、宏观营养素、维生素和矿物质的详细分解，取代了数小时的手动查表。

对于普通大众而言，面向消费者的饮食软件开始出现。像DietPower和BalanceLog这样的程序在桌面电脑上运行，允许用户搜索食物数据库、记录餐食并追踪卡路里摄入。这些工具是一个真正的进步，但受限于当时的技术。用户必须在电脑前记录食物，这意味着要么事后记录餐食，要么在桌子上用餐。

1990年代末，互联网进一步扩大了访问范围。像CalorieKing和FitDay这样的网站提供在线食物数据库和记录工具，任何有浏览器的电脑都可以访问。首次，卡路里追踪对任何有互联网连接的人开放，且无需付费。

然而，这些工具仍然需要大量的手动努力。用户必须在数据库中搜索，选择有时令人困惑的食物项，并手动估计份量。这个过程的摩擦限制了其采用，只有相对积极的少数减肥者和健康爱好者愿意使用。

第一代卡路里追踪应用（2005-2010）

2007年iPhone的发布和2008年App Store的上线，将卡路里追踪从桌面活动转变为随时随地都能进行的事情，使用的设备正是你口袋里携带的手机。

最早的营养应用在App Store上线几个月后就出现了。MyFitnessPal于2005年作为网站启动，2009年发布了移动应用。Lose It!于2008年推出，成为iOS上首批专注于卡路里计算的应用之一。FatSecret、MyPlate等众多应用也迅速跟进。

这些第一代卡路里应用将纸质食物日记数字化，适应了移动时代。它们的核心工作流程是基于文本的搜索：输入你吃的食物名称，浏览数据库匹配的列表，选择正确的项并指定份量。应用会计算并显示你每日的卡路里和宏观营养素总量。

这一影响是变革性的。MyFitnessPal的食物数据库通过专业策划和用户生成的条目迅速增长，最终达到数百万项。该应用吸引了数千万用户，并于2015年被Under Armour以4.75亿美元收购，标志着卡路里追踪已成为主流。

移动应用解决了位置问题。你可以在咖啡馆记录早餐，在办公室记录午餐，在家记录晚餐。推送通知提醒你记录进度。社交功能让你与朋友分享进展。游戏化元素如连续打卡和成就徽章鼓励用户保持一致性。

但基本的用户体验仍然围绕手动文本搜索和选择展开。这个过程虽然比纸质日记快，但仍然需要相当的努力和营养知识。用户需要知道餐食中包含哪些成分，估计份量，并在常常包含重复或不准确条目的数据库中导航。

条形码扫描时代（2010年代）

追踪摩擦的下一个重大减少来自于每个杂货店都存在的技术：条形码。自2010年起，卡路里追踪应用开始集成条形码扫描功能，允许用户将手机摄像头对准包装食品，瞬间获取其营养信息。

MyFitnessPal、Lose It!等领先应用构建或授权了包含数百万个通用产品代码（UPC）与营养标签相链接的条形码数据库。用户体验简单而优雅：扫描酸奶容器上的条形码，确认份量，几秒钟内记录完成。

条形码扫描为追踪包装食品带来了真正的突破。它消除了在文本数据库中搜索的需要，减少了选择错误项目的错误，并大幅缩短了记录时间。对于以包装食品为主的饮食，条形码扫描使卡路里追踪变得比以往更快、更准确。

然而，条形码扫描也有其固有的局限性：它仅适用于带有条形码的包装食品。家庭烹饪的餐食、餐厅菜肴、新鲜农产品、烘焙食品和街头食品都不在其范围内。对于这些食物，用户仍然依赖手动文本搜索，摩擦依然存在。

这一局限性突显了卡路里追踪中一个持续的挑战。那些最难追踪的食物，如家庭烹饪的餐食和配方与份量各异的餐厅菜肴，正是许多人最常吃的食物。条形码扫描是一个重要的步骤，但并没有解决让所有食物都易于追踪的核心问题。

人工智能照片识别时代（2020年代及以后）

卡路里追踪的最新革命利用人工智能和计算机视觉实现了十年前看似科幻的事情：通过照片识别食物并估算其营养成分。

人工智能食物识别的技术基础在2010年代通过深度学习、卷积神经网络和大规模图像数据集的进展而奠定。大学和科技公司的研究团队训练神经网络，以越来越高的精度对食物图像进行分类。早期的学术原型能够区分广泛的食物类别，但缺乏可靠的卡路里估算精度。

到2020年代初，更强大的模型、更大的训练数据集和改进的体积估算技术使得人工智能食物识别达到了实用性的门槛。一些初创公司和成熟应用开始集成基于照片的记录功能。

这一工作流程与之前的一切截然不同。用户只需拍下盘子里的食物，而不是输入食物名称、扫描条形码或搜索数据库。人工智能模型分析图像，识别单个食物项，估算份量，并在几秒钟内返回完整的营养分解。

Nutrola代表了这一技术的前沿。通过将先进的人工智能照片识别与全面的营养数据库相结合，Nutrola使用户能够通过一张照片记录餐食。人工智能识别盘中的食物，估算数量，并计算卡路里、蛋白质、碳水化合物和脂肪。用户可以在需要时查看并调整结果，但大部分工作都是自动完成的。

这种方法解决了限制卡路里追踪采用的根本摩擦问题。吃完一餐到记录的时间，从几分钟的手动工作压缩到了几秒钟的自动分析。对于家庭烹饪的餐食、餐厅菜肴和包含多种成分的复杂盘子，人工智能照片识别提供了一种在以往时代根本无法实现的追踪方法。

时间线：卡路里追踪的演变一览

时代	时期	关键发展	追踪方法
科学基础	1890年代	阿特沃特建立宏观营养素的卡路里值	仅限实验室测量
食物成分表	1896-1950年代	USDA及国际食物成分数据库发布	专业人员手动查找
大众卡路里意识	1918	露露·亨特·彼得斯出版《饮食与健康》	个人的心理估算
临床食物日记	1950年代-1980年代	纸质食物日记用于营养流行病学	手写记录和手动计算
减肥项目	1963年起	Weight Watchers等项目鼓励食物记录	简化的纸质系统
桌面软件	1990年代	Nutritionist Pro、DietPower等程序	计算机数据录入与数据库查找
在线数据库	1990年代末	CalorieKing、FitDay等网页追踪工具	基于浏览器的记录
第一代移动应用	2005-2010	MyFitnessPal、Lose It!等早期智能手机应用	移动设备上的文本搜索
条形码扫描	2010年代	追踪应用中集成条形码扫描器	包装食品标签的摄像头扫描
人工智能照片识别	2020年代	AI驱动的照片食物识别	任何餐食的单张照片
当前前沿	现在	Nutrola与先进的AI追踪	即时AI分析与宏观分解

每个时代的成就与不足

从整个时间线来看，一个明显的模式浮现出来。每个时代的卡路里追踪解决了特定的问题，但也留下了其他未解的难题。

阿特沃特为我们提供了测量系统，但没有给个人使用它的实际方法。食物成分表使数据可用，但需要专业知识来解读。纸质日记将追踪掌握在个人手中，但要求的努力难以持续。桌面软件自动化了计算，但将用户锁定在电脑前。移动应用使追踪变得便携，但仍然需要繁琐的手动输入。条形码扫描简化了包装食品的记录，但忽略了其他所有食物。

人工智能照片识别是首个解决卡路里追踪最持久障碍的方法：记录每一餐所需的努力。通过自动识别和估算，它将追踪的认知和时间成本降低到一个水平，使得更大人群的持续、长期遵循成为现实。

人工智能食物识别背后的科学

要理解现代人工智能食物识别的工作原理，需要简要了解其底层技术。像Nutrola这样的系统核心是一类称为深度神经网络的机器学习模型，特别是为图像分析设计的架构。

这些模型在大量标记的食物图像数据集上进行训练。在训练过程中，模型学习识别与不同食物相关的视觉模式：烤鸡的纹理、香蕉的形状、混合沙拉中的色彩渐变。先进的模型能够区分视觉上相似的食物，并识别单个盘子上的多种食物。

一旦识别出食物项，系统使用视觉线索和参考比例来估算份量。碗的深度、食物在盘子上的分布以及食物之间的相对大小都对体积估算有帮助。这些体积估算随后映射到食物成分数据库中的基于重量的营养数据。

这些系统的准确性随着每一代的进步而显著提高。早期的原型可能会将米饭与土豆泥混淆，但现代训练在数百万张图像上的模型实现的识别准确性，已与平均人识别和估算自己食物的能力相当或更高。

重要的是，人工智能食物识别系统会随着时间的推移而不断改进。每张分析的照片都为系统对食物种类、地方菜肴和特殊做法的理解提供了数据。这种持续学习的循环意味着技术每个月都在变得更好，这是以往任何卡路里追踪方法所无法比拟的。

为什么追踪一致性比追踪精度更重要

从卡路里追踪的历史中得出的一个重要教训是，一致性比精度更为重要。研究反复表明，记录食物摄入的简单行为，即使不够完美，也能比不追踪产生更好的健康结果。

纸质日记时代对此有着明确的证明。1990年代和2000年代的研究发现，每周记录六到七天食物的参与者，减重效果显著优于间歇性记录者，无论其记录的准确性如何。关注食物摄入的行为创造了一个反馈循环，自然调节了消费。

这一洞察对技术设计有深远的影响。最佳的卡路里追踪工具不一定是最精确的，而是人们每天都会使用的工具。从文本搜索到条形码扫描再到人工智能照片识别，每一次减少记录摩擦的努力，都扩大了能够保持一致追踪习惯的人群。

Nutrola的人工智能优先方法正是围绕这一原则设计的。通过将餐食记录简化为拍照，它消除了大多数人会在最初几周内放弃卡路里追踪的摩擦。目标不是实验室级别的精确，而是支持长期健康目标的实用、可持续的一致性。

接下来是什么：卡路里追踪的未来

如果历史可以作为指导，卡路里追踪技术将继续以减少努力和提高准确性的方式演变。未来的一些发展暗示了这一领域的前进方向。

**持续和被动追踪。**研究人员正在探索可穿戴传感器，这些传感器能够检测进食事件，通过生化标记识别食物，或通过代谢监测估算卡路里摄入。虽然这些技术仍处于早期阶段，但它们指向一个未来，即追踪无需任何意识努力。

**与智能厨房设备的集成。**连接的厨房秤、智能冰箱和食谱管理系统可以在烹饪过程中自动记录成分和份量。结合人工智能照片识别最终装盘的菜肴，这将为家庭烹饪提供高度准确的营养数据。

**个性化代谢模型。**随着可穿戴健康设备收集更多关于个体代谢反应的数据，卡路里追踪可能会从基于阿特沃特因子的统一系统演变为个性化模型，考虑到个体在消化、吸收和代谢率方面的差异。

**学习你习惯的上下文人工智能。**未来的人工智能追踪系统可能会根据你的模式进行学习，识别出你周一早上的早餐通常是一样的，在你拍照之前建议餐食，并标记与正常摄入的异常偏差。

**与健康结果的整合。**随着卡路里追踪数据与连续血糖监测仪、睡眠追踪器、活动监测器和医疗记录的数据结合，饮食输入与健康结果之间的反馈循环将变得更加紧密和可操作。

所有这些未来发展的共同点是同一趋势：使过程更简单、更快速，并更好地融入日常生活。每一代工具都降低了进入的门槛，而每一次降低门槛都吸引了更多人参与到有意识的饮食中。

Nutrola正处于这一轨迹的前沿。通过将人工智能照片识别与直观的用户体验相结合，它代表了有史以来最易于使用的卡路里追踪工具。如果历史教会我们任何事情，那就是最好的还在后头。

常见问题解答

谁发明了卡路里计算？

卡路里计算的科学基础由威尔伯·奥林·阿特沃特在1890年代于卫斯理大学建立。阿特沃特开发了宏观营养素的卡路里值系统（蛋白质和碳水化合物每克4卡路里，脂肪每克9卡路里），这一系统至今仍在使用。医生露露·亨特·彼得斯在其1918年出版的书籍《饮食与健康：卡路里的关键》中普及了这一概念。

人们何时开始使用食物日记？

纸质食物日记在1950年代开始用于临床营养研究，并在1980年代成为标准研究工具。对于普通消费者而言，食物日记通过1960年代的Weight Watchers等减肥项目获得了更广泛的采用，尽管在移动应用使追踪更易于访问之前，它们仍然是一种小众实践。

第一个卡路里追踪应用是什么？

在App Store的早期阶段，几款卡路里追踪应用相继推出。MyFitnessPal于2005年作为网站启动，2009年发布了移动应用。Lose It!于2008年作为专门的iOS应用推出，通常被认为是智能手机上最早的卡路里追踪应用之一。

人工智能照片识别如何用于卡路里追踪？

人工智能食物识别使用在数百万张标记的食物图像上训练的深度学习模型。当你拍摄餐食照片时，模型识别出单个食物项，基于视觉线索估算份量，并将这些估算映射到食物成分数据库中的营养数据。最终结果是你整盘食物的卡路里和宏观营养素的即时分解。

人工智能卡路里追踪准确吗？

现代人工智能食物识别系统的准确性已达到日常追踪的实用水平。尽管没有任何方法，包括手动记录，是完全精确的，但人工智能照片识别消除了许多常见的人为错误，例如选择错误的数据库条目或忘记记录项目。研究一致表明，即使是中等准确度的一致追踪，产生的结果也优于不一致或不追踪。

Nutrola与旧版卡路里追踪应用有什么不同？

Nutrola以人工智能照片识别作为主要记录方法，而不是将其视为附加功能。Nutrola允许用户通过简单拍照记录任何餐食，而不是要求用户在文本数据库中搜索或扫描条形码。人工智能识别食物，估算份量，并在几秒钟内计算出完整的营养分解。这种方法使得对于那些觉得旧方法过于耗时的人来说，保持一致的日常追踪变得现实可行。

未来的卡路里追踪将是什么样子？

卡路里追踪的发展趋势指向越来越被动和自动化的系统。新兴技术包括可穿戴传感器，能够检测进食事件、通过生化标记识别食物，或通过代谢监测估算卡路里摄入。智能厨房设备能够在烹饪过程中记录成分，个性化代谢模型能够考虑个体消化差异，学习你饮食习惯的上下文人工智能将随着时间的推移不断优化。所有这些共同趋势都是为了减少追踪所需的努力，使营养意识成为日常生活的一部分。