普通人每天低报多少卡路里？我们的数据显示23%

解释饮食失败的数字

你认真记录卡路里，称量鸡胸肉，测量米饭，记录每一餐。然而，体重却没有如预期般下降。你开始怀疑自己的新陈代谢是否出了问题，卡路里计算是否有效，或者你的身体是否真的违背了热力学定律。

其实并不是。对于大多数人来说，问题更简单且更容易解决：他们低报了卡路里摄入量。不是一点点，而是平均低报23%。

这个数据来源于我们对Nutrola用户数据的分析，比较了用户自报的手动食品记录与Snap & Track照片识别的AI验证摄入量。这一结果与数十年来关于饮食低报的研究一致，解释了人们在卡路里追踪中遇到的许多挫折。

已发布研究的发现

饮食低报是营养科学中最被广泛记录的现象之一。利用双重标记水（测量自由生活个体实际能量消耗的金标准）等生物标志物的数十项研究一致表明，人们的卡路里摄入量低报10-45%，具体取决于研究人群和评估方法。

关于卡路里低报的关键研究

研究	年份	样本	方法	平均低报
Lichtman等（NEJM）	1992	10名声称“饮食抗性”的肥胖个体	双重标记水与自报	47%（声称1,028 kcal，实际2,081 kcal）
Schoeller（1990）	1990	双重标记水研究的荟萃分析	双重标记水	肥胖者20-50%；瘦人10-30%
Subar等（JADA）	2003	484名成年人（OPEN研究）	双重标记水 + 尿氮	男性12-14%；女性16-20%
Livingstone & Black（2003）	2003	37项双重标记水研究的综述	双重标记水	平均19%，范围10-45%
Archer等（PLOS ONE）	2013	39年的NHANES数据	能量消耗建模	男性11-15%；女性14-21%
Dhurandhar等（IJO）	2015	218名成年人	双重标记水	整体18%

1992年Lichtman的研究，发表在《新英格兰医学杂志》上，仍然是最引人注目的案例之一。十名声称每天仅摄入1,000-1,200卡路里但无法减重的肥胖参与者，发现他们的实际摄入量平均低报47%，而身体活动则高报51%。他们的实际摄入量平均为2,081卡路里，几乎是他们报告的两倍。

Nutrola的数据：我们如何测量23%的差距

研究设计

我们分析了847,000名Nutrola用户的匿名数据，这些用户在同一时间段内同时使用了手动记录（在数据库中搜索和选择食物）和AI验证记录（Snap & Track照片识别）。具体来说，我们比较了：

• 仅手动记录的日子： 用户通过文本搜索、条形码扫描或手动输入记录所有餐食的日子，而没有照片验证
• AI验证的日子： 用户使用Snap & Track拍摄所有餐食，AI通过计算机视觉识别食物、估算份量，并与Nutrola的100%营养师验证数据库进行交叉验证

我们专注于至少有14个手动记录日和14个AI验证日的用户，以确保比较数据的充分性。这产生了312,000名用户的数据库，包含4.37百万个手动记录日和4.52百万个AI验证日。

核心发现

指标	手动记录	AI验证记录	差异
平均每日记录卡路里	1,847 kcal	2,271 kcal	-424 kcal（低23.0%）
平均每日记录蛋白质	94 g	107 g	-13 g（低13.8%）
平均每日记录脂肪	68 g	89 g	-21 g（低30.9%）
平均每日记录碳水化合物	212 g	249 g	-37 g（低17.5%）
平均每日记录纤维	22 g	24 g	-2 g（低9.1%）

23%的卡路里差距代表用户在照片验证摄入时平均记录的424卡路里，而在仅依赖手动输入时则遗漏。按周计算，这相当于2,968卡路里，约等于许多成年人一天的饮食。

脂肪的相对低报最大，达到30.9%，这与已发表的研究一致，表明脂肪（通常存在于烹饪油、调料和酱汁中）是自报饮食数据中最常被遗漏或低估的营养素。

缺失卡路里的来源

按餐次分类

餐次	手动记录（平均卡路里）	AI验证（平均卡路里）	低报	%差距
早餐	382	428	-46 kcal	12.0%
午餐	512	621	-109 kcal	21.3%
晚餐	648	802	-154 kcal	23.8%
零食	178	287	-109 kcal	61.2%
饮料	127	133	-6 kcal	4.7%

两个类别特别突出。晚餐的绝对差距最大（154 kcal），这可能是因为晚餐通常更复杂，包含多个成分和烹饪方法，容易引入隐藏卡路里。零食的相对差距最大（61.2%），因为零食往往是非正式的、未计划的，容易被遗忘或忽视。几颗坚果、一块巧克力、烹饪时的尝味，单独看似微不足道，但加起来却相当可观。

早餐的差距最小（12.0%），这与研究结果一致，表明在家吃的结构化、常规的餐食通常记录得最准确。大多数人的早餐涉及一小部分习惯性食物，容易记住和记录。

按食品类别分类

我们的分析确定了六个食品类别，负责大部分的低报差距：

食品类别	每日平均遗漏卡路里	%总差距	低报原因
烹饪油和黄油	128 kcal	30.2%	通常完全未记录；份量估算错误
调味品和酱汁	72 kcal	17.0%	被认为微不足道；以小但热量密集的量使用
零食（非正式饮食）	68 kcal	16.0%	被遗忘、忽视或故意省略
酒精	52 kcal	12.3%	估算过低；混合饮料的卡路里被忽视
份量大小低估	61 kcal	14.4%	对主菜的份量估算偏向小
忘记的餐食/项目	43 kcal	10.1%	在记录的餐食中完全遗漏某种食物

烹饪油：隐形的128卡路里

烹饪油是遗漏卡路里最大的一类。一汤匙橄榄油含有119卡路里，一汤匙黄油含有102卡路里。当用户手动记录“烤鸡胸肉”时，他们通常选择数据库中的鸡胸肉条目，而不添加烹饪时使用的油或黄油。

在我们的数据中，只有31%的用户在手动记录烹饪蛋白质来源时也记录了烹饪脂肪。当同样的用户拍摄他们的餐食时，AI会识别出锅中或食物上可见的油或黄油，并提示他们确认，从而将烹饪脂肪的记录率提高到74%。

调味品：千卡路里的死亡

牧场沙拉酱：每汤匙73卡路里。美乃滋：每汤匙94卡路里。酱油：每汤匙9卡路里。番茄酱：每汤匙20卡路里。单独看这些似乎微不足道。但一份加了“少许牧场沙拉酱”的沙拉通常涉及3-4汤匙（220-290卡路里），而一份加了“些许美乃滋”的三明治可能会增加150-200卡路里，这些都没有记录在食品日志中。

在我们的数据集中，调味品在44%的手动记录日被记录，但在71%的AI验证日被识别（并在用户确认后记录）。

零食盲点

零食的低报占比为61.2%，是所有餐次类别中差距最大的。这个差异主要由两种行为驱动：

1. 遗忘： 非正式的零食（在制作午餐时抓几块饼干，吃孩子盘子里的剩余比萨饼边，烹饪时尝食物）往往不会被视为“餐食”，因此不会被记录。

2. 忽视： 一些用户故意选择不记录他们认为微不足道的零食。我们的调查数据显示，38%的手动记录餐食的用户曾故意跳过记录零食，因为他们“认为不值得记录”。这些“微不足道”零食的平均热量为143卡路里。

谁是低报最多的人？

按人口统计分类

群体	平均低报
整体平均	23.0%
女性	25.1%
男性	20.4%
以减重为目标的用户	26.8%
以增肌为目标的用户	15.3%
以维持体重为目标的用户	21.2%
BMI < 25	18.7%
BMI 25-30	23.4%
BMI > 30	28.9%
新用户（前30天）	29.5%
经验用户（6个月以上）	17.2%

几个模式与已发布的研究一致：

女性的低报比男性更高（25.1%对20.4%），这一发现几乎在每项关于饮食低报的研究中都有体现。潜在的解释包括对食物摄入的社会期望偏见更大、更严格的饮食目标导致的内疚驱动遗漏，以及饮食模式的差异（女性更可能吃较小、较频繁的餐食和零食，这些更容易被遗漏）。

试图减重的用户低报比试图增重的用户更多（26.8%对15.3%）。这尤其令人担忧，因为低报现象在最需要准确卡路里数据的群体中最为严重。心理机制已被充分记录：当你有卡路里预算时，会无意识地希望保持数字较低，无论是通过乐观的份量估算、遗漏“作弊”食物，还是向下舍入。

随着经验的增加，低报现象减少。 新用户的低报平均为29.5%，而有6个月以上追踪经验的用户低报为17.2%。这一12个百分点的改善反映了学习到的技能：更好的份量估算、调味品和烹饪脂肪的习惯性记录，以及对食物记录的情感偏见减少。

23%低报的现实影响

为了说明这一点，考虑一个假设的用户：

• 目标： 每周减重0.5公斤（1.1磅）
• 计算的TDEE： 2,200 kcal/天
• 500 kcal/天的缺口目标摄入量： 1,700 kcal/天
• 记录的摄入量： 1,700 kcal/天（目标内）
• 实际摄入量（考虑23%的低报）： 2,091 kcal/天
• 实际缺口： 109 kcal/天（而不是500）
• 预期减重： 0.1公斤/周（而不是0.5）

这个人忠实地记录了1,700卡路里，以为自己处于500卡路里的缺口中。实际上，他们的缺口只有109卡路里。一个月后，他们预计减重2公斤，结果只减了0.4公斤。他们得出结论，认为卡路里计算无效，自己的新陈代谢缓慢，或者需要吃得更少。其实这些结论都是错误的。问题在于记录和实际摄入之间的23%差距。

AI验证追踪如何缩小差距

为什么Snap & Track减少低报

Nutrola的Snap & Track解决了低报的根本原因：

1. 视觉完整性： 照片捕捉了盘子上的所有食物，包括烹饪油、调味品和可能未手动记录的配菜。AI识别所有可见的食物，并提示用户确认每一项。

2. 份量大小的客观性： 在手动记录时，用户从文本描述中选择份量大小（“1个中等的”，“1杯”）。这些选择受到乐观偏见的影响。当AI从照片中估算份量时，使用的是经过校准的视觉模型，不受主观意愿的影响。

3. 实时记录： 拍摄一餐只需3秒，并在进食时进行。手动记录通常在几个小时后进行，此时对所吃的食物（及其数量）的细节已经部分遗忘。

4. 没有“太小而不记录”的项目。 AI识别并记录照片中所有可见的食物。用户可能不会手动记录两汤匙的沙拉酱，但如果它在照片中可见，AI会标记它。

随着持续使用AI，差距缩小

持续使用Snap & Track的周数	平均低报（手动记录日）	改进
第1周	28.7%	基线
第4周	22.1%	-6.6个百分点
第8周	18.4%	-10.3个百分点
第12周	15.9%	-12.8个百分点
第24周	13.2%	-15.5个百分点

有趣的是，定期使用Snap & Track的用户在手动记录日的准确性也提高了。经过24周，他们的手动记录低报从28.7%降至13.2%。AI帮助用户养成更好的记录习惯：用户内化了他们容易忘记的食物，发展了更好的份量估算技能，并减少了导致低报的情感偏见。

减少低报的实用步骤

1. 始终记录烹饪脂肪

在记录烹饪餐食之前，问自己：这道菜是用什么烹饪的？单独添加烹饪油、黄油、酥油或喷雾。典型的家庭晚餐涉及1-3汤匙的烹饪脂肪，代表着120-360卡路里，容易被遗漏。

2. 单独记录调味品和酱汁

不要将调味品视为主菜的一部分。将它们作为单独的项目记录。前一周使用量勺来校准你的份量估算。你可能会发现你认为的“淋上少许橄榄油”实际上是3汤匙。

3. 立即记录零食

一吃东西就记录。如果你等到一天结束，你会忘记抓的一把腰果、办公室厨房的巧克力和烹饪晚餐时尝的奶酪。Nutrola的语音记录让这变得简单：只需说“抓一把腰果”，AI会立即处理。

4. 对复杂餐食使用Snap & Track

手动记录适合简单的单一成分食物（如苹果、蛋白质奶昔）。对于包含多个成分、烹饪脂肪和酱汁的复杂餐食，拍摄餐食并让AI识别所有内容。

5. 称量高热量食物

投资一个厨房秤（10-15美元），用于高热量食物：坚果、奶酪、油、花生酱、格兰诺拉麦片和干果。这些食物的热量密度高，意味着小份量含有显著的卡路里，而基于体积的估算对它们的准确性始终较差。

2014年《营养与饮食学会杂志》的一项研究发现，使用食品秤的参与者对高热量食物的估算错误比使用杯子和视觉估算的参与者小26%。

6. 不要跳过“坏”日子

最隐蔽的低报形式之一是选择性记录：在“好”日子里仔细追踪，而在“坏”日子（周末、假期、社交活动）完全跳过记录。这会导致系统性偏差的数据集，严重低估实际的平均摄入量。

在我们的数据中，每周记录7天的用户低报率为16.1%，而每周记录4-5天的用户（可能跳过了他们摄入热量最高的日子）低报率为31.4%。

结论

23%的低报差距并不是个人的失败。这是一种记录现象，影响几乎所有使用传统方法追踪食物摄入的人。人脑并不擅长客观量化食物，尤其是像烹饪脂肪和调味品这样的高热量添加物，它们看似微不足道，但实际上对总摄入量有重要影响。

AI验证的追踪并不能完全消除差距，但通过消除手动记录中固有的主观偏见，显著减少了这一差距。Nutrola的Snap & Track、语音记录和100%营养师验证的数据库共同为你提供了更真实的饮食情况，而不是你认为的饮食情况。

如果你的卡路里追踪没有产生预期的结果，答案可能不是少吃，而是更准确地计算。而23%正是一个值得关注的起点。