智能手表、饮食记录和营养数据库的数据越来越多以后，为什么AI最先需要解决的反而是“这些数据准不准”？

一碗面，三种都合理的估算

饮食记录里最常见的一条是“一碗面”。数据库只有一个默认条目，但现实中的一碗面可以差得很远。下面用一组设定的数字来演示，数字不是真实测量值。

以默认值为基准，小碗被高估约三分之一，大碗的能量被低估约三成、蛋白被低估四成以上。两个真实的碗之间，能量相差接近一倍，蛋白也相差接近一倍。用户还可能只吃面不喝汤，或者把汤喝完，这又是一层变化。2026年《Frontiers in Digital Health》的一篇论文提到，份量估算在所有饮食评估方法中都是持续难题，一碗面正是最日常的例子。

随机误差能被平均掉，系统偏差不能

误差有两种，处理方式完全不同。假设每餐能量估算有±20%的随机误差，各餐彼此独立，一周21餐加总后，总量的相对误差约为20%除以21的平方根，也就是4%左右。记录得越多，随机误差越小。

但假设每餐都稳定地少记20%，一周21餐加总后仍然少记20%，记得再多也没用。这条论文指出，自报饮食存在系统性低报，验证研究显示高BMI人群的能量和蛋白摄入低报可达20%–30%，方向是一致的。因此，数据量增加只能缓解随机误差，救不了系统偏差。

偏差还会沿着模型传播。能量摄入被低估，模型可能判断“摄入与消耗之间存在缺口”，转而建议多吃；蛋白被低估，则可能推荐加蛋白，结论的方向本身就错了。建议之所以要看长期模式而不是单次记录，一部分原因也在这里，可参考一天吃得很健康并不能说明长期饮食结构已经健康。

手表、图像与数据库，各自偏向不同的方向

不同来源的误差并不是同一种，不能用一个统一的噪声项处理。

• 可穿戴设备：存在传感器漂移、校准衰减，不同品牌的设备读数不可直接比较；光学心率传感器对深肤色人群误差更大，论文提到心率误差最高可达每分钟16次。心率如果被用来估算能量消耗，这类偏差就会一路传下去。
• 图像饮食AI：对混合菜肴、多元文化菜肴表现较差，个别亚洲混合菜肴的摄入低估可高达76%。汤汁、酱料和藏在里面的油脂，从照片上很难看到。
• 生物标志物：餐后血脂指标因采样时间与近期进食不同，波动可超过30%，一次抽样很可能不是这个人的“常态”。
• 营养数据库：成分表是平均值，同名食物的做法、品种、加工方式不同，数值随之变化，而这些过程恰恰属于食物侧数据里最难动态更新的部分。

穿戴数据究竟能帮模型回答什么、边界在哪里，步数、睡眠和运动数据能帮助模型回答什么做了更具体的拆解。

时间没对齐，比数值不准更隐蔽

Temporal Alignment（时间对齐）问题经常不出现在误差报告里。手表以分钟记录心率，饮食记录却往往是事后补录，时间只精确到“午餐”。设定一个场景：用户12:10吃完午饭，13:00去健身，但晚上21:00才补记午餐，系统若按录入时间处理，“运动前一小时进食”这种关系就被完全打乱，蛋白分配的推荐随之失真。

类似的问题还有设备时钟漂移、同步延迟、跨时区出差。处理办法并不复杂：以进餐时间戳而不是录入时间戳为准；当时间只有“午餐”这类粗粒度时，保留一个时间区间，而不是强行落成一个点。

把误差写进管线：校准、不确定性与置信区间

上述论文主张把误差校正嵌入数据管线，方法包括回归校准、贝叶斯层次模型、去噪自编码器等，并让系统输出不确定性与可靠度，而不是把点估计当作确定结果。

三种方法可以用概念级的话来理解。回归校准，是用少量称重记录这类“更接近真值”的样本，学出自报值与真值之间的关系，再去修正大量的自报数据；贝叶斯层次模型，允许不同人群各有各的偏差，样本很少的群体可以借用整体信息，避免把某一类人群系统性地估错；去噪自编码器，是让模型学会从带噪信号里还原相对干净的信号。三者都无法凭空创造信息，只能把已知的误差结构用起来。

推荐带上置信区间以后，产品应当长什么样

设定一个例子：系统把某位用户今天的蛋白摄入估计为60g，可信范围是48g到75g。区间较宽，就说明份量或配料信息不足，这时系统应当给出较粗的建议，并提示补记份量与主要配料；区间收窄以后，才给出更细的建议。也就是说，建议的细致程度应当跟着数据的可靠程度走。

纵横国际在做营养数据研究时，倾向于让每条估算都带上来源与可靠度标签，而不是只给一个漂亮的数字。用户一侧也可以配合：在纵横国际App里记录饮食时，尽量补充份量和主要配料，具体入口与用法见纵横国际App怎样记录饮食、运动和营养目标。这一判断也与本年度精准营养的整体趋势一致，数据质量正在成为多模态融合的瓶颈，相关观察见2026精准营养的本期观察。

一个把误差讲清楚的系统，可以帮读者理解为什么同样的年龄和体重会得到不同的建议：差别可能来自真实的生活方式，也可能来自数据的误差，二者必须分开看。