近日，17少年 Zach Yadegari 创新性地打造了营养模型，吸引了资本1200万美元的估值，其模型基于于食物美照、食品标签等照片，辅以文字、语音等补充信息，可准确识别食物的热量和碳水、蛋白质、脂肪含量，并持续记录和追踪，改变了传统饮食日记（食品日志）APP手动查找或输入的繁琐操作。可以说，这个模型是AI多模态大模型技术在饮食日记需求下的创新之作。
首先，我们先分析饮食日记这个需求
需求分析
在之前的文章中提到过，饮食健康的底层是营养，其包括各种成分的摄入量（如碳水、蛋白质、脂肪、水分），从广义上也涵盖食物的热量。饮食管理围绕营养发展出各式各样的食谱计划，但无论有多少种「指导」性的食谱计划，管理都离不开「监测」层面的数据记录和追踪，这就是饮食日记的重要性。
饮食日记的挑战在于营养摄入量和热量的精确度，这主要取决于食物类别和摄入质量。食物类别的精确度不仅受其食材本身的影响，还受烹饪手法，口味偏好等因素的影响。以鸡蛋为例，其属于蛋类食品，富含高蛋白质，但根据不同的烹饪手法，鸡蛋可以有蛋羹、蛋汤、蛋挞、炒蛋、水煮、 茶叶蛋等不同形式，若加上口味偏好，则有甜口、咸口等口味上的区别，再加上冷热的不同，又会产生热量的差异，即使制作完成后，不同的人可能吃不同的部位，如吃水煮蛋只吃蛋白或只吃蛋黄。摄入质量的精确度受份量差异和测量误差影响。还是以鸡蛋为例，标准的水煮蛋也会存在半个，几口的份量差异，如果将鸡蛋与其它食材混在一起，那么称重就会是个复杂的事情，对此，一个解决思路是对餐前食材称重，但该思路不适合较为常见的外卖餐饮和外出就餐场景。
知名健康生活博客网站FeelGoodPal指出，饮食日记需满足记录及时，内容完整详细的要求，并可考虑利用手机APP的便捷性和数据库资源。APP的数据库可以收录多个食材类别的营养信息供用户查找，并且收录类别越精细，精确记录的可能性越大，但这也意味着数据库标注的构建成本上升。另一方面，精确度的提高还依赖于APP用户在食物类别选择和摄入质量评估上的使用习惯（即主观操作），预期的目标是通过减少操作动作，提高数据库质量，合理解决错误或未知数据场景，从而实现流畅轻松的使用体验。
AI大模型的出现为数据库构建和用户操作行为提供了新的范式，数据库不需要追求多么精细就可以满足种类多样的食物识别，用户操作不需要过多搜索，即可完成记录内容的完整详细。在摄入质量的评估上，Cal AI也提供了从二维图像到三维图像再到物体质量的评估方案。
产品分析
功能
根据官网的描述，可将软件功能的内在逻辑梳理为下图。
其中，食物类别的识别通过下面的功能点实现。
- 图片识别
- 来源
- 食物美图
- 特征扫描（feature scan）照片
- 条形码（barcode）
- 食物标签（food label）
- 商品营养成分表
- 来源
- 补充信息：个人描述补充
- 文字
- 语音
- 结果修正
- 反馈错误
- 补充细节
摄入质量的评估则相对复杂一些，软件利用“深度传感器”，识别二维图像的景深并转为三维图像，借助食物类别信息将体积转为质量。
至此，有了食物种类和摄入质量信息，便可得到食物的营养成分及比例。
优势
- 用户操作方面，基本无压输入和修正。
- 精确度方面，据创始人Yadegari 称”当在自然光线下以不倾斜的角度拍摄图像时，我们的技术准确率达到 90%，对比FDA允许的20%营养标签误差来说在允许范围内。“不过，尚未评估如夹心食物，汤水干扰下的数据精确度。
推广营销策略
用户群体：用户群体：15~25岁年龄范围，大学学生，男性为主。
网红营销：在如Facebook等社媒平台上联系网红，建立合作关系以营销推广。
订阅方案：考虑到留存问题，采用年度订阅的方式。
留存的问题，健康和健身类应用自律属性天然地存在用户大量流失问题，据adjustcom网站的分析，此类产品的的不到 30%
竞争
- 功能的门槛不高，很容易被行业相关方的产品借鉴吸纳
- 系统厂商在照片获取上有先天优势
- 健康穿戴设备可更加系统地评估饮食健康，尤其会加入与饮食密切相关的睡眠、心理情绪等健康维度信息
2. 运动健康类产品留存率低，不到30%，若提高则需考虑如Duo、Keep等的游戏化运营策略
