拍照記錄飲食在大約兩年內從噱頭變成了標配。拿相機對準盤子，幾秒鐘就能得到熱量和巨量營養素。它現在幾乎是每一款營養應用程式的主打功能，包括我們的在內。
所以值得坦白說清楚：它做得好的是什麼、做得差的是什麼，以及如何使用它，而不是在不知不覺中騙自己六個星期。
它真正擅長的事
辨識
現代視覺模型很擅長回答「這是什麼」。烤雞肉、白飯、花椰菜、煎蛋——常見食物的辨識相當可靠。這正是以前需要你在搜尋框輸入「雞胸肉」，然後在 400 筆誠實程度不一的使用者上傳條目中挑選的那個環節。
速度，這才是真正的功能
手動記錄一餐要花一到三分鐘。換算下來每週有 20 到 60 分鐘的純粹摩擦成本，而摩擦正是一般飲食追蹤應用程式的留存率在幾天內就雪崩的原因。拍照記錄只要幾秒鐘。
一份準確度 80% 但能持續一年的記錄，勝過一份準確度 95% 但三週就放棄的記錄。速度在這裡不是便利性功能，而是讓追蹤真正發揮作用的核心機制。
誤差的一致性
這一點被嚴重低估。模型每次對同一份餐點的估計都大致相同。人類的自我估計卻會漂移——狀態好的日子你很誠實，狀態差的日子份量就在記憶中神祕地縮水。模型沒有狀態差的日子，而且正如我們在不秤重也能追蹤巨量營養素一文中主張的：穩定的偏差遠比隨機的雜訊好處理。
它的弱點在哪裡——而它確實有弱點
1. 份量估計（深度問題）
照片是 2D 的。模型是從平面影像推斷體積，用盤子大小和周遭脈絡當作比例線索。這是一個真正困難的估計問題，也是最大的單一誤差來源。一堆堆高的飯和一層攤平的飯從正上方看起來可能差不多，熱量卻可以差 200 kcal。
解法：用固定角度拍攝（大約 45°，不要正上方直拍），讓整個盤子入鏡，並在畫面中留一個已知大小的物件——一支叉子、你的手——當作比例參照。這能明顯改善估計結果。
2. 隱藏油脂（看不見的熱量問題）
這是最大的問題。炒蔬菜用掉的三大匙油是看不見的，但那大約是 360 kcal。餐廳食物被拍照記錄系統性低估，正是因為這個原因；這也是為什麼「我每餐都拍照記錄卻沒有變瘦」通常不是什麼代謝之謎。
解法：只要不是你自己煮的，就假設油脂比你看到的更多，並往上修正。更好的做法是直接告訴應用程式。一款好的拍照記錄工具會讓你一鍵調整估計值，而不是逼你重新輸入整餐。
3. 混合與多層料理
燉菜、焗烤、墨西哥捲餅——模型只看得到表面，內部全靠猜。在這裡，組成的誤差會和份量的誤差疊加。
解法：這類餐點值得改用已儲存的常備餐條目來記錄。如果你每週都煮同一鍋辣豆醬，就秤重一次然後存起來。無法預測的食物用拍照記錄；可以預測的食物用常備餐條目。
大家真正該問的準確度問題
「這個熱量數字正確嗎？」是錯誤的問題，追著它跑只會帶來許多毫無意義的焦慮。
正確的問題是：「這個估計值的一致性，夠不夠讓我據此做決定？」
因為你從來不是直接根據原始數字行動，而是根據這個循環：
（持續一致地）記錄攝取 → 觀察 2–3 週的體重趨勢 → 比較趨勢與攝取量的預測 → 調整目標。
這個循環會自動修正穩定的偏差。如果你的記錄每天都少算 12%，趨勢會把它暴露出來，調整會把它吸收掉。這個循環無法吸收的是不一致——平日認真記錄、週末完全不記，或者拍了沙拉卻忘了啤酒。
所以評判一款 AI 飲食記錄工具的誠實標準，不是「它有沒有食物秤那麼準」，而是：它是否夠準確、夠一致，足以讓一個好好執行的調整循環收斂？對目前這一代工具來說，答案是肯定的——但要記住上面那些前提。
估計值的價值，取決於誰在讀它
這是這個產品類別大多忽略的部分。市面上幾乎每一款應用程式都停在估計值這一步。它給你一個數字、一個圓環、一張圖表。至於解讀——實際上該做什麼——留給你自己。
但「你已經連續九天低於目標 400 kcal」這件事的價值不在數字本身，而在結論：你的恢復能力下降了，所以你剛加進深蹲課表的額外訓練量，這週不是個好主意。這個結論需要同時讀取飲食記錄和訓練記錄——而幾乎沒有任何應用程式做得到，因為飲食應用程式不記錄你的組數，訓練應用程式從沒見過你的廚房。
這正是 Gymrock 存在的目的所要填補的缺口：一個模型、兩種訊號、每週一個附上完整推理的決定。拍照估計值是輸入，訓練調整才是產品。我們在比較頁面把這一點與各大營養和訓練應用程式做了直接對照。
實用守則
- 用大約 45° 拍攝，整個盤子入鏡，畫面中放個東西當比例參照。
- 假設餐廳食物的油脂比你看到的多。往上修正。
- 把常吃的餐點存成常備餐；無法預測的餐點才用拍照記錄。
- 什麼都記，包括油和飲料。沒記到的食物是「減脂卡關」的頭號原因。
- 用趨勢是否符合計畫來評判整個系統——而不是糾結任何一餐的數字是否完美。