技术架构
从代谢指标到社交行为的全栈数据闭环
传统随机对照试验(RCT)是医学证据的金标准,但成本高、周期长、样本量有限,且难以捕捉真实世界的复杂性。
iMeal 的 AI-RCT 系统,通过 Nutri-LEGO® 编码、FQ 仪表盘、Taste OS 协议与多智能体调度,把每一个用户的代谢旅程转化为一次「N=1 的精准实验」,并在群体层面聚合成「七层证据链」。
体重、体脂率、血糖、血脂、炎症标志物等硬指标,通过可穿戴设备与定期检测采集。
FQ-ME 子指标:胰岛素敏感性、燃脂效率、血糖波动曲线,反映 Metabolic OS 的底层性能。
FQ-TR 子指标:通过盲测、完食率、口味偏好追踪,量化 Taste OS 的迁移轨迹。
FQ-NC 子指标:通过知识测验、食物选择决策树,评估用户的营养意识进化。
FQ-SII 子指标:社交场景中的食物选择、渴望曲线变化、身份叙事转变。
能量水平、情绪状态、睡眠质量、社交信心等软指标,通过日志与问卷采集。
用户分享行为、推荐意愿、社交媒体内容,反映「我在升级 OS」这一新身份叙事的社会化程度。
传统 RCT 需要数年才能产出结果,AI-RCT 可以在每个 cohort 结束后立即生成证据,并反馈到下一轮菜单设计。
传统 RCT 追求「平均效果」,AI-RCT 可以识别不同人群特征(FNTI 维度、代谢表型)对应的最优方案。
传统 RCT 样本量受限于成本,AI-RCT 的「样本量」随用户规模增长而自动扩大,数据飞轮越转越快。
每一个 Metaboot™ 用户都是一次「N=1 的精准实验」:
用户输入:FNTI 维度、代谢表型、口味偏好、生活场景
AI 编排:Nutri-LEGO® 积木组合 + Taste OS 协议
实时追踪:FQ 四维子指标 + 七层证据链
结果反馈:代谢改善 + 味觉迁移 + 行为整合
群体聚合:识别「积木组合 ↔ 人群特征 ↔ 结果」的因果模式
方案优化:下一个用户获得更精准的个性化方案
这是一个「越用越聪明」的系统,数据护城河随用户规模增长而不断加深。