站在超市貨架前，把包裝袋翻過來又翻過去，瞇著眼睛找那行小字——這個場景對7900萬有食物過敏的美國人、數百萬尋找清真食品的人，以及越來越多的素食者來說，是日常。

但問題是：標簽技術上準確，實際上對想避開特定成分的人幾乎沒用。

對素食者，"肉"或"雞肉"好認，但動物成分藏在陌生名字后面：酪蛋白和乳清（來自牛奶，藏在"非乳制品"奶精里）、胭脂紅E120（碾碎的昆蟲做的紅色染料）、明膠（動物骨頭提取，軟糖、棉花糖、甚至某些酸奶里都有）、L-半胱氨酸（常來自鴨毛，商用面包在用）、魚鰾膠（魚膀胱提取物，用于澄清某些葡萄酒和啤酒）。一個產品正面寫"植物基"，小字里仍可能含動物來源的乳化劑。

對清真消費者更復雜。豬肉和酒精相對好認，但"可疑"灰色地帶需要逐成分分析：甘油——可能是植物或動物來源，標簽不告訴你；單雙甘油酯——同樣問題；"天然香料"——包裝食品最常見成分之一，也是最不透明的，可能含任何東西；酶——廣泛用于奶酪和烘焙食品，常來自動物源，無需披露。營養(yǎng)成分表上沒有"清真"或"禁忌"欄，只能靠自己。

對過敏人群，代價是生死級別。FDA規(guī)定的"九大過敏原"必須標注，但：花生可能寫成"落花生"或"花生仁"；牛奶藏在"乳白蛋白""酥油""recaldent"后面；雞蛋以"白蛋白""溶菌酶""蛋白霜粉"出現；"可能含有"的交叉污染警告是自愿的，制造商可以選擇不披露。如果為孩子或多個有不同禁忌的家庭成員管理過敏？每次購物的認知負擔乘以人數、乘以產品、乘以次數。

我們厭倦了這種腦力體操，于是做了 SafeScan——一個免費 iOS 應用，把手機攝像頭變成個人食品安全分析師。掃條形碼，應用從數據庫查找產品；拍成分表照片，AI 實時解析；設置你的飲食檔案（素食、清真、特定過敏原等），應用立即標出匹配項、警告項、不確定項。

技術棧很直接：React Native 做跨平臺，TensorFlow Lite 跑設備端 OCR，后端用 Node.js 配 MongoDB。核心難點不是識別文字，是理解成分——"天然香料"對乳糜瀉患者是否安全？某種酶的來源是植物還是動物？我們建了包含數萬種成分及其飲食分類的數據庫，持續(xù)從用戶反饋和食品監(jiān)管機構更新。

上線三個月，掃描量超過50萬次。最意外的使用場景：不是過敏人群，而是剛被診斷出乳糜瀉的人——他們站在超市里，第一次意識到"小麥"以幾十種名字出現，從"麩質"到"麥芽糊精"到"水解植物蛋白"。一位用戶留言："我以為只是不能吃面包，現在看什么都像陷阱。"

食品工業(yè)的標簽邏輯是合規(guī)優(yōu)先，不是理解優(yōu)先。成分按重量降序排列，過敏原用"含有"語句標注——這些滿足了法規(guī)，但沒解決真實場景的問題：一個人站在貨架前，需要30秒內判斷這東西能不能吃。監(jiān)管要求標簽"準確"，沒要求"可用"。

SafeScan 試圖填補這個缺口。它是翻譯標簽的工具——把監(jiān)管語言轉成人話。下一步是接入更多區(qū)域數據庫（歐盟成分命名不同）、支持更多飲食類型（低FODMAP、生酮宗教變體）、以及一個我們猶豫的功能：社區(qū)注釋，讓用戶標記"這個牌子的'天然香料'曾讓我起反應"。

猶豫是因為責任邊界。如果用戶標記錯誤怎么辦？如果算法漏掉某種成分怎么辦？我們在用戶協(xié)議里寫滿了免責聲明，但知道真正用的人不會讀。最終上線的版本加了雙重確認：AI 標記后，用戶可一鍵查看原始成分表核對。

一個觀察：越是飲食限制嚴格的人，越愿意花時間核對。一位有嚴重堅果過敏的母親說，她本來就要讀每行成分，SafeScan 只是讓她讀得更快。而輕度用戶——比如"盡量素食"的人——掃描幾次后就不用了，覺得麻煩。這符合產品設計預期：解決的是高頻剛需場景，不是低頻彈性需求。

食品標簽的復雜性是系統(tǒng)性問題。成分命名不統(tǒng)一（同一物質在不同國家不同叫法）、"天然"等術語無法律定義、宗教飲食標準無強制披露要求。單個應用解決不了這些，但可以在個體層面降低摩擦。目前 SafeScan 的數據庫覆蓋北美市場約85%的包裝食品，歐洲和亞洲正在擴展。

有人問：為什么不是超市或食品公司來做這個？理論上他們最有數據。但 incentives 不對——他們的目標是讓你買，不是幫你篩。第三方工具的獨立性是價值所在，也是商業(yè)模式的挑戰(zhàn)：免費應用，未來可能靠認證推薦或企業(yè)API盈利，但現在專注把識別準確率從92%提到98%。

那個站在貨架前瞇眼找成分的人，我們假設她有時間、有視力、有知識儲備去解碼。但7900萬人里，有多少符合這個假設？技術能做的，是把"高風險的猜謎游戲"變成"有依據的快速決策"。