ما مدى دقة تطبيقات الذكاء الاصطناعي لعدّ السعرات؟

إجابة صريحة مبنية على الأبحاث المنشورة وحدها — بما فيها الدراسات التي تُظهر أين يتعثّر التقدير من الصور.

ما تقوله الأبحاث المحكَّمة فعلًا

أوثق دراسة منشورة بهذا الموضوع هي بحث عام 2025 في مجلة Nutrients، قيّم ChatGPT-5، وهو نموذج رؤية ولغة عام، على صور وجبات حقيقية معروفة التركيب الغذائي.¹ رفع الباحثون تدريجيًا حجم السياق الممنوح للنموذج وقاسوا الخطأ عند كل خطوة.

‏MAPE هو متوسط الخطأ النسبي المطلق، وMAE هو متوسط الخطأ المطلق. اقرأ الصف الأول هكذا: حين لم يكن لدى النموذج سوى صورة، أخطأ في تقدير السعرات بنحو 123 سعرة وسطيًا، أي نحو 30% من الطاقة الحقيقية للطبق.

وبشكل منفصل، أفاد بحث Nutrition5k الذي قدّمه فريق بحثي من Google في مؤتمر CVPR عام 2021 بأن نظام رؤية حاسوبية تنبّأ بمحتوى الأطباق الحقيقية المعقّدة من السعرات والعناصر الكبرى «بدقة تتفوّق على أخصائيي التغذية المحترفين».² وانتبه جيدًا إلى ما يعنيه هذا وما لا يعنيه: إنها مقارنة مع خبراء بشريين يقدّرون من الصور نفسها، لا مع تحليل كيميائي مخبري.

لماذا يضاعف ذكرُ المكوّنات الدقةَ وأكثر

أهم ما في بيانات Nutrients ليس الرقم الرئيسي بل الاتجاه. انخفض خطأ الطاقة من 30.51% إلى 13.92%، وخطأ الدهون من 8.70 غ إلى 4.26 غ، لمجرد أن النموذج عرف ما في الطبق.¹

وهذا منطقي فيزيائيًا. تحمل الصورة معلومات موثوقة عن مساحة الطعام وحجمه الظاهر، ومعلومات موثوقة إلى حد بعيد عن هويته. لكنها لا تكاد تحمل شيئًا عن ثلاثة أمور تحكم عدد سعرات الطبق:

• دهن الطهي. ملعقة كبيرة من زيت الزيتون تساوي نحو 120 سعرة، وتصير غير مرئية بمجرد امتصاصها في الخضار. طبقان متطابقان بصريًا من الخضار المشوية قد يفترقان بـ 300 سعرة.
• الكثافة والتركيب الداخلي. لا تفرّق الصورة بين لبن كامل الدسم وآخر قليل الدسم، ولا بين قطعة لحم خالية من الدهن وأخرى مشحّمة، بعد أن توضع في الطبق.
• الحجم المحجوب. ما تحت الطبقة العليا — كم من الأرز تحت الكاري — يُستنتج ولا يُرى.

وكل واحد من هذه الأمور يعرفه عادةً من أكل الوجبة. هذه هي آلية تحسّن الدقة: يقدّم المستخدم بالضبط ما تعجز الكاميرا عن التقاطه.

دقيق مقارنةً بماذا؟

كلمة «دقيق» بلا مرجع لا معنى لها، والمرجع النزيه لتطبيق تتبّع السعرات ليس مختبرًا، بل ما كنت ستفعله لولاه.

في دراسة ليشتمان المنشورة في New England Journal of Medicine عام 1992، قلّل المشاركون الذين يعانون السمنة ويقولون إنهم عاجزون عن إنقاص وزنهم من تقدير طعامهم الفعلي بنسبة 47% ± 16%، وبالغوا في تقدير نشاطهم البدني بنسبة 51% ± 75%.³ وخلص المؤلفون إلى أن عدم نقصان الوزن يفسّره الإبلاغ الخاطئ لا أي خلل استقلابي.

وثمة تحفّظان يجب أن يرافقا هذا الرقم، وهما يُحذفان عادةً عند الاقتباس: كان المشاركون تحديدًا من ذوي السمنة والمقاومين للحمية، وكان القياس لسجلات غذائية ذاتية الإبلاغ لا لتقدير من الصور. فلا يصحّ الاستنتاج بأن «الجميع يقلّلون التقدير بنسبة 47%». ما يثبت فعلًا هو أن الإبلاغ الذاتي بلا مساعدة يحمل انحيازًا منهجيًا كبيرًا نحو التقليل — أكبر بوضوح من خطأ الـ 30% للصورة أعلاه.

أين يفشل التقدير من الصور فعلًا

لن يدّعي Wellix غير ذلك. توقّع أن يتعثّر التقدير المعتمد على الصور مع:

• الزيت والزبدة والصلصات المضافة أثناء الطهي، للأسباب أعلاه. وهذا أكبر مصدر خطأ منفرد.
• الأطباق المخلوطة والمتجانسة — اليخنات والكاري والعصائر المخفوقة والصواني — حيث لا تظهر المكوّنات منفردة ولا يمكن فصلها.
• الصلصات والشرابات، إذ محتواها السكري غير مرئي.
• التباس المقياس. بلا جسم مرجعي، تبدو حصة كبيرة صُوّرت عن قرب مطابقةً لحصة صغيرة صُوّرت من بعيد.
• الأطعمة المعبّأة، حيث الملصق معلومة أفضل من أي صورة. صوّر الملصق لا الطعام.

وفي المقابل، يبلغ التقدير من الصور أفضل حالاته مع الأطعمة الكاملة المقدَّمة بمكوّنات ظاهرة: قطعة سمك مشوي، وحصة أرز مقيسة، وسلطة بخضار يمكن تمييزها.

كيف تقرأ ادعاء الدقة

ابحث عن «أدقّ تطبيق ذكاء اصطناعي لعدّ السعرات» فتجد أرقامًا واثقة — «خطأ وسطي ±1.4%»، «دقة 95%» — منسوبةً إلى اختبارات بلا تحكيم، ولا فترات ثقة، ولا اختبار دلالة، وفي حالات عدة بعلاقة غير معلنة بين ناشر الاختبار والفائز فيه.

قبل أن تصدّق رقم دقة عن أي تطبيق، بما فيه هذا التطبيق، تحقّق من خمسة أمور:

1. أهو محكَّم أم منشور ذاتيًا؟ اسم المجلة ورقم DOI قابلان للتحقق. أما تدوينة المدوّنة فلا.
2. ما حجم العيّنة؟ ثلاثون طبقًا دراسة صغيرة. وخمسون طبقًا بلا اختبار دلالة مجرّد حكاية.
3. هل ذُكرت فترات الثقة؟ التقدير النقطي بلا فترة ثقة يخفي مدى إمكانية تغيّر الرقم.
4. الخطأ مقيس مقابل أي مرجع؟ تحليل كيميائي، أم ملصق غذائي (وهو نفسه تقريب)، أم حساب من الوصفة؟ هذه ليست متكافئة.
5. من موّل الاختبار، ومن فاز به؟ اختبار تنشره شركة يحلّ منتجها أولًا يستحق من التدقيق ما تستحقه أي إعلان آخر.

كيف تحصل على أدقّ سجلّ من تطبيق صور

تشير الأبحاث إلى خطوات عملية واضحة. كل خطوة منها تنقلك من الصف الأعلى في الجدول نحو الصف الأدنى.

1. صحّح الأصناف لا المجموع فقط. إذا قال التطبيق «دجاج مشوي» وكان مقليًا، فغيّره. أخطاء الهوية تتسرّب إلى كل عنصر غذائي.
2. صرّح بدهن الطهي. إضافة «مطهوّ بملعقة كبيرة من زيت الزيتون» تستعيد أكبر حدّ خفيّ منفرد.
3. ضع مرجعًا للمقياس. صوّر من زاوية ثابتة مع وجود شوكة أو يد أو طبق قياسي في الإطار.
4. صوّر ملصق الطعام المعبّأ. الملصق يتفوّق على الصورة في كل مرة.
5. زِن الأطعمة القليلة التي تأكلها باستمرار. الأرز والزيت والمكسّرات والجبن كثيفة السعرات ويسهل تقديرها خطأً. وزن أربعة أصناف يلتقط معظم الدقة المتاحة دون تحويل كل وجبة إلى تمرين مخبري.
6. احكم على الاتجاه لا على اليوم. المجاميع اليومية تحمل ضجيج التقدير. أما الإشارة فهي اتجاه الوزن على أسبوعين مقابل متوسط المدخول على أسبوعين.

أين يقع Wellix

بُني Wellix حول النتيجة في الجدول أعلاه، لا حول ادعاء التفوّق عليها. تصوّر وجبة؛ فيتعرّف Wellix على كل صنف ويقدّر سعراته وبروتينه وكربوهيدراته ودهونه على حدة؛ ثم يعرض عليك التفصيل قبل أن يُحفظ أي شيء. وحين يكون صنف ما ملتبسًا فعلًا، يطرح Wellix سؤالًا توضيحيًا واحدًا بدل التخمين.

خطوة المراجعة هذه ليست ترفًا في الواجهة. إنها الآلية التي يتحوّل بها تقدير «الصورة وحدها» إلى تقدير «مع السياق» — أي الفارق بين الصف الأول والصف الثالث في الجدول. والتطبيق الذي يسجّل بصمت ولا يسأل أبدًا إنما يحسّن الرقم الخطأ.

الأسئلة الشائعة

هل تطبيقات عدّ السعرات بالذكاء الاصطناعي دقيقة بما يكفي لإنقاص الوزن؟

نعم لمعظم الناس. يعتمد إنقاص الوزن على عجز طاقي ثابت عبر أسابيع، لا على قياس أي وجبة بدقة. والتقدير من الصور بخطأ يقارب 30% إذا طُبّق باستمرار على كل وجبة سيتتبّع اتجاه مدخولك بما يكفي لإدارة ذلك العجز، شرط أن تعدّل هدفك وفق اتجاه وزنك الفعلي لا وفق الرقم المطلق للسعرات.

هل تطبيق الذكاء الاصطناعي أدقّ من التخمين؟

تشير الأدلة المنشورة إلى ذلك. قدّر نموذج رؤية طاقة الوجبة ضمن نحو 30% من الصورة وحدها، بينما قلّل مشاركون يعانون السمنة ومقاومون للحمية في دراسة New England Journal of Medicine من تقدير مدخولهم بنحو 47%. المقارنة ليست تامة لاختلاف المناهج والفئات، لكن الاتجاه متسق.

هل تطبيق الذكاء الاصطناعي أدقّ من ميزان المطبخ؟

لا. وزن المكوّنات والبحث عن بياناتها الغذائية أدقّ من أي تقدير من صورة، وسيبقى كذلك، لأن الميزان يقيس الكتلة مباشرة بينما الصورة تستنتجها. والسؤال الحقيقي ليس أيّهما أدقّ، بل أيّهما ستواظب عليه فعلًا ستة أشهر.

لماذا يسألني التطبيق أسئلة عن طعامي؟

لأن تقديم السياق هو أكبر تحسين متاح للدقة. ففي تقييم Nutrients لعام 2025، أدّى إخبار النموذج بالمكوّنات إلى خفض خطأ الطاقة من 30.51% إلى 13.92%. والسؤال التوضيحي هو وسيلة التطبيق لشراء هذا التحسين نيابةً عنك.

ما الأطعمة التي يخطئ فيها عدّ السعرات من الصور أكثر من غيرها؟

الأطعمة التي تكون سعراتها غير مرئية في الصورة: الزيت والزبدة الممتصّان أثناء الطهي، والصلصات والتتبيلات، والأطباق المخلوطة كاليخنات والعصائر المخفوقة، وكل ما يختبئ حجمه تحت طبقة عليا. أما الأطعمة الكاملة المقدَّمة بمكوّنات ظاهرة وقابلة للفصل فتُقدَّر بأعلى موثوقية.

ما مدى دقة Wellix تحديدًا؟

لم ينشر Wellix رقم دقة موثّقًا لنموذجه، لأنه لم يجرِ دراسة تبرّر ذلك. والأرقام في هذه الصفحة مأخوذة من تقييمات محكَّمة لنماذج رؤية عامة مماثلة. ويعرض Wellix كل صنف يتعرّف عليه قبل الحفظ لتتمكّن من تصحيحه.

المراجع

1. Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I. Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios. Nutrients. 2025;17(22):3613. doi:10.3390/nu17223613. pmc.ncbi.nlm.nih.gov/articles/PMC12655113
2. Thames Q, Karpur A, Norris W, Xia F, Panait L, Weyand T, Sim J. Nutrition5k: Towards Automatic Nutritional Understanding of Generic Food. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 8903–8911. arxiv.org/abs/2103.03375
3. Lichtman SW, Pisarska K, Berman ER, Pestone M, Dowling H, Offenbacher E, Weisel H, Heshka S, Matthews DE, Heymsfield SB. Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med. 1992;327(27):1893–1898. pubmed.ncbi.nlm.nih.gov/1454084

يقدّم Wellix معلومات تغذية عامة ولا يُعدّ استشارة طبية. وهو لا يشخّص أي حالة ولا يعالجها ولا يقي منها. أهداف السعرات والعناصر الغذائية الكبرى تقديرات ناتجة عن معادلات تنبؤية، والاحتياجات تختلف من شخص لآخر. استشر مختصًا صحيًا مؤهلًا قبل إجراء تغييرات كبيرة في نظامك الغذائي، خصوصًا أثناء الحمل أو الرضاعة، أو إذا كان لديك تاريخ من اضطرابات الأكل أو داء السكري أو أمراض الكلى أو الغدة الدرقية أو أي حالة طبية أخرى.

راجع التفصيل قبل الحفظ

يعرض Wellix كل صنف يكتشفه بسعراته وعناصره الكبرى، لتصحّحه بنقرة واحدة.