لماذا تُقلّل تطبيقات السعرات بالذكاء الاصطناعي الحساب بمقدار 250–345 سعرة (وكيف تصحّح ذلك)

نحن نطوّر Callie. يشرح هذا المقال لماذا تميل كل تطبيقات السعرات بالصورة إلى التقدير بأقل من الحقيقة، بما فيها تطبيقنا، وما الذي يمكنك فعله إزاء كل سبب. نتائج اختبارنا الخاص مذكورة على أنها لنا، وكل رقم آخر مرتبط بمصدره.

الإجابة في 30 ثانية

تُقلّل تطبيقات السعرات بالذكاء الاصطناعي الحساب أساسًا لأن الصورة لا تُظهر الدهون ولا العمق. في ملخص مؤتمر صادر عن NIH عام 2026، قدّرت أربعة تطبيقات شائعة 102 وجبة موزونة بأقل من حقيقتها بنحو 250 إلى 345 سعرة لكل وجبة، وبنحو 30 غرامًا أقل في الدهون. ويضيف حجم الحصة والأطباق المخلوطة ووجبات الكيتو والمطابخ الأقل شهرة مزيدًا من الخطأ. والحل أن تخبر الذكاء الاصطناعي بما فات الكاميرا. في دراسة من عام 2025 على 195 طبقًا، انخفض خطأ ChatGPT-5 في السعرات من 30.5% بالصورة وحدها إلى 13.9% عندما توفرت له قائمة المكونات أيضًا.

للاطلاع على القائمة الكاملة للدراسات، راجع ملخص أبحاث دقة السعرات بالذكاء الاصطناعي. هذه الصفحة عن الأسباب والحلول.

السبب والخطأ المعتاد والتصحيح في 10 ثوانٍ

ستة عوامل تدفع تقديرات الصور إلى الأسفل، ولكلٍّ منها تصحيح يستغرق نحو عشر ثوانٍ. الأخطاء أدناه مأخوذة من الدراسات المذكورة في هذا المقال. وحين يكون الرقم تقديرًا منا، نذكر ذلك.

تقدير: رقم 120 سعرة يفترض نسيان ملعقة كبيرة كاملة. الطبق المقلي المنزلي يستخدم غالبًا ملعقة واحدة، وطبق المطعم غالبًا أكثر.

السبب 1: الدهون غير المرئية من الزيت والزبدة والسمن والتتبيلات

الدهون هي أكبر سبب منفرد لتقدير تطبيقات الصور بأقل من الحقيقة، لأن الكاميرا لا ترى ما تشرّبه الطعام. في تحليل NIH الذي عُرض في مؤتمر NUTRITION 2026، قُدّرت الدهون بأقل من حقيقتها بنحو 30 غرامًا لكل وجبة. وبما أن الغرام الواحد فيه 9 سعرات، فهذا نحو 270 سعرة، أي معظم فجوة الـ250 إلى 345 سعرة.

قال آرون هينغيست (Aaron Hengist)، الباحث في مرحلة ما بعد الدكتوراه في المعهد الوطني للسكري وأمراض الجهاز الهضمي والكلى التابع لـNIH، في بيان NIDDK: «تميل هذه التطبيقات إلى التقليل من تقدير السعرات، خاصة تلك الآتية من الدهون» (ترجمتنا).

الكميات التي تختفي صغيرة في الحجم وكبيرة في السعرات. تذكر USDA FoodData Central أن زيت الزيتون فيه 884 سعرة لكل 100 غرام، أي 119 سعرة لكل ملعقة كبيرة. وملعقة كبيرة من الزبدة المملحة فيها 102 سعرة، وملعقة كبيرة من السمن نحو 112. والطبق المقلي بملعقة كبيرة من الزيت يبدو تمامًا مثل طبق مطبوخ في مقلاة جافة.

الحل أن تسجّل الدهون كعنصر مستقل. يقدّم دليل السعرات الخفية كميات افتراضية لكل طريقة طهي.

السبب 2: حجم الحصة وعمقها

الصورة الواحدة تُظهر المساحة لا الارتفاع، فكلما كانت الحصة أكبر وأعمق، ابتعد التقدير أكثر عن الحقيقة. اختبرت دراسة من عام 2025 في مجلة Current Developments in Nutrition أجراها Fridolfsson وزملاؤه نماذج ChatGPT-4o وClaude 3.5 Sonnet وGemini 1.5 Pro على 52 صورة طعام. وتذكر الورقة أن النماذج الثلاثة أظهرت تقديرًا منهجيًا بالنقص يزداد مع حجم الحصة. وفي الطاقة، تراوحت ميول الانحياز بين −0.34 و−0.45، وكانت نسبة الخطأ أقل بنحو 20% إلى 30% في الحصص الصغيرة مقارنة بالكبيرة. وفي طبق كاري عدس كبير، قدّر ChatGPT وزنه بـ255 غرامًا بينما كان وزنه الفعلي 480 غرامًا.

وصوّرت دراسة أخرى من عام 2025 في مجلة Nutrients أجراها O'Hara وزملاؤه 38 وجبة بثلاثة أحجام. كان ChatGPT قريبًا في الحصص الصغيرة، لكنه قدّر الوجبات الكبيرة بمتوسط 530 غرامًا بينما كان وزنها 798 غرامًا، أي أقل بنحو الثلث. وقدّر الوزن بأقل من حقيقته في 87 صورة من 114 (76%).

ورصدت دراسة Rodríguez-Jiménez النمط نفسه. فأكبر أخطائها كانت في الأطباق المقدّمة في أوعية، وربط المؤلفون ذلك بمحدودية قدرة النموذج على تقدير العمق والحجم من صورة واحدة.

السبب 3: الأطباق المخلوطة والمتعددة الطبقات والصلصات

عندما تُخلط المكونات أو تُرصّ في طبقات، يضطر الذكاء الاصطناعي إلى تخمين ما تحتها وكمية الصلصة فيها. الكاري واليخنة والبرياني واللازانيا لا تُظهر إلا طبقتها العليا. أما الأرز تحت الصلصة، والجبن بين رقائق المعكرونة، والزيت في المرق، فكلها مخفية.

في اختبارنا الخاص على 20 وجبة موزونة بميزان المطبخ (مايو 2026)، كانت الأطباق المتعددة الطبقات مثل اللازانيا والبرياني أصعب فئة لكلا التطبيقين اللذين اختبرناهما. بلغ متوسط خطأ Callie فيها 22% وCal AI نسبة 26%، مقابل 13% و17% على جميع الوجبات. المنهجية الكاملة في صفحة Callie مقابل Cal AI.

ويذكر بيان NIH أن تطبيقين منها، MyFitnessPal وLose It!، قدّرا الوجبات الأعلى سعرات بدقة أكبر من الوجبات الأخف، فالمشكلة ليست حجم الوجبة وحده. الأهم هو مقدار طاقة الوجبة الموجود حيث لا تستطيع الكاميرا أن ترى.

أسهل حل أن تصوّر المكونات قبل خلطها، أو تسجّلها منفصلة: الأرز، والكاري، وملعقة الزيت أو السمن في التقلية (التدكا).

السبب 4: وجبات الكيتو والوجبات الغنية بالدهون

الوجبات التي تستمد معظم طاقتها من الدهون هي أصعب حالة للكاميرا، ووجدت متابعة NIH أن التطبيقات كان أداؤها فيها أسوأ. في تحليل إضافي لأكثر من 200 وجبة أخرى، أفاد فريق NIDDK بنتائج أولية تشير إلى أن التطبيقات تواجه صعوبة أكبر مع وجبات الكيتو منخفضة الكربوهيدرات. وتضيف تغطية HealthDay أن السبب على الأرجح أن التطبيقات تقلّل باستمرار تقدير محتواها الأعلى من الدهون.

ويذكر البيان أيضًا أن التطبيقات الأربعة قدّرت الكربوهيدرات بثبات أكبر من بقية المغذيات الكبرى. وهذا يتفق مع الآلية. فالأرز والخبز والبطاطس لها حجم مرئي. أما الزبدة في الصلصة، والقشدة في البيض، والدهن داخل شريحة الريب آي، فلا.

إذا كنت تتبع نظام الكيتو، فراجع سطر الدهون في كل تسجيل بالصورة بدلًا من مجموع السعرات. وإذا بدت الدهون منخفضة مقارنة بما طبخته، فأضف الزبدة أو الزيت أو الجبن بنفسك. لا يوجد بعد رقم منشور يقيس فجوة الكيتو. وهذا الجزء من عمل NIH نتيجة مؤتمر أولية، وليس ورقة محكّمة.

السبب 5: مطابخ رأتها النماذج أقل أثناء التدريب

تُدرَّب نماذج الذكاء الاصطناعي الخاصة بالطعام في الغالب على مجموعات صور من بلدان معينة، لذا قد يضعف أداؤها مع أطباق رأتها أقل. تشير مراجعة استطلاعية من عام 2025 في مجلة Frontiers in Nutrition إلى أن كثيرًا من مجموعات صور الطعام تتركز على بلدان أو ثقافات بعينها، ما قد يجعل أنظمة الذكاء الاصطناعي أضعف أداءً مع أطعمة المناطق الأقل تمثيلًا.

واختبرت دراسة من عام 2024 في مجلة Nutrients أجراها Li وزملاؤه ذلك مباشرة. فشلت تطبيقات الصور بالذكاء الاصطناعي في التعرف على مكونات فو اللحم البقري وشاي الفقاعات، وقدّرت طاقتهما بأقل من الحقيقة بنسبة تصل إلى 76%. وفي البيبيمباب، الذي يضم ستة مكونات، تعرّف Foodvisor وFastic على 3 و4 منها. وانحرفت تطبيقات التسجيل اليدوي أيضًا: مقارنة بسجلات الطعام المرجعية، بالغت في تقدير نظام غذائي غربي بمقدار 1,040 كيلوجول (نحو 250 سعرة)، وقلّلت تقدير نظام غذائي آسيوي بمقدار 1,520 كيلوجول (نحو 363 سعرة).

وقالت جوليانا تشين (Juliana Chen)، اختصاصية التغذية في جامعة سيدني وإحدى مؤلفات الدراسة، لموقع Nutrition Insight: «يجب أن يدرك المستخدمون أنه رغم أن التعرف على صور الطعام بالذكاء الاصطناعي قد يبسّط تسجيل الوجبات، فإنه قد لا يكون دقيقًا دائمًا، خاصة مع الأطباق المعقدة أو الخاصة بثقافة معينة» (ترجمتنا).

الحل أن تكتب الاسم الحقيقي للطبق ومكوناته الرئيسية. ويوضح دليل الطعام الهندي كيف تفعل ذلك.

السبب 6: لماذا تبدو العروض أدق من الاستخدام اليومي

تعرض العروض التسويقية الحالة السهلة: طعام واحد، منفصل بوضوح، في إضاءة جيدة. موزة أو شريحة بيتزا أو شريحة لحم مع بطاطس مقلية في طبق تُصوَّر جيدًا وتُقدَّر جيدًا. أما طبق مقلي مساء الثلاثاء يؤكل من وعاء تحت إضاءة المطبخ، فلا. والدراسات أعلاه اختبرت وجبات كاملة، كثير منها مخلوط أو منزلي، وهذا أحد أسباب أن أرقامها تبدو أسوأ من فيديوهات التطبيقات نفسها.

كما تُحرَّر فيديوهات العروض لتبدو سلسة، أحيانًا لأسباب لا علاقة لها بالدقة. في ملخص نشرته RevenueCat عن بودكاست Sub Club (14 أكتوبر 2026)، يصف جيك كاستيو (Jake Castillo)، الشريك المؤسس لـCal AI، «اللحظة السحرية» للمسح أمام الكاميرا. ويوضح الملخص أن نافذة منبثقة خاصة بسلسلة الأيام كانت تظهر بعد أول مسح في اليوم وتكسر ذلك الإيقاع، لذلك كانت الشركة تحرص على ألا يعرض مؤثروها أول مسح لهم في اليوم. السبب المذكور هو النافذة المنبثقة لا الدقة. لكن الدرس بالنسبة لك واحد: فيديو صانع المحتوى يعرض أفضل الحالات.

احكم على أي تطبيق، بما فيه تطبيقنا، من خلال وجباتك المخلوطة والمنزلية أنت.

الحل: أعطِ الذكاء الاصطناعي ما لا تُظهره الصورة

إخبار الذكاء الاصطناعي بمحتوى الوجبة يقلّص خطأه إلى النصف تقريبًا، وفق دراسة من عام 2025 على ChatGPT-5. اختبر Rodríguez-Jiménez وزملاؤه (Nutrients، 2025، 17(22):3613) 195 طبقًا من ثلاثة مصادر، وأعطوا النموذج سياقًا أكثر في كل خطوة.

Feature	خطأ السعرات (MAPE)	متوسط الانحراف
الصورة وحدها	30.5%	نحو 123 سعرة
الصورة مع وصف قصير (نوع الدهون وكميتها، ودسم الألبان، ونوع اللحم)	24.4%	نحو 92 سعرة
الصورة مع قائمة المكونات وكمياتها	13.9%	نحو 53 سعرة
قائمة المكونات وحدها دون صورة	18.1%	نحو 67 سعرة

يبرز أمران. إضافة الدهون والتفاصيل الأخرى التي لا تراها الكاميرا خفّضت الخطأ بنحو الخُمس، وقائمة المكونات الكاملة خفّضته بأكثر من النصف. وظلت الصورة مفيدة: فقائمة المكونات وحدها كانت أسوأ من الصورة مع القائمة. ويكتب المؤلفون أن الدقة تحسنت باستمرار عندما استُكملت المعلومات البصرية بمعلومات غير بصرية.

ويخلص فريق NIH إلى الدرس نفسه. وقال هينغيست بحسب HealthDay: «من يستخدم تطبيق تتبّع بالصورة دون تعديل الحصص أو إدخال كميات الطعام ينبغي أن يأخذ النتائج بحذر» (ترجمتنا).

كيف صُمّم Callie حول هذا الحل

لا يسجّل Callie مسح الصورة تلقائيًا أبدًا، لأن خطوة التصحيح هي مصدر معظم الدقة. بعد المسح، تعرض شاشة مراجعة كل طعام مع حصته وسعراته ومغذياته الكبرى. يمكنك تعديل أي منها، أو إضافة الزيت أو الزبدة، أو حذف ما أخطأ الذكاء الاصطناعي في التعرف عليه، ولا يصل شيء إلى سجلك قبل أن تؤكد.

وتستخدم تقديرات الحصص في Callie أيضًا بيانات العمق والكاميرا الوصفية التي يخزّنها هاتفك في الصورة الأصلية، بدلًا من الحكم على المقياس من صورة مسطحة وحدها. وهذا يساعد في السبب 2، لكن فقط إذا كانت البيانات الوصفية موجودة. لقطات الشاشة والصور المعاد إرسالها عبر تطبيقات المراسلة تفقدها عادةً، لذا التقط صورة جديدة داخل التطبيق أو اختر الأصلية من ألبوم الصور.

لا ترى أيٌّ من الميزتين الزيت داخل الطعام. العمق يساعد في معرفة كمية ما في الطبق، وشاشة المراجعة هي المكان الذي تضيف فيه ما دخل المقلاة. في اختبارنا الخاص على 20 وجبة، بلغ متوسط خطأ Callie نسبة 13% وCal AI نسبة 17%. هذا اختبارنا نحن، وليس اختبارًا مستقلًا. ويشرح دليل تتبّع السعرات بالصورة الطريقة كاملة.

خمسة تصحيحات تنجح في أي تطبيق

تقلّص هذه العادات أكبر الأخطاء في أي متتبّع بالصورة، لا في تطبيقنا وحده. كل واحدة منها تستهدف سببًا من الأسباب أعلاه.

1. سجّل الزيت وحده. أضف «ملعقة كبيرة زيت زيتون» (119 سعرة، USDA) في سطر مستقل لأي طبق مقلي أو مُشوّح في البيت. وافعل الشيء نفسه مع الزبدة والسمن والتتبيلة.
2. ازن الأطعمة الغنية بالسعرات مرة واحدة. ازن حصتك المعتادة من الزيت وزبدة الفول السوداني والجبن والغرانولا والأرز والمعكرونة مرة أو مرتين. بعدها ستعرف شكل 30 غرامًا من الجبن، وتستطيع تصحيح التقدير بالعين.
3. صوّر قبل الخلط. صوّر الأرز والكاري والإضافات قبل خلطها، أو سجّلها كأطعمة منفصلة.
4. أضف وصفًا قصيرًا. عبارة مثل «فخذ دجاج بالجلد، مقلي في ملعقتين صغيرتين من الزبدة» تعطي الذكاء الاصطناعي نوع الدهون وكميتها، وهو نوع التفاصيل الذي نقل ChatGPT-5 من خطأ 30.5% إلى 24.4%.
5. التقط صورتين. واحدة بزاوية 45 درجة تقريبًا مع شوكة أو يد للمقارنة بالحجم، وأخرى من الأعلى مباشرة. الصورة المائلة تُظهر الارتفاع، والصورة العلوية تُظهر كل ما في الطبق.

ثم راقب اتجاه وزنك. إذا قالت تسجيلات ثلاثة أسابيع إنك في عجز ولم يتحرك الميزان، فتسجيلاتك على الأرجح أقل من الحقيقة.

متى لا يكفي تطبيق الصور

لبعض الأهداف، يظل تقدير الصورة تقريبيًا أكثر من اللازم حتى بعد التصحيح، ويكون الميزان أو المتتبّع القائم على قاعدة بيانات أداة أفضل. إذا كنت تستعد لمنافسة، أو تحسب الكربوهيدرات لجرعات الإنسولين، أو تتبع نظامًا غذائيًا طبيًا، فأنت بحاجة إلى أرقام أدق مما يقدّمه أي تطبيق صور حاليًا. ويشرح دليلنا حول هل تحتاج إلى ميزان طعام مع متتبّع بالذكاء الاصطناعي متى يستحق الوزن العناء.

إذا كنت تأكل في الغالب أطعمة معلّبة، فمسح الباركود مع قاعدة بيانات موثّقة أدق من الصورة. وإذا كنت تفضّل الاستغناء عن الذكاء الاصطناعي، فقائمتنا لمتتبّعات السعرات دون ذكاء اصطناعي تضم خيارات تعتمد على الإدخال اليدوي مثل Cronometer وMyFitnessPal.

يناسبك التسجيل بالصورة إذا كنت تأكل كثيرًا من الطعام المنزلي أو طعام المطاعم، وتريد التسجيل في ثوانٍ، ومستعدًا لتصحيح التقدير قبل حفظه.

قراءات ذات صلة

• أبحاث دقة السعرات بالذكاء الاصطناعي، كل الدراسات في مكان واحد.
• تطبيقات السعرات بالذكاء الاصطناعي تقلّل تقدير الوجبات حتى 345 سعرة، تحليلنا لملخص NIH.
• هل Cal AI دقيق؟، مراجعة خاصة بهذا التطبيق.
• السعرات الخفية في الزيت والزبدة والصلصات، مع قيم USDA لكل ملعقة كبيرة.

المصادر

1. Charles O, Hengist A et al. (2026). دراسة عن تطبيقات السعرات بالصورة، عُرضت في مؤتمر NUTRITION 2026، الجمعية الأمريكية للتغذية، 25 يوليو 2026. ملخص مؤتمر غير محكّم. بيان NIDDK/ASN عبر EurekAlert!: https://www.eurekalert.org/news-releases/1136415
2. HealthDay (27 يوليو 2026). «How Accurate Are Photo-Based Calorie Apps? 4 Are Put To The Test.» https://www.healthday.com/health-news/nutrition/how-accurate-are-photo-based-calorie-apps-4-are-put-to-the-test
3. Nutritional Outlook (30 يوليو 2026). «Study finds popular AI calorie tracking apps underestimate meal energy by about a third.» https://www.nutritionaloutlook.com/view/study-finds-popular-ai-calorie-tracking-apps-underestimate-meal-energy-by-about-a-third
4. Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I (2025). «Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios.» Nutrients 17(22):3613. https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/
5. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S (2025). «Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images.» Current Developments in Nutrition 9(10):107556. https://pmc.ncbi.nlm.nih.gov/articles/PMC12513282/
6. O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM (2025). «An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs.» Nutrients 17(4):607. https://pmc.ncbi.nlm.nih.gov/articles/PMC11858203/
7. Li X, Yin A, Choi HY, Chan V, Allman-Farinelli M, Chen J (2024). «Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care.» Nutrients 16(15):2573. https://pmc.ncbi.nlm.nih.gov/articles/PMC11314244/
8. Nutrition Insight (5 سبتمبر 2024). «Non-Western diets harder to track using AI-powered health apps, expert warns.» https://www.nutritioninsight.com/news/non-western-diets-harder-to-track-using-ai-powered-health-apps-expert-warns.html
9. Rouhafzay A, Rouhafzay G, Jbilou J (2025). «Image-based food monitoring and dietary management for patients living with diabetes: a scoping review of calorie counting applications.» Frontiers in Nutrition 12. https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2025.1501946/full
10. RevenueCat، David Barnard (14 أكتوبر 2026). «Cal AI paid UFC creators thousands of dollars to post, and got no download spike at all.» ملخص بودكاست Sub Club. https://www.revenuecat.com/blog/growth/jake-castillo-cal-ai-sub-club-podcast-2026.md
11. USDA FoodData Central، SR Legacy: «Oil, olive, salad or cooking» (FDC 171413)، «Butter, salted» (FDC 173410)، «Butter oil, anhydrous» (FDC 173412). تاريخ الاطلاع 20 أكتوبر 2026. https://fdc.nal.usda.gov/
12. اختبار Callie الداخلي على 20 وجبة موزونة بميزان المطبخ (مايو 2026). المنهجية: https://www.mycallie.app/en/compare/callie-vs-cal-ai