الدقة
هل يستطيع ChatGPT حساب السعرات من صورة؟ ماذا وجدت الدراسات
يستطيع ChatGPT تقدير السعرات من صورة الطعام، لكن الاختبارات المنشورة وجدت متوسط خطأ بين 30 و36%. ما تقوله الأبحاث، وصياغة أفضل للطلب، وما يضيفه التطبيق.
بقلم فريق Calorix, Invikta مدة القراءة: 4 د
نعم، بشكل تقريبي: يستطيع ChatGPT تقدير السعرات في صورة طعام، لكن الاختبارات المنشورة وجدت أخطاء كبيرة. ففي دراسة أُجريت عام 2025 على 52 صورة طعام، أخطأ ChatGPT-4o وClaude 3.5 Sonnet في السعرات بنسبة 35.8% في المتوسط، وزاد نقص تقديرهما كلما كبرت الحصص؛ وفي دراسة أخرى عام 2025، أدى إخبار ChatGPT بدهون الطهي وكميات المكونات إلى خفض متوسط خطئه من 31% إلى 14%. وعلى عكس تطبيقات السعرات، لم يُصمَّم ChatGPT للاحتفاظ بسجل يومي مع أهداف، أو البحث عن الأطعمة المعبأة بالرمز الشريطي، أو المزامنة مع تطبيق صحتي.
يكفي سؤال ChatGPT عن عدد السعرات في صورة عشائك ليعطيك رقمًا في ثوانٍ، غالبًا مع تفصيل يبدو واثقًا. وهذا يجعله مغريًا كحاسبة سعرات مجانية. وقد اختبر الباحثون هذا الأمر تحديدًا، ونتائجهم مفيدة سواء كانت الأداة المستخدمة ChatGPT أو نموذج ذكاء اصطناعي آخر أو تطبيقًا لحساب السعرات.
ماذا وجدت الدراسات
| الدراسة | النموذج | ما الذي اختُبر | خطأ السعرات |
|---|---|---|---|
| Fridolfsson وزملاؤه، 2025 | ChatGPT-4o وClaude 3.5 Sonnet وGemini 1.5 Pro | 52 صورة موحّدة لأطعمة موزونة | 35.8% و35.8% و64.2% في المتوسط |
| O’Hara وزملاؤه، 2025 | ChatGPT-4 | 114 صورة: 38 وجبة بـ3 أحجام للحصص | تعرّف على 93% من الأطعمة؛ قدّر أوزان الوجبات المتوسطة والكبيرة بأقل من حقيقتها |
| Rodríguez-Jiménez وزملاؤه، 2025 | ChatGPT-5 | 195 طبقًا، مع تفاصيل إضافية ودونها | 30.5% من الصورة وحدها؛ 24.4% مع تفاصيل الدهون والمُحلّي؛ 13.9% مع كميات المكونات |
| Cinar وزملاؤه، 2026 (دراسة تجريبية) | ChatGPT-4o | 9 أطباق بسيطة ومركّبة | حتى 54.4% في السعرات للأطباق المركّبة |
نماذج الذكاء الاصطناعي العامة تخطئ بنحو الثلث
يأتي الاختبار الأكثر مباشرة من دراسة أُجريت عام 2025 أعطت ثلاثة نماذج ذكاء اصطناعي 52 صورة موحّدة لأطعمة مفردة ووجبات معروفة الوزن. فأخطأ ChatGPT-4o وClaude 3.5 Sonnet في السعرات بنسبة 35.8% في المتوسط، وGemini 1.5 Pro بنسبة 64.2%. وزاد نقص تقدير النماذج الثلاثة كلما كبرت الحصص: فكانت الأخطاء في الحصص الصغيرة أقل بنحو 20 إلى 30% منها في الحصص الكبيرة.
بارع في تسمية الأطعمة، أضعف في الكميات
وجدت دراسة أُجريت عام 2025 على ChatGPT-4 باستخدام 114 صورة لوجبات، عُرضت فيها كل وجبة من 38 وجبة بثلاثة أحجام للحصص، أنه تعرّف على الأطعمة جيدًا، بدقة بلغت 93%. أما المشكلة فكانت في الكميات: فالوجبات الكبيرة التي بلغ وزنها 798 غ في المتوسط قُدّرت بـ530 غ، وقُدّرت الوجبات المتوسطة أيضًا بأقل من حقيقتها، بينما جاءت تقديرات الوجبات الصغيرة قريبة. واختلفت تقديراته اختلافًا ذا دلالة إحصائية عن القيم الحقيقية في 10 من أصل 16 عنصرًا غذائيًا شملتها الدراسة. وتجدر الإشارة إلى نقطة لصالح ChatGPT: ففي السعرات تحديدًا، كان الوسيط في تقديراته قريبًا من الوسيط الحقيقي في تلك الدراسة.
التفاصيل تصنع فرقًا كبيرًا
أقوى دليل على أن المستخدم قادر على تحسين النتيجة يأتي من دراسة أُجريت عام 2025 على ChatGPT-5 شملت 195 طبقًا. فمن الصورة وحدها، ابتعدت تقديراته للسعرات عن الواقع بنسبة 30.5% في المتوسط (123 kcal). وعند إخباره بنوع الدهون وكميتها، والمُحلّي، ونسبة الدسم في منتجات الألبان، ونوع اللحم، انخفض الخطأ إلى 24.4% (92 kcal). ومع قائمة المكونات وكمياتها، انخفض إلى 13.9% (53 kcal). وتشير دراسة تجريبية صغيرة عام 2026 على ChatGPT-4o شملت تسعة أطباق إلى الاتجاه نفسه: إذ بلغت الأخطاء 54.4% في السعرات و76.5% في الدهون في الأطباق المركّبة ذات الدهون الخفية، وجعلت إضافة التفاصيل تقديراته أكثر اتساقًا بكثير. ومع تسعة أطباق فقط، ينبغي اعتبار نسبة 54% أسوأ حالة لا متوسطًا.
نتائج أخرى جديرة بالمعرفة
- البشر ما زالوا أفضل. في اختبار أُجري عام 2026 على 40 نموذجًا للذكاء الاصطناعي، قدّر اختصاصيو التغذية المحترفون العناصر الغذائية بدقة أكبر من كل النماذج، ولم تساعد الصور الملتقطة من عدة زوايا النماذجَ على التحسن.
- الذكاء الاصطناعي قد يختلق أشياء. وجد باحثون بنوا أداة غذائية على GPT-4o أن GPT-4o العادي تعرّف على 59% من الأطعمة من الصور وحدها، وحذّروا من «الهلوسات (عناصر أو وحدات أو كميات مختلقة)» (AJCN، 2025).
- الأطعمة المكتوبة أسهل من الصور. عندما أُعطيت نماذج الذكاء الاصطناعي أسماء الأطعمة نصًا بدلًا من الصور، جاءت تقديراتها للطاقة متوافقة جيدًا مع قواعد بيانات العناصر الغذائية، وكان التفاوت الأكبر في الأطباق المختلطة والصلصات والتوابل (Journal of Nutrition، 2026).
لماذا يخطئ ChatGPT مع الصور
الأمور الثلاثة نفسها تُربك ChatGPT وتطبيقات حساب السعرات بالصور:
- حجم الحصة. الصورة مسطحة، لذا يصعب الحكم على عمق وعاء المعكرونة أو الأرز، ولهذا تُقدَّر الحصص الكبيرة بأقل من حقيقتها.
- الدهون الخفية. الزيت الذي تشرّبته الخضار أو الزبدة الذائبة في الصلصة بالكاد يظهران. وتحتوي ملعقة كبيرة واحدة من زيت الزيتون على 119 kcal، بحسب قاعدة بيانات FoodData Central التابعة لوزارة الزراعة الأمريكية (USDA).
- الأطباق المختلطة. في الكاري أو البوريتو أو الصينية المخبوزة، على الذكاء الاصطناعي أن يخمّن الوصفة إلى جانب الكمية.
والتطبيقات المتخصصة ليست بمنأى عن ذلك: ففي اختبار أولي للمعاهد الوطنية الأمريكية للصحة (NIH) عام 2026، قدّرت ميزات التصوير في MyFitnessPal وLose It! وCal AI وAppediet سعرات وجبات موزونة بأقل من حقيقتها بفارق يتراوح من 252 إلى 345 kcal في المتوسط، أي نحو الثلث. وتتناول مراجعتنا لتطبيقات حساب السعرات بالصور تلك الدراسة وادعاءات الدقة لكل تطبيق.
ChatGPT مقابل تطبيق السعرات
| المهمة | ChatGPT | تطبيق لتتبّع السعرات |
|---|---|---|
| تقدير وجبة من صورة أو وصف | نعم | نعم |
| سجل يومي بأهداف للسعرات والمغذيات الكبرى | غير مدمج | نعم |
| الأطعمة المعبأة بالرمز الشريطي | لا بحث في قاعدة بيانات | نعم، من قاعدة بيانات أطعمة |
| تصحيح مكوّن واحد مع بقاء المجموع صحيحًا | بإعادة السؤال | تعديل السطر، فيتحدّث المجموع |
| الاتجاهات الأسبوعية وسلسلة الأيام والتذكيرات | لا | نعم |
| تطبيق صحتي والأدوات على الشاشة | لا | نعم، في معظم تطبيقات iPhone |
| الأنسب لـ | الأسئلة العابرة والوصفات والتخطيط | التسجيل كل يوم |
التقدير نفسه ليس سحرًا في الحالتين: فكثير من تطبيقات السعرات، ومنها Calorix، تستخدم نماذج ذكاء اصطناعي كبيرة لقراءة الصور. والفرق فيما يحيط بالتقدير. ففي Calorix، تظهر نتيجة الصورة على شكل قائمة مكوّنات بالغرامات مع شارة ثقة، ويمكن تصحيحها، وتغطي الرموز الشريطية وبطاقات القيم الغذائية الأطعمة المعبأة، ويُسجَّل كل شيء في سجل مرتبط بأهدافك.
كيفية الحصول على تقديرات أفضل من ChatGPT أو أي ذكاء اصطناعي
تقول الأبحاث إن أكبر تحسّن يأتي من إخبار الذكاء الاصطناعي بما لا تُظهره الصورة. وطلب كهذا يعطي نتيجة أفضل من الصورة وحدها:
قدّر السعرات والبروتين والكربوهيدرات والدهون في هذه الصورة. فيها نحو 180 غ من الأرز المطبوخ، و150 غ من فخذ الدجاج المشوي، وخضار محمّصة مطهوّة في نحو ملعقة كبيرة واحدة من زيت الزيتون. اذكر كل مكوّن مع الكمية والسعرات التي افترضتها، ثم المجموع.
- ذكر الأوزان أو الأحجام عند معرفتها: الغرامات من الميزان، «طبق عشاء ممتلئ»، «نصف كوب».
- تحديد دهون الطهي وكميتها: زيت، زبدة، سمن، كريمة.
- ذكر الصلصات والتتبيلات والمشروبات، فالصور تفوّتها.
- طلب تفصيل لكل مكوّن مع افتراضاته، لمعرفة أين خمّن.
- التصوير بزاوية 45 درجة مع ظهور الطبق كاملًا في الإطار، بدلًا من التصوير من الأعلى مباشرة.
- الاعتماد على بطاقة القيم الغذائية للأطعمة المعبأة. فالقيم المطبوعة أفضل من أي تقدير.
الخلاصة
يستطيع ChatGPT حساب السعرات من صورة بما يكفي لفكرة تقريبية، وبشكل أفضل بكثير عند إعطائه الكميات ودهون الطهي. أما للتتبع يومًا بعد يوم، فيضيف تطبيق السعرات ما لم يُصمَّم ChatGPT له: سجل مرتبط بالأهداف، ومسح الرموز الشريطية، وتصحيحات سريعة، ومتابعة الاتجاهات. وأيًّا كانت الأداة، فالأفضل اعتبار تقدير الصورة مسودة أولى. ولمن يريد هدفًا يسجّل على أساسه، فنقطة البداية هي حاسبة السعرات الحرارية اليومية (TDEE) لدينا.
الأسئلة الشائعة
هل يستطيع ChatGPT حساب السعرات من صورة؟
يستطيع تقديم تقدير. ففي الاختبارات المنشورة، تعرّف ChatGPT على معظم الأطعمة في صور الوجبات، لكن تقديراته للسعرات ابتعدت عن الواقع بنحو 30 إلى 36% في المتوسط، ومال إلى تقدير الحصص الكبيرة بأقل من حقيقتها. وإضافة تفاصيل مثل دهون الطهي وأوزان المكونات تجعل تقديراته أقرب إلى الواقع بكثير.
ما مدى دقة ChatGPT في حساب السعرات؟
في دراسة أُجريت عام 2025 على 52 صورة طعام موحّدة، ابتعدت تقديرات ChatGPT-4o للسعرات عن الواقع بنسبة 35.8% في المتوسط، وهي النسبة نفسها لدى Claude 3.5 Sonnet، بينما بلغ خطأ Gemini 1.5 Pro نسبة 64.2%. ووجدت دراسة أخرى عام 2025 على ChatGPT-5 شملت 195 طبقًا خطأً بنسبة 30.5% من الصورة وحدها، انخفض إلى 13.9% عند إعطائه كميات المكونات.
هل ChatGPT أفضل من تطبيق حساب السعرات؟
لكلٍّ منهما دور مختلف. ChatGPT مرن للأسئلة العابرة. أما تطبيق السعرات فيحتفظ بسجل يومي مقارنةً بأهدافك، ويقرأ الرموز الشريطية وبطاقات القيم الغذائية للأطعمة المعبأة، ويتيح تصحيح كل مكوّن، ويعرض اتجاهاتك على مدى أسابيع. وتقديرات الصور في التطبيقات تأتي منخفضة أيضًا: ففي اختبار أولي للمعاهد الوطنية الأمريكية للصحة (NIH) عام 2026، قدّرت أربعة تطبيقات سعرات وجبات موزونة بأقل من حقيقتها بنحو الثلث.
كيف أصوغ طلبًا جيدًا لـ ChatGPT لحساب السعرات؟
الطلب الجيد يعطيه ما لا تُظهره الصورة: وزن كل حصة أو حجمها، وطريقة طهي الطعام وكمية الزيت أو الزبدة، والصلصات والمشروبات، ويطلب منه تفصيلًا لكل مكوّن مع الافتراضات التي اعتمدها. وبعدها، من الأفضل التحقق شخصيًا من أكبر العناصر.
هل يستطيع ChatGPT تتبّع سعراتي كل يوم؟
يمكن الاستمرار في محادثة واحدة معه، لكن ChatGPT لم يُصمَّم ليكون سجل طعام: فهو لا يحتفظ بأهداف ومجاميع يومية، ولا يبحث عن الأطعمة المعبأة بالرمز الشريطي، ولا يتزامن مع تطبيق صحتي، ولا يعرض الاتجاهات الأسبوعية. وهذا بالضبط دور تطبيق تتبّع السعرات.
هل Cal AI أدق من ChatGPT؟
لم تقارن أي دراسة بينهما مباشرة، لذا لا يمكننا الجزم. وفي اختبار NIH الذي عُرض في يوليو 2026، قدّرت ميزة التصوير في Cal AI سعرات وجبات موزونة بأقل من حقيقتها بمقدار 345 kcal في المتوسط؛ ولم يكن ChatGPT جزءًا من ذلك الاختبار، واستخدمت دراسات ChatGPT وجبات وأساليب مختلفة.
المصادر
- 1 Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Current Developments in Nutrition, 2025.
- 2 O’Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients, 2025.
- 3 Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, et al. Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios. Nutrients, 2025.
- 4 Cinar EN, Özler E, Arslan S, Yilmaz S. Image-based nutritional assessment: Evaluating the performance of ChatGPT-4o on simple and complex meals. Journal of Food Composition and Analysis, 2026.
- 5 Vedovelli L, Pugnaloni S, Lanera C, et al. Model architecture dominates nutritional estimation accuracy in vision-language systems. Scientific Reports, 2026.
- 6 Chen YJ, Chang CC, Hoang YN, et al. Customized multimodal Diabot-GPT-4o enhances accuracy of image-based dietary assessments in dietetic trainees in Taiwan: validation against weighed food records. American Journal of Clinical Nutrition, 2025.
- 7 Lawabni R, Solano OR, Kampen LL, et al. Evaluation of Energy and Nutrient Estimates from Large Language Models Using Text-Based Queries. Journal of Nutrition, 2026.
- 8 Charles O, Flacke EU, Turner S, et al. Photograph-Based AI Features in Calorie-Tracking Apps Underestimate Energy Content of Meals (NUTRITION 2026 abstract). Current Developments in Nutrition, 2026.
- 9 Oil, olive, salad or cooking. USDA FoodData Central (SR Legacy), 2019.
