هل يحسب ChatGPT السعرات من صورة؟

نعم، يحسب ChatGPT السعرات من صورة، وكثيرًا ما يسمّي الأطعمة تسمية صحيحة. في اختبار محكّم، حدّد GPT-4 الأطعمة في صور وجبات حقيقية بدقة 93.0% واسترجاع 84.6%، أي درجة F1 تساوي 88.6% (O'Hara et al. 2025, Nutrients). أما ما يتعثر فيه فهو الرقم المرتبط بالطعام: حجم الحصة والدهون المخفية وتكرار الجواب نفسه. وللاطلاع على المسار الكامل وراء هذه الأرقام، اقرأ كيف تعمل مراحل تحليل الصورة الثلاث وراء هذه التقديرات.

هل يحسب ChatGPT السعرات من صورة الوجبة أصلًا؟

يستطيع ChatGPT ذلك فعلًا، فإذا أرسلت له صورة طبق سمّى الصنف وذكر مكوّنات تقريبية وقدّم تقديرًا للسعرات والعناصر الكبرى. ينجح هذا الجزء لأن نماذج الرؤية بارعة في التعرف على الطعام.

المهمة الأصعب ليست تسمية الأرز والدجاج. إنها وزنهما من صورة مسطحة بلا ميزان ولا مستشعر عمق، ولا معرفة بكمية الزيت في المقلاة. هنا يبدأ الرقم بالابتعاد عن الواقع.

ما مقدار خطأ تقدير ChatGPT وفق الدراسات المنشورة؟

تعطي الأبحاث المنشورة جوابًا محددًا بدل التخمين. في دراسة شملت 114 صورة، قلّل ChatGPT-4 من الوزن الكلي للوجبة في 76.3% من الصور، أي 87 صورة من 114 (O'Hara et al. 2025, Nutrients).

وعلى مستوى الصور الـ 114 مجتمعةً، بلغ متوسط الفرق المئوي المطلق بين الوزن الذي قدّره ChatGPT والوزن المقيس 27.8% بانحراف معياري 18.5%. هذا الرقم الواحد يخلط كل أحجام الحصص معًا.

وعند تقسيمها بحسب الحجم يتضح النمط. لم تختلف الحصص الصغيرة اختلافًا معنويًا عن الوزن المقيس (p=0.221). أما الحصص المتوسطة والكبيرة فقد قُلّل من وزنها تقليلًا معنويًا (p<0.001)، مع أن الورقة لا تذكر نسبة خطأ متوسطة منفصلة لكل فئة حجم.

بلغ الاتفاق مع تقديرات اختصاصيي التغذية، مقيسًا بمعامل الارتباط داخل الفئة، 0.56 للطاقة، وهو نطاق تصفه الدراسة بأنه ضعيف إلى متوسط. وكان البروتين أفضل قليلًا عند 0.67، أي متوسط إلى جيد، بينما لم يتجاوز الاتفاق في الكربوهيدرات 0.31، وهو ضعيف.

واختبرت دراسة أخرى على وجبات مستشفى عشرة نماذج: ثلاثة نماذج متعددة الوسائط عامة وسبعة تطبيقات غذائية متخصصة. وفي النماذج الثلاثة الأفضل أداءً، ومنها GPT-4o، تراوح الارتباط مع اختصاصيي التغذية بين 0.82 و0.89 للطاقة، وبين 0.41 و0.48 فقط للدهون (Isobe et al. 2026, Nutrients). تبدو الطاقة مقبولة في المتوسط، أما العناصر المفردة فلا.

وضع أرقام الدراسات جنبًا إلى جنب يكشف نمطًا لا تذكره أي منها منفردة.

تحديد الطعام هو أقوى حلقة في السلسلة. أما حجم الحصة ومحتوى الدهون فهما الأضعف، وتحتهما كلها مسألة تكرار النتيجة.

لماذا يقلّل ChatGPT من تقدير الحصص الكبيرة؟

يرتبط تقليل ChatGPT من تقدير الوزن بحجم الحصة ولا يحدث عشوائيًا. فعبر الصور الـ 114 بلغ متوسط الخطأ المطلق في الوزن 27.8% ± 18.5%، لكن هذا الرقم يشمل كل الأطباق معًا ولا يخص حجمًا بعينه.

وبحسب فئة الحجم، لم تختلف الحصص الصغيرة إحصائيًا عن الوزن المقيس (p=0.221). أما الحصص المتوسطة والكبيرة فقد قُلّل من وزنها تقليلًا معنويًا (p<0.001) (O'Hara et al. 2025, Nutrients).

النموذج الذي يقرأ صورة مسطحة لا يملك مسطرة ولا معلومات عمق. كومة صغيرة من الطعام تبدو قريبة من حقيقتها. أما الطبق الكبير أو العالي أو المتعدد الطبقات فيُضغط بصريًا، ويبدو أن النموذج يخمّن تخمينًا متحفظًا بدل المجازفة برقم مرتفع جدًا.

معنى ذلك أن الخطأ لا يتوزع بالتساوي على أسبوعك. قد يعطي طبق شوربة واحد رقمًا قريبًا، بينما يكون طبق العشاء المكدّس هو الأرجح أن يُحسب أقل مما فيه.

لماذا تكون الدهون أكثر ما يخطئ فيه ChatGPT؟

تختفي الزيوت والزبدة والصلصات في لمعان سطح الطبق، ولا تُظهر الصورة كمية ما دخل المقلاة. وجدت دراسة وجبات المستشفى أن الدهون قُدّرت بزيادة تراوحت بين 33.8% و52.3% عبر النماذج، وهو انحياز معنوي إحصائيًا (p<0.01) (Isobe et al. 2026, Nutrients).

وتحكي الدقة ضمن ±10% من القيمة المقيسة القصة نفسها من زاوية أخرى: من 46.7% إلى 73.3% من الوجبات في الطاقة، ومن 6.7% إلى 33.3% فقط في الدهون.

هذه آلية وليست عيبًا في الحكم. يستطيع النموذج أن يرى اللمعان فيستنتج أن الطعام مدهون، لكنه لا يرى الملعقة الكبيرة التي أنتجته. ويمكنك حساب سعرات الزيت والصلصات التي لا تظهرها الصورة بواسطة حاسبة سعرات زيت الطهي المجانية، فهي تبدأ مما وُضع فعلًا في المقلاة لا من مدى لمعان الطبق.

هل يعطي ChatGPT الجواب نفسه إذا سألته مرتين؟

ليس بالضرورة، وهذا أهم من أي رقم خطأ منفرد. أجرت دراسة عام 2026 صُمّمت لاختبار ذلك صور الوجبة نفسها على نماذج لغوية كبيرة 60 مرة لكل صورة، ثم قارنت مقدار تباين التنبؤات داخل الصورة الواحدة بتباينها بين صور مختلفة للوجبة نفسها (Wang, Lane & Waki 2026, JMIR Diabetes).

بنى الباحثون هذه الطريقة لأن تكرار السؤال على صورة واحدة لا يتقارب إلى رقم ثابت. وتؤكد دراسة O'Hara الفجوة من الجانب الآخر، إذ تذكر صراحةً أن اختبار قابلية تكرار النتائج خارج نطاقها (O'Hara et al. 2025, Nutrients).

لفضول عابر، لا يكاد هذا التباين يُلاحَظ. أما في التتبع اليومي، حيث تريد أن يعني رقم اليوم ما عناه رقم الأمس، فهو مشكلة حقيقية. ولتعرف كيف تضبط حسابك بوسائل أخرى، اقرأ كيف تحسب السعرات الحرارية بدقة.

ما الذي يقدّمه تطبيق التتبع ولا يقدّمه ChatGPT؟

نافذة المحادثة تجيب عن سؤال واحد ثم تنساه. لا سجل فيها ولا تاريخ، ولا شيء تعدّله قبل أن يُحفظ الرقم في مكان دائم.

يعتمد Avocalo على النوع نفسه من قراءة نموذج الرؤية للصورة، ولا يدّعي دقة تتجاوز ما تُظهره الدراسات أعلاه للطريقة الأساسية. والفرق فيما يحدث بعد ظهور التقدير: يمكنك مراجعته وتعديله قبل حفظه، ويبقى في سجل مستمر بدل أن يختفي بنهاية المحادثة. يمكنك تسجيل صورة وجبتك ثم تعديلها وحفظها في سجل متتابع داخل التطبيق.

وللسياق العام، أطلقت MyFitnessPal في يناير 2026 تطبيقًا داخل تجربة ChatGPT Health الجديدة، يقدّم إرشادات العناصر الكبرى وأهدافًا مخصصة ودعمًا لإدارة الوزن ووصفات من قاعدة بيانات الأغذية الخاصة بها (بيان MyFitnessPal الصحفي). هذا بحث في قاعدة بيانات للإرشاد وليس ميزة تقدير من الصورة، ولا يغيّر شيئًا من الأرقام أعلاه.

فهل تستخدم ChatGPT لحساب السعرات؟

استخدمه لتقدير تقريبي لمرة واحدة، خصوصًا مع طبق فيه صنف أو صنفان ظاهران ولا صلصة مخفية. تشير نسب الخطأ المنشورة إلى أن هذه هي الحالة التي يصمد فيها أكثر.

كن أكثر تشككًا مع الطبق المكدّس أو المقلي أو المغطى بالصلصة، أو أي وجبة تنوي مقارنتها بوجبة الغد. هنا بالضبط تُظهر الدراسات المذكورة أكبر الفجوات، وقد لا يعطيك السؤال مرتين الرقم نفسه.

أخطاء تُفسد النتيجة بهدوء:

• لا تثق بحصة كبيرة أو مكدّسة واحدة كما هي. قُلّل معنويًا من الحصص المتوسطة والكبيرة في دراسة O'Hara (p<0.001)، ولم يحدث ذلك مع الحصص الصغيرة (p=0.221).
• لا تفترض أن الصورة اللامعة تعني أن النموذج رأى الزيت. قُدّرت الدهون بزيادة من 33.8% إلى 52.3% في إحدى الدراسات، ومع ذلك لم تتجاوز الدقة ضمن ±10% من القيمة الحقيقية 6.7% إلى 33.3% في الدهون، وهي أقل بكثير من 46.7% إلى 73.3% في الطاقة.
• لا تسأل عن الصورة نفسها مرتين متوقعًا الرقم نفسه. بنت دراسة JMIR Diabetes طريقة التكرار 60 مرة تحديدًا لأن الإجابات تتباين من تشغيل إلى آخر.
• لا تقرأ معامل الاتفاق 0.56 للطاقة على أنه اتفاق متين. تصف الدراسة نفسها هذا النطاق بأنه ضعيف إلى متوسط وليس قريبًا.
• لا تستنتج دقة الكربوهيدرات من درجة تحديد الطعام. بلغت F1 للتحديد 88.6%، لكن الاتفاق مع اختصاصيي التغذية في الكربوهيدرات لم يتجاوز 0.31.

الأسئلة الشائعة

هل يستطيع ChatGPT قراءة الملصق الغذائي بدل صورة الوجبة؟

لا يوجد رقم موثّق ينطبق هنا، لأن الدراسات المذكورة اختبرت صور وجبات لا صور ملصقات. والملصق المطبوع يذكر السعرات والعناصر الكبرى أصلًا، فيتجاوز كليًا مشكلة تخمين الحصة التي يفرضها الطبق المقدَّم. لذا يبقى الأفضل قراءة الأرقام من الملصق نفسه عند وجوده.

هل يحسّن طلب المكونات أولًا دقة التقدير؟

لا يوجد رقم موثّق في أي اتجاه، لأن أيًا من الدراسات الثلاث المذكورة لم تختبر طريقة طلب من خطوتين تبدأ بالمكونات. ويبقى القيد الأساسي قائمًا مهما كانت صياغة السؤال، وهو غياب مرجع للقياس في الصورة، أي لا ميزان ولا مسطرة تُظهر الحجم الحقيقي.

هل تطبيق MyFitnessPal داخل ChatGPT هو نفسه حساب السعرات من الصورة؟

لا. أُطلق في يناير 2026 ويقدّم إرشادات العناصر الكبرى وأهدافًا مخصصة ودعمًا لإدارة الوزن ووصفات من قاعدة بيانات الأغذية في MyFitnessPal، وليس ميزة تقدير من الصورة. هو أداة بحث في قاعدة بيانات، تختلف عن تحليل الصورة بنموذج الرؤية الذي يناقشه هذا المقال.

هل يتفوق GPT-4o على إصدارات ChatGPT الأقدم في ذلك؟

ضمّت دراسة Isobe et al. 2026 نموذج GPT-4o بين النماذج الثلاثة الأفضل أداءً التي حُلّلت بالتفصيل، ووجدت ارتباطًا للدهون بين 0.41 و0.48 عبرها، دون أن تُبرز إصدارًا واحدًا متفوقًا بوضوح. ولا توجد دراسة هنا تعزل ترتيبًا لدقة كل إصدار على حدة.

هل يحسب ChatGPT زيت الطهي إذا ذكرت له الكمية التي استخدمتها؟

لم تختبر أي دراسة مذكورة طلبًا يتضمن كمية زيت محددة، فلا يوجد رقم موثّق لذلك. غير أن ذكر الكمية يزيل التخمين الذي تُظهر الدراسات أنه المصدر الفعلي لانحياز المبالغة في تقدير الدهون، لأن الصورة وحدها لا تكشف ما أُضيف إلى المقلاة.

المصادر

• O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients 2025, 17(4), 607، لدقة تحديد الأطعمة وتقليل تقدير الحصص والاتفاق مع اختصاصيي التغذية.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966، لانحياز المبالغة في تقدير الدهون وأرقام الارتباط لكل عنصر غذائي.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026، لمنهجية التشغيل المتكرر وراء نتيجة قابلية التكرار.
• MyFitnessPal Launches App in New ChatGPT Health Experience، لسياق مؤرَّخ عمّا تقدّمه تكاملات ChatGPT الحالية فعلًا.
• راجع أيضًا السياسة التحريرية في Avocalo لمعرفة كيف تُستمد أرقام هذا الدليل وتُراجَع.

نشرته Petros IT Solutions SRL. هل لاحظت خطأ؟ راسلنا على [email protected].