Czy ChatGPT policzy kalorie ze zdjęcia?

ChatGPT policzy kalorie ze zdjęcia i często poprawnie nazywa produkty. W jednym recenzowanym teście GPT-4 rozpoznawał jedzenie na prawdziwych zdjęciach posiłków z precyzją 93,0% i czułością 84,6%, czyli wynikiem F1 równym 88,6% (O'Hara i in. 2025, Nutrients). Kłopot zaczyna się przy liczbie przypisanej do jedzenia: wielkości porcji, ukrytym tłuszczu i tym, że ten sam obraz nie zawsze daje tę samą odpowiedź. Cały proces stojący za takimi szacunkami opisuje poradnik o tym, jak działają aplikacje AI do liczenia kalorii.

Czy ChatGPT policzy kalorie ze zdjęcia w ogóle?

Tak, ChatGPT potrafi oszacować kalorie i makroskładniki posiłku na podstawie zdjęcia. Wklejasz zdjęcie talerza, a on nazywa danie, wymienia przybliżone składniki i podaje wartości. Działa to dlatego, że modele wizyjne dobrze rozpoznają jedzenie.

Trudniejsze zadanie to nie nazwanie ryżu i kurczaka. To ocena ich wagi z płaskiego obrazu, bez wagi kuchennej, bez czujnika głębi i bez wiedzy, ile oleju poszło na patelnię. Tu liczba zaczyna odbiegać od rzeczywistości.

Jak bardzo myli się ChatGPT według opublikowanych badań?

Opublikowane badania dają konkretną odpowiedź zamiast domysłu. W badaniu na 114 zdjęciach ChatGPT-4 zaniżył łączną wagę posiłku na 76,3% fotografii, czyli w 87 przypadkach na 114 (O'Hara i in. 2025, Nutrients).

Dla wszystkich 114 zdjęć razem bezwzględna różnica procentowa między wagą oszacowaną przez ChatGPT a zmierzoną wyniosła średnio 27,8%, z odchyleniem standardowym 18,5%. Ta jedna liczba miesza wszystkie wielkości porcji.

Po podziale na wielkość porcji obraz jest wyraźniejszy. Małe porcje nie różniły się istotnie od zmierzonej wagi (p=0,221). Średnie i duże porcje były natomiast istotnie zaniżane (p<0,001), choć autorzy nie podają osobnego średniego błędu procentowego dla każdej grupy.

Zgodność z szacunkami dietetyków, mierzona współczynnikiem korelacji wewnątrzklasowej (ICC), wyniosła 0,56 dla energii, co badanie opisuje jako słabą do umiarkowanej. Białko wypadło nieco lepiej, 0,67, czyli umiarkowanie do dobrze. Zgodność dla węglowodanów wyniosła tylko 0,31, czyli słabo.

Osobne badanie posiłków szpitalnych objęło dziesięć modeli: trzy ogólne modele multimodalne i siedem wyspecjalizowanych aplikacji dietetycznych. W trzech najlepszych modelach analizowanych szczegółowo, wśród nich GPT-4o, korelacja z dietetykami wynosiła od 0,82 do 0,89 dla energii, ale tylko od 0,41 do 0,48 dla tłuszczu (Isobe i in. 2026, Nutrients). Energia wygląda średnio nieźle. Pojedyncze składniki już nie.

Zestawienie liczb z badań obok siebie pokazuje wzór, którego żadne z nich nie podaje samo.

Rozpoznawanie jedzenia to najmocniejsze ogniwo łańcucha. Wielkość porcji i zawartość tłuszczu są najsłabsze, a pod spodem leży jeszcze powtarzalność wyników.

Dlaczego ChatGPT zaniża większe porcje?

ChatGPT zaniża większe porcje, bo błąd zależy od ich wielkości, a nie od przypadku. W badaniu O'Hara i in. średni bezwzględny błąd wagi dla 114 zdjęć wyniósł 27,8% ± 18,5%, ale ta liczba obejmuje wszystkie talerze razem, a nie jedną wielkość.

Po podziale na grupy małe porcje nie różniły się istotnie od zmierzonej wagi (p=0,221). Średnie i duże były istotnie zaniżane (p<0,001) (O'Hara i in. 2025, Nutrients).

Model patrzący na płaskie zdjęcie nie ma linijki ani informacji o głębi. Mała kupka jedzenia wygląda mniej więcej tak, jak jest. Duży, wysoki lub warstwowy talerz wizualnie się spłaszcza, a model zdaje się szacować ostrożnie, zamiast ryzykować mocno zawyżoną liczbę.

Oznacza to, że błąd nie rozkłada się równo na cały tydzień. Pojedyncza miska zupy może wyjść blisko prawdy. Talerz z piętrzącym się obiadem to ten, który częściej zostanie po cichu niedoliczony.

Dlaczego tłuszcz to liczba, w której ChatGPT myli się najbardziej?

Tłuszcz jest najtrudniejszy, bo olej, masło i sosy znikają w połysku powierzchni dania, a zdjęcie nie pokazuje, ile poszło na patelnię. Badanie posiłków szpitalnych wykazało przeszacowanie tłuszczu o 33,8% do 52,3% w różnych modelach, czyli istotne statystycznie obciążenie (p<0,01) (Isobe i in. 2026, Nutrients).

Trafność w granicach ±10% wartości zmierzonej mówi to samo od innej strony: dla energii dotyczyła 46,7% do 73,3% posiłków, a dla tłuszczu tylko 6,7% do 33,3%.

To mechanizm, a nie błąd osądu. Model widzi połysk i wnioskuje „natłuszczone”, ale nie widzi łyżki, która go dała. Kalorie z oleju i sosów, których zdjęcie nie pokaże, policzysz w darmowym kalkulatorze kalorii oleju do smażenia. Zaczyna on od tego, co faktycznie trafiło na patelnię, a nie od tego, jak błyszczy talerz.

Czy ChatGPT da tę samą odpowiedź, gdy zapytasz dwa razy?

Niekoniecznie, i to ważniejsze niż każdy pojedynczy błąd. Badanie z 2026 roku, zaprojektowane właśnie do tego testu, przepuściło te same obrazy posiłków przez duże modele językowe po 60 razy. Następnie porównało, jak bardzo wyniki różnią się w obrębie jednego zdjęcia i między różnymi zdjęciami tego samego posiłku (Wang, Lane i Waki 2026, JMIR Diabetes).

Autorzy opracowali tę metodę, bo powtarzane zapytania o identyczne zdjęcie nie zbiegają się do jednej stałej liczby. Badanie O'Hara i in. potwierdza lukę z drugiej strony: wprost stwierdza, że test powtarzalności wykraczał poza jego zakres (O'Hara i in. 2025, Nutrients).

Przy jednorazowej ciekawości ta zmienność prawie nie ma znaczenia. Przy codziennym zapisie, gdy dzisiejsza liczba ma znaczyć to samo co wczorajsza, to realny problem. Szersze spojrzenie na to, jak zdjęcia i inne metody wypadają w liczeniu, znajdziesz w poradniku jak dokładnie liczyć kalorie.

Czym aplikacja do zapisu posiłków różni się od ChatGPT?

Aplikacja różni się tym, co dzieje się po oszacowaniu: okno czatu odpowiada na jedno pytanie i je zapomina. Nie ma dziennika, historii ani miejsca na poprawkę, zanim liczba trafi gdzieś na stałe.

Avocalo opiera się na podobnym odczycie zdjęcia przez model wizyjny, bez deklarowania dokładności wykraczającej poza to, co badania wyżej pokazują dla samej metody. Różnica jest w tym, co następuje potem: możesz sprawdzić i poprawić wynik przed zapisem, a on trafia do bieżącego dziennika zamiast znikać na końcu rozmowy. W aplikacji możesz zapisać zdjęcie posiłku, poprawić je i zachować w historii.

Dla kontekstu, jak zmienia się branża: w styczniu 2026 MyFitnessPal uruchomiło aplikację w nowym środowisku ChatGPT Health, oferującą wskazówki dotyczące makroskładników, spersonalizowane cele, wsparcie w kontroli wagi i przepisy z własnej bazy produktów (komunikat prasowy MyFitnessPal). To wyszukiwanie w bazie dla wskazówek, a nie szacowanie ze zdjęcia, i nie zmienia żadnej z powyższych liczb.

Czy warto używać ChatGPT do liczenia kalorii?

ChatGPT nadaje się do zgrubnego, jednorazowego oszacowania, zwłaszcza dla talerza z jednym lub dwoma widocznymi produktami i bez ukrytego sosu. Opublikowane błędy sugerują, że właśnie tam radzi sobie najlepiej.

Ostrożniej traktuj piętrzący się talerz, danie smażone lub w sosie i każdy posiłek, który chcesz porównać z jutrzejszym. Właśnie tam cytowane badania pokazują największe luki, a ponowne zapytanie może nawet nie dać tej samej liczby.

Pułapki, które po cichu psują wynik:

• Nie ufaj w ciemno jednej dużej lub piętrzącej się porcji. Średnie i duże porcje były istotnie zaniżane w badaniu O'Hara i in. (p<0,001), a małe nie (p=0,221).
• Nie zakładaj, że błyszczące zdjęcie znaczy, że model zobaczył olej. Tłuszcz przeszacowano o 33,8% do 52,3%, a trafność w granicach ±10% wartości prawdziwej wyniosła dla tłuszczu tylko 6,7% do 33,3%, daleko poniżej 46,7% do 73,3% dla energii.
• Nie pytaj dwa razy o to samo zdjęcie, licząc na tę samą liczbę. Badanie JMIR Diabetes zbudowano na 60 powtórzeniach właśnie dlatego, że odpowiedzi różnią się od próby do próby.
• Nie traktuj ICC 0,56 dla energii jako solidnej zgodności. Samo badanie opisuje ten zakres jako słaby do umiarkowanego, a nie bliski.
• Nie przenoś wyniku rozpoznawania jedzenia na węglowodany. F1 dla rozpoznawania wyniósł 88,6%, ale zgodność węglowodanów z dietetykami tylko 0,31.

Wyniki są przybliżeniami. W sprawach dotyczących zdrowia i żywienia skonsultuj się ze specjalistą.

Najczęściej zadawane pytania

Czy ChatGPT odczyta etykietę zamiast zdjęcia posiłku?

Nie wiadomo, bo zacytowane badania testowały zdjęcia posiłków, a nie etykiet, więc nie ma tu liczby ze źródła. Wydrukowana etykieta podaje już kalorie i makroskładniki, co całkowicie omija zgadywanie porcji, które pojawia się przy talerzu z jedzeniem. Pamiętaj jednak, że wartości na etykiecie to zaokrąglone średnie.

Czy poproszenie najpierw o składniki poprawia szacunek?

Nie wiadomo, bo żadne z trzech zacytowanych badań nie testowało podpowiadania w dwóch krokach, od składników do kalorii, więc nie ma liczby ze źródła. Podstawowe ograniczenie, czyli brak skali odniesienia na zdjęciu, zostaje niezależnie od tego, jak sformułujesz pytanie. Warto więc traktować wynik jako przybliżenie.

Czy aplikacja MyFitnessPal w ChatGPT to to samo co liczenie kalorii ze zdjęcia?

Nie. Aplikacja MyFitnessPal w ChatGPT ruszyła w styczniu 2026 i oferuje wskazówki dotyczące makroskładników, spersonalizowane cele, wsparcie w kontroli wagi i przepisy z bazy produktów MyFitnessPal, a nie szacowanie ze zdjęcia. To wyszukiwanie w bazie, inne niż analiza zdjęcia modelem wizyjnym, o której mowa w tym artykule.

Czy GPT-4o radzi sobie z tym lepiej niż starsze wersje ChatGPT?

Brak danych, które by to rozstrzygały. Badanie Isobe i in. z 2026 roku uwzględniło GPT-4o wśród trzech najlepszych modeli analizowanych szczegółowo i podało korelację dla tłuszczu od 0,41 do 0,48, bez wskazywania jednej wersji jako wyraźnie lepszej. Żadne badanie z tego zestawienia nie porównuje dokładności wersja po wersji.

Czy ChatGPT uwzględni olej do smażenia, jeśli podam jego ilość?

Nie wiadomo, bo żadne z zacytowanych badań nie testowało podpowiedzi z podaną ilością oleju, więc nie ma liczby ze źródła. Podanie ilości usuwa jednak zgadywanie, które według badań leży u źródła przeszacowania tłuszczu. Samą ilość oleju policzysz też w kalkulatorze kalorii oleju do smażenia.

Źródła

• 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, dla trafności rozpoznawania jedzenia, zaniżania wielkości porcji i zgodności z dietetykami.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966, dla przeszacowania tłuszczu i korelacji dla poszczególnych składników.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026, dla metody powtarzanych zapytań stojącej za wnioskiem o powtarzalności.
• MyFitnessPal Launches App in New ChatGPT Health Experience, dla datowanego kontekstu tego, co oferują obecne integracje z ChatGPT.
• Zobacz też zasady redakcyjne Avocalo, które opisują, jak liczby w tym poradniku są źródłowane i sprawdzane.

Opublikowane przez Petros IT Solutions SRL. Zauważyłeś błąd? Napisz na [email protected].