سباق الذكاء الاصطناعي في تتبع السعرات: مقارنة بين 10 تطبيقات — 2020 مقابل 2026
في عام 2020، كان التعرف على الطعام بواسطة الذكاء الاصطناعي يعني خمس تخمينات ونقرة واحدة. في عام 2026، يقوم Nutrola بتحديد الوجبات المتعددة العناصر في أقل من ثلاث ثوانٍ مع تقدير الحصص. إليك نظرة طويلة المدى على كيفية تطور قدرات الذكاء الاصطناعي في 10 تطبيقات على مدار ست سنوات.
في عام 2020، كان "التعرف على الطعام بواسطة الذكاء الاصطناعي" عبارة عن دوامة من خمس تخمينات. في عام 2026، يقوم Nutrola بتحديد الوجبات المتعددة العناصر في أقل من ثلاث ثوانٍ مع تقدير الحصص. إليك كيف تطورت 10 تطبيقات (أو لم تتطور).
كان الفارق بين التقاط صورة لطبق ورؤية السعرات الحرارية الدقيقة على الشاشة يقاس في ثوانٍ من الانتظار ودقائق من التصحيح. كنت توجه الكاميرا نحو الدجاج والأرز والبروكلي، فيعود التطبيق بتخمينات مثل "مكرونة، كاري، سلطة، حساء، أو أومليت — اختر واحدة"، وتقوم بالنقر عبر دوامة قبل ضبط حجم الحصة يدويًا من شريط التمرير. كان ذلك في عام 2020. كان بطيئًا وهشًا، لكنه كان الأفضل لدينا.
بعد ست سنوات، تم إعادة بناء الأساس التكنولوجي لهذه التطبيقات من الصفر. النماذج اللغوية الكبيرة متعددة الأنماط، محولات الرؤية على الجهاز، انخفاض تكلفة الاستدلال، ومحركات الذكاء الاصطناعي في الهواتف الذكية بحجم ظفر الإصبع قد قلصت الوقت بين الكاميرا وعدد السعرات الحرارية من 15-30 ثانية من النقر إلى حوالي 2-3 ثوانٍ من التعرف الذاتي. لقد أنتج سباق الذكاء الاصطناعي في الصور — الذي كان هادئًا في عام 2020، وصاخبًا بحلول عام 2024 — مجموعة من القادة الواضحين ومقبرة من التطبيقات التي فشلت في مواكبة التطورات. هذا ما تغير بالفعل، وأين تقف كل تطبيق رئيسي في عام 2026.
حالة الفن في عام 2020
كان التعرف على الطعام بواسطة الذكاء الاصطناعي في عام 2020 متخلفًا جيلًا عن ما لدينا اليوم، وقد ظهر ذلك في كل تفاعل. كانت معظم التطبيقات التي تروج لـ "الذكاء الاصطناعي" تعمل على شبكات عصبية تلافيفية عامة — غالبًا ما كانت مصنفة مسبقًا على مجموعات بيانات غذائية متواضعة تتراوح بين 100-500 فئة. كانت النتائج عادةً قائمة مرتبة من أفضل 5، لأن دقة أفضل 1 على الأطباق في العالم الحقيقي كانت منخفضة جدًا بحيث لا تكون مفيدة بمفردها.
كان الرائد المبكر هو Bitesnap (الذي أنشأته شركة Bite AI)، والذي أطلق في وقت مبكر وطور ميزات تسجيل الصور بشكل مكثف قبل أن تأخذ معظم المنافسين الأمر على محمل الجد. كانت حجة Bitesnap هي بالضبط ما تم تقديمه في عام 2020: التقط صورة، احصل على بعض التخمينات، انقر على الخيار الصحيح، ثم أكد الحصة. كانت الدقة على العناصر الفردية الواضحة مثل الموز أو شريحة البيتزا مقبولة. لكن الدقة على الأطباق المختلطة — الدجاج مع جانبين، وعاء حبوب، أو قلاية — كانت تتدهور بسرعة لأن النموذج لم يكن قادرًا على تقسيم العناصر المتعددة داخل نفس الإطار بشكل موثوق.
لم يكن هناك فعليًا أي كشف عن الحصص. كانت التطبيقات إما تطلب منك اختيار حجم مسبق (صغير، متوسط، كبير) أو سحب شريط يمثل "الحصص". كانت تقديرات العمق، والتفكير الحجمي، ومعايرة الأجسام المرجعية مواضيع بحثية، وليست ميزات تم شحنها. إذا كنت تريد معرفة ما إذا كنت قد تناولت 180 جرامًا من الأرز مقابل 220 جرامًا، كنت تزنها على الميزان أو تخمن. لم يكن الذكاء الاصطناعي سيساعدك.
كانت السرعة أيضًا بعيدة عن ما هي عليه اليوم. كان تسجيل الصور من البداية إلى النهاية في عام 2020 عادةً يتم على الخادم، مع استغراق الرحلة ذهابًا وإيابًا، واستدلال النموذج، وتأكيد واجهة المستخدم من 6 إلى 20 ثانية. في الاتصالات البطيئة، كان الأمر أسوأ. كانت النتيجة أن معظم المستخدمين الجادين استمروا في استخدام مسح الباركود والبحث اليدوي، مح reserving تسجيل الصور للترفيه أو لقطات تسويقية.
التطبيقات العشر: حينها (2020) مقابل الآن (2026)
1. Bitesnap (Bite AI)
في عام 2020: كانت Bitesnap الرائدة الأكثر شهرة في مجال الصور الذكية. كانت سلسلة التعرف الخاصة بها واحدة من أوائل التطبيقات الاستهلاكية التي استخدمت نماذج CNN الخاصة بالطعام، وسوقت سير العمل الخاص بالصور بشكل مكثف. كانت الدقة على العناصر الفردية الشائعة مقبولة، لكن الأطباق المختلطة كانت تعاني.
في عام 2026: لا تزال Bitesnap موجودة لكنها فقدت بعض المزايا. لم تتمكن التطبيق من مواكبة موجة النماذج متعددة الأنماط في 2023-2024 بالسرعة الكافية للبقاء في المقدمة، ولا يزال سير العمل الأساسي يشعر بأنه أقرب إلى جذوره في عام 2020 مقارنةً بالحالة الحالية. لا يزال خيارًا قابلاً للاستخدام لتسجيل العناصر الفردية، لكنه لم يعد المرجع لـ "صورة الطعام بالذكاء الاصطناعي".
قفزة التكنولوجيا: ضئيلة. تحديثات نموذجية بسيطة، بعض التحسينات في تجربة المستخدم. لم تنتقل بالكامل إلى التعرف المدعوم بالنماذج متعددة الأنماط.
2. MyFitnessPal
في عام 2020: لم يكن لدى MyFitnessPal أي ميزة حقيقية لتصوير الطعام بالذكاء الاصطناعي. كانت قوته تكمن في قاعدة البيانات الكبيرة المستندة إلى المجتمع وماسح الباركود. لم يكن تسجيل الصور جزءًا من العرض الأساسي.
في عام 2026: أطلقت MyFitnessPal ميزة "Meal Scan" كميزة متميزة، وهي سير عمل للتعرف على الصور المتعددة العناصر يستخدم مجموعة حديثة من نماذج الرؤية واللغة. الجودة غير متسقة — يُبلغ عنها علنًا بأنها تعمل جيدًا على الأطباق الفردية النظيفة وأقل موثوقية على الأطباق المختلطة أو غير الغربية أو أطباق المطاعم. وهي محصورة خلف اشتراك متميز بسعر حوالي 19.99 يورو شهريًا، مما يبطئ من اعتماد المستخدمين المجانيين.
قفزة التكنولوجيا: كبيرة، لكنها متأخرة. انتقلت MFP من عدم وجود ذكاء اصطناعي في الصور إلى ميزة قادرة ولكن محصورة، وسقف الدقة محدود من خلال النموذج الأساسي بدلاً من طبقة البحث عن الطعام الموثوقة.
3. Lose It (Snap It)
في عام 2020: كانت ميزة "Snap It" الخاصة بـ Lose It واحدة من أوائل ميزات تسجيل الصور التجارية، تم إطلاقها قبل عدة سنوات. قدمت اختصارًا للكاميرا، وأجرت نموذج التعرف، وعادت بتخمين واحد اقترحته المستخدم ليؤكده أو يعدله. كانت الدقة متواضعة وتقدير الحصة كان شريط تمرير يدوي.
في عام 2026: تحسنت Snap It، لكن التحسينات كانت تدريجية بدلاً من أن تكون تحويلية. الميزة محصورة إلى حد كبير خلف الاشتراك المتميز، وقد أصبح النموذج الأساسي أكثر دقة على العناصر الفردية ذات الإضاءة الجيدة. لا تزال الأطباق المتعددة العناصر تنهار في كثير من الأحيان إلى تخمين واحد أو تتطلب تفكيكًا يدويًا.
قفزة التكنولوجيا: متوسطة. مكاسب حقيقية في الدقة على العناصر الفردية؛ تقدم محدود في تقسيم العناصر المتعددة وتقدير الحصص.
4. Foodvisor
في عام 2020: كانت Foodvisor، تطبيق ذو أصل فرنسي، قوية حقًا في عصرها. كان التعرف على الصور وتقدير الحصص من بين أكثر التطبيقات تفكيرًا، وقد دفعت علامة تجارية أكثر "تركيزًا على الذكاء الاصطناعي" مقارنةً بمعظم التطبيقات الأمريكية.
في عام 2026: لا تزال Foodvisor تطبيقًا قويًا للصور الذكية، لكن الطبقة المجانية قد تم ضغطها بشدة وأصبحت معظم الميزات الجيدة محصورة خلف اشتراك. التعرف الخاص بها محترم، ولا يزال التطبيق واحدًا من الخيارات الأكثر مصداقية خارج الولايات المتحدة، لكنه لم يقود التحول بين 2022-2026 كما قاد بين 2018-2020.
قفزة التكنولوجيا: ذات مغزى ولكن دفاعية. حافظت Foodvisor على سمعتها الجيدة دون توسيع نطاقها بشكل كبير.
5. Cal AI
في عام 2020: لم يكن موجودًا. Cal AI هو تطبيق ظهر بعد GPT-4V، بعد نمو TikTok.
في عام 2026: Cal AI هو الوافد الجديد الفيروسي. حلقة العمل الأساسية الخاصة به — الإشارة، التصوير، رؤية السعرات — تم ضبطها بشكل مفرط لجمهور TikTok وللدقة في الأطباق الفردية. لديه تسويق قوي، وتسجيل دخول عدواني، ونموذج اشتراك مع استخدام محدود مجاني. الدقة على العناصر الفردية، في اختباري، تنافسية؛ الأطباق المتعددة العناصر وتقدير الحصص أقل اتساقًا مما تقترحه التسويق.
قفزة التكنولوجيا: بنيت بشكل أصلي على النماذج متعددة الأنماط الحديثة. قوية جدًا بالنسبة لعمرها، لكنها أضيق نطاقًا مقارنةً بتطبيقات التغذية الطويلة الأمد.
6. SnapCalorie
في عام 2020: لم يكن موجودًا بالشكل الذي يتخذه اليوم.
في عام 2026: SnapCalorie هو لاعب محدود ولكنه موثوق في مجال الصور الذكية، يركز بشكل ضيق على تقدير السعرات الحرارية بناءً على الصور. لا يحاول أن يكون تطبيق تتبع كامل كما هو الحال في MFP أو Nutrola؛ إنه أكثر من أداة ذات ميزة واحدة. مفيد للتقديرات السريعة، لكنه أضعف كمدونة يومية.
قفزة التكنولوجيا: ولدت في العصر الحديث. تفتقر إلى نطاق تطبيق تتبع كامل، لكنها تتجنب الديون التجريبية التي تحملها التطبيقات القديمة.
7. Nutrola
في عام 2020: لم يكن موجودًا.
في عام 2026: يحتل Nutrola الصدارة في مجال الصور الذكية. توفر الميزة التعرف في أقل من 3 ثوانٍ على الوجبات النموذجية، والكشف عن العناصر المتعددة من البداية، وتقدير الحصص، و — بشكل حاسم — طبقة بحث موثوقة لقاعدة بيانات غذائية تحتوي على أكثر من 1.8 مليون طعام تم التحقق منه من قبل أخصائيي التغذية، مما يضمن أن مخرجات الذكاء الاصطناعي تعتمد على بيانات مغذية حقيقية بدلاً من تخمينات غير دقيقة. يتكامل تسجيل الصوت، ومسح الباركود، ورفاق Apple Watch / Wear OS في النظام. لا توجد إعلانات في أي طبقة. الطبقة المجانية بالإضافة إلى 2.50 يورو شهريًا.
قفزة التكنولوجيا: مصممة لتناسب مجموعة 2024-2026 منذ اليوم الأول. تستخدم الاستدلال على الجهاز حيثما كان منطقيًا، والنماذج متعددة الأنماط حيثما كان ذلك مهمًا، وقاعدة بيانات موثوقة كمصدر للحقيقة للمواد الغذائية — لذا فإن الذكاء الاصطناعي يحتاج فقط إلى حل "ما هو هذا وكم هو"، وليس "ما هي سعراته الحرارية وميكروه".
8. Carb Manager
في عام 2020: كانت القدرات الذكية الأساسية في أفضل حالاتها. كانت قوة Carb Manager تكمن في العمق الخاص بالكيتو / منخفض الكربوهيدرات، وليس في التعرف على الصور.
في عام 2026: أطلقت Carb Manager ميزة الصور، لكنها ثانوية مقارنةً بأهدافها الخاصة بالماكرو وعمليات الكيتو. بالنسبة لمستخدمي الكيتو، لا يزال التطبيق ممتازًا؛ لكن بالنسبة لتجربة التصوير بالذكاء الاصطناعي، ليس الخيار الأقوى. جودة التعرف مقبولة، لكن الميزة لم تكن الاستثمار الرئيسي في المنتج.
قفزة التكنولوجيا: موجودة ولكن ثانوية. اختارت Carb Manager تعميق تخصصها بدلاً من المنافسة في مجال الصور الذكية العامة.
9. Foodly
في عام 2020: كانت Foodly واحدة من المشاركين الأوائل في تسجيل الصور مع تجربة مستخدم مرحة واعتراف موثوق في عصرها.
في عام 2026: تلاشت Foodly من الخط الأمامي. لم تواكب موجة النماذج متعددة الأنماط ولم تعد من بين التطبيقات التي يوصي بها معظم المستخدمين لتسجيل الصور. لا أستطيع أن أؤكد بثقة أن Foodly قد انتهت تمامًا في كل سوق، لكنها ليست اسمًا يظهر في قوائم الأفضل لعام 2026.
قفزة التكنولوجيا: محدودة. توضح Foodly تكلفة التكرار البطيء في فئة تحركت فيها تقنيات التعلم الآلي بسرعة.
10. Whisk / Samsung Food
في عام 2020: كانت Whisk تطبيق وصفات وبقالة مثيرًا للاهتمام في عصر البيتا مع ميزات ذكاء اصطناعي ناشئة، ولم تكن بعد منافسًا جادًا في مجال السعرات الحرارية.
في عام 2026: أعيدت تسميتها وإعادة وضعها كـ Samsung Food، تتكامل بشكل وثيق مع Samsung Health على أجهزة Galaxy. التعرف على الصور الذكية موجود، وعلى أنظمة Samsung، يكون التكامل أكثر سلاسة من معظم التطبيقات الخارجية. خارج نظام Samsung، يكون تأثيرها أضعف. إنها لاعب حقيقي ضمن منصتها، لكنها ليست خيارًا عالميًا.
قفزة التكنولوجيا: حقيقية، ولكنها مرتبطة بالنظام البيئي. القدرة على الذكاء الاصطناعي ذات مغزى؛ لكن مدى وصولها يعتمد على الهاتف الذي تحمله.
ما الذي تغير: الانعكاس بين 2022-2024 في LLM/Vision
السبب في أن هذه المقارنة بين 2020 و2026 صارخة جدًا هو أن التكنولوجيا الأساسية أعيد كتابتها في منتصف الفترة. قامت ثلاث انعكاسات بمعظم العمل.
أولاً، CLIP وخلفائه. عندما أصدرت OpenAI CLIP في أوائل عام 2021، توقفت الطريقة الافتراضية لبناء مصنف الصور عن كونها "تدريب CNN على قائمة مغلقة من الفئات" وبدأت في أن تكون "تضمين الصور والنص في نفس الفضاء، ثم طرح أسئلة بلغة طبيعية على النموذج." بالنسبة للطعام، يعني هذا أن التطبيقات لم تعد بحاجة إلى الحفاظ على قائمة ثابتة من 500 أو 2000 تسمية طبق؛ بل يمكنها التفكير في الأوصاف ("فخذ دجاج مشوي مع الليمون والأعشاب") بطريقة تعمق الفهم للأطباق غير المرئية.
ثانيًا، النماذج اللغوية الكبيرة متعددة الأنماط. GPT-4V (2023) وخلفائه المفتوحين والخاصين — Gemini، Claude مع الرؤية، نماذج لاما للرؤية، والنماذج المخصصة للطعام المدربة منها — حولت التعرف على صور الطعام من مشكلة تصنيف إلى مشكلة تفكير. يمكن للنموذج الآن رؤية طبق، وتسمية كل عنصر، ووصف طريقة الطهي، وتقدير النسب النسبية، وإنتاج مخرجات منظمة يمكن لتطبيق التغذية استهلاكها مباشرة. هذه قفزة في القدرة بمقدار ترتيب مقارنةً بتخمينات أفضل 5 في عام 2020.
ثالثًا، الاستدلال الأرخص والأسرع. أدى الحوسبة على الجهاز (محرك Apple Neural، Qualcomm Hexagon، Google Tensor) والاستدلال على GPU في السحابة إلى تقليص تكلفة التعرف بأكثر من 10 مرات عبر الفترة. جنبًا إلى جنب مع نماذج الرؤية المقطرة الأصغر التي تعمل بشكل جيد على الهواتف، جعل ذلك تسجيل الصور من البداية إلى النهاية في أقل من 3 ثوانٍ ممكنًا لتطبيق استهلاكي. في عام 2020، كانت ميزانية التأخير هذه غير قابلة للتصديق دون مزرعة خادم مخصصة.
عامل رابع، أكثر هدوءًا: صعود قواعد بيانات التغذية الموثوقة كطبقة أساسية. النماذج البصرية البحتة تخمن السعرات الحرارية؛ ستعيد أرقامًا تبدو معقولة ولكنها خاطئة. التطبيقات التي تربط ذكاءها الاصطناعي بقاعدة بيانات غذائية كبيرة وموثوقة — قاعدة بيانات Nutrola التي تحتوي على أكثر من 1.8 مليون طعام تم التحقق منه من قبل أخصائيي التغذية هي المثال الواضح — تستخدم النموذج لتحديد الكمية، ثم تبحث عن المواد الغذائية الفعلية. هذا يغير سؤال الدقة من "ما مدى جودة النموذج في تقدير السعرات الحرارية" إلى "ما مدى جودة النموذج في تسمية الطعام والكمية"، وهو سؤال أكثر قابلية للحل.
الدقة آنذاك مقابل الآن
أرقام الدقة الصعبة في هذه الفئة غير مرتبة. تختبر التطبيقات المختلفة على مجموعات بيانات مختلفة، وتبلغ عن مقاييس مختلفة، وتغير النماذج بشكل متكرر. ما يلي هو صورة نوعية بناءً على السلوك المبلغ عنه علنًا وتجربتي الشخصية عبر عدة أسابيع من التسجيل المنتظم.
العناصر الفردية الواضحة (2020): كانت تطبيقات مثل Bitesnap وFoodvisor قادرة على تحديد الموز، شريحة البيتزا، وعاء الأرز العادي، أو صدر الدجاج المشوي في أفضل 5. كانت دقة أفضل 1 أقل بكثير — غالبًا في نطاق 40-60% للأطباق النموذجية، بناءً على المعايير المنشورة في تلك الفترة.
العناصر الفردية الواضحة (2026): تتعامل التطبيقات الرائدة، بما في ذلك Nutrola وCal AI وFoodvisor، مع هذه العناصر بسهولة، حيث تكون دقة أفضل 1 للعناصر الفردية الواضحة عادةً في الثمانينيات إلى التسعينيات في ظروف ملائمة. الفجوة بين القادة على العناصر الفردية صغيرة.
الأطباق المختلطة (2020): كانت نقطة ضعف حقيقية. وعاء حبوب يحتوي على خمسة مكونات، قلاية، سلطة مع بروتين وتتبيلة — كانت معظم تطبيقات 2020 تختصر هذه إلى تخمين واحد أو تطلب منك تسجيل كل عنصر بشكل منفصل.
الأطباق المختلطة (2026): تقوم التطبيقات الرائدة بتقسيم والتعرف على عناصر متعددة داخل إطار واحد. تم تصميم التعرف على العناصر المتعددة في Nutrola حول هذه الحالة؛ بينما تتعامل Cal AI وMyFitnessPal's Meal Scan مع ذلك بنتائج مختلطة حسب تعقيد الطبق. لا تزال الأطباق غير الغربية، والأطباق المختلطة الكثيفة، والأطباق ذات الصلصات الثقيلة تعثر حتى أفضل الأنظمة.
الوجبات المطعمية والمعبأة (2020): كانت تجربة بحث يدوية في الأساس. نادرًا ما ساعد الذكاء الاصطناعي.
الوجبات المطعمية والمعبأة (2026): يمكن للذكاء الاصطناعي تقديم تخمينات قوية لسلاسل معروفة وعناصر قائمة قياسية؛ تنخفض الموثوقية بالنسبة للمطاعم الأصغر والمأكولات الإقليمية. عادةً ما يكون البحث في قاعدة البيانات الموثوقة هو العامل الحاسم: التطبيق الذي يربط "وعاء دجاج Chipotle" بالماكروز المنشورة من السلسلة سيتفوق على واحد يقدر من الصور.
تقدير الحصص: اختراق 2026
تقدير الحصص — "كم يوجد على الطبق" — هو أصعب مشكلة في تسجيل الطعام بالذكاء الاصطناعي، وفي عام 2026 لا يزال غير محلول بالكامل. لكن مقارنةً بعام 2020، الفارق هائل.
في عام 2020، كان تقدير الحصص عبارة عن شريط تمرير. كنت تختار "صغير"، "متوسط"، أو "كبير"، أو تسحب عدد الحصص. لم يكن هناك شيء في الصورة يوجه التقدير. كانت حصة 150 جرامًا من الأرز وحصة 300 جرام من الأرز تبدو متطابقة للتطبيق.
في عام 2026، تستخدم التطبيقات الرائدة مجموعة من التقنيات. الأجسام المرجعية في الإطار (الأدوات، أحجام الأطباق القياسية، الأيدي) تثبت المقياس. تساهم أجهزة استشعار العمق في الهواتف الحديثة، حيثما كانت متاحة، في تقديرات الحجم. أصبحت نماذج الرؤية نفسها أفضل في الحكم على النسب النسبية داخل الإطار — "البروتين يعادل ضعف حجم الحبوب" — ودمج ذلك مع كثافة افتراضية للطعام المحدد ينتج تقديرًا معقولًا بالجرامات.
الحالة الصادقة للأفضل: تقدير الحصص ضمن حوالي 15-30% من الوزن الحقيقي للأطباق النموذجية عندما يكون زاوية الكاميرا متعاونة والأطعمة مألوفة. يكون الأمر أسوأ بكثير بالنسبة للأطباق المختلطة الكثيفة، والسوائل، وأي شيء خلف أو تحت عنصر مهيمن. التطبيقات التي تأخذ هذا الأمر على محمل الجد — Nutrola بشكل صريح من بينها — تتيح لك ضبط التقدير بسرعة بعد ذلك بإيماءة واحدة، بدلاً من التظاهر بأن التخمين الأول كان نهائيًا.
لم يحل أحد "تقدير الحصص". لكن التطبيقات التي انتقلت من "اختر حجم الحصة" إلى "إليك تقدير بالجرامات من الصورة، اضبط إذا لزم الأمر" قد غيرت بشكل ملموس تجربة تسجيل الوجبة.
من يقود الذكاء الاصطناعي في الصور في عام 2026؟
إذا كان عليك اختيار عدد قليل من القادة في مجال الذكاء الاصطناعي للصور في عام 2026، فإن القائمة قصيرة.
Nutrola تتصدر في المجموعة التي تهم أكثر للاستخدام اليومي: السرعة (تقدير أقل من 3 ثوانٍ)، التعامل مع العناصر المتعددة، تقدير الحصص، وقاعدة بيانات غذائية موثوقة تحتوي على أكثر من 1.8 مليون طعام تم التحقق منه من قبل أخصائيي التغذية، مما يضمن أن مخرجات الذكاء الاصطناعي تعتمد على بيانات مغذية حقيقية. كما أن لديها أنظف قصة مجانية وأسعار في المجموعة الرائدة (مجانية بالإضافة إلى 2.50 يورو شهريًا)، مما يزيل تردد "هل يستحق ذلك ميزات الذكاء الاصطناعي" التي تعاني منها التطبيقات المحصورة.
Cal AI تتصدر في سير العمل الخاص بالأطباق الفردية، حيث يريد المستخدمون شيئًا واحدًا فقط: الإشارة، التصوير، رؤية السعرات. دقتها على العناصر البسيطة قوية، وتسجيل الدخول الخاص بها حاد، وعرضها الموجه نحو TikTok فعال. تظهر حدودها في تعقيد العناصر المتعددة، ونطاق الميزات الأوسع، وتسعير الاشتراك.
Foodvisor تحتفظ بموقعها كقائد تاريخي. لا تزال واحدة من التطبيقات الأكثر مصداقية خارج الولايات المتحدة، ودقتها محترمة، لكن سرعتها قد تباطأت مقارنةً بالوافدين الجدد من عصر النماذج اللغوية الأصلية.
MyFitnessPal تتصدر من حيث الحجم، وليس جودة الذكاء الاصطناعي. تعتبر Meal Scan إضافة ذات مغزى، لكنها محصورة خلف الاشتراك، ودقتها على الأطباق المعقدة غير متسقة. قاعدة البيانات والنظام البيئي هما الحاجز؛ الذكاء الاصطناعي يتقدم.
عدد قليل من التطبيقات الأخرى — Lose It، Carb Manager، Samsung Food — لديها قصص ذكاء اصطناعي قادرة ولكن ثانوية. تقع Bitesnap، SnapCalorie، وFoodly في الخلف، إما بسبب اختيار النطاق أو بسبب سرعة التكرار.
كيف يعمل الذكاء الاصطناعي في Nutrola اليوم
- تقدير أقل من 3 ثوانٍ على الوجبات النموذجية، من بداية الضغط على زر الكاميرا إلى إدخال المسجل.
- الكشف عن العناصر المتعددة في إطار واحد — يتم تسجيل طبق الدجاج والأرز والبروكلي كعناصر ثلاثة، وليس تخمينًا غامضًا واحدًا.
- تقدير الحصص باستخدام مقياس الأجسام المرجعية، وإشارات العمق حيثما كانت متاحة، وتفكير الحجم النسبي عبر العناصر في الإطار.
- بحث قاعدة بيانات موثوقة عبر أكثر من 1.8 مليون طعام تم التحقق منه من قبل أخصائيي التغذية، لذا تأتي أرقام المواد الغذائية من بيانات حقيقية بدلاً من تخمينات النموذج.
- تتبع أكثر من 100 مادة غذائية لكل طعام مسجل، بما في ذلك الماكروز، الفيتامينات، المعادن، الأحماض الدهنية، والأحماض الأمينية.
- تسجيل صوتي باستخدام معالجة اللغة الطبيعية للمواقف التي تتطلب يديك — القيادة، الطهي، في الصالة الرياضية — مع تحليل اللغة الطبيعية للوصف مثل "سمك السلمون المشوي مع الكينوا والهليون."
- ماسح باركود كمدخل ثالث، للأطعمة المعبأة حيث يكون الذكاء الاصطناعي في الصور زائدًا عن الحاجة.
- رفاق Apple Watch وWear OS لإضافة سريعة، اختصارات، وتذكيرات على المعصم.
- 14 لغة مدعومة داخل التطبيق، مع ضبط التعرف عبر المأكولات الإقليمية.
- لا توجد إعلانات في أي طبقة، بما في ذلك المجانية — تجربة الذكاء الاصطناعي لا تتقطع بواسطة لافتات أو نوافذ ترقية أثناء التسجيل.
- طبقة مجانية للمستخدمين الذين يرغبون في اختبار سير العمل الخاص بالذكاء الاصطناعي دون الحاجة إلى بطاقة ائتمان، مع 2.50 يورو شهريًا لفتح العمق الكامل.
- نتائج قابلة للتعديل — يمكن تعديل كل اقتراح من الذكاء الاصطناعي بإيماءة واحدة، ويغذي التصحيح تاريخ المستخدم الشخصي بحيث تصل الوجبة المماثلة التالية بشكل أسرع.
التطبيق / ميزة الذكاء الاصطناعي في 2020 / ميزة الذكاء الاصطناعي في 2026 / السرعة الآن / العناصر المتعددة / تقدير الحصص / قاعدة بيانات موثوقة / طبقة مجانية / السعر
| التطبيق | ميزة الذكاء الاصطناعي في 2020 | ميزة الذكاء الاصطناعي في 2026 | السرعة الآن | العناصر المتعددة | تقدير الحصص | قاعدة بيانات موثوقة | طبقة مجانية | السعر |
|---|---|---|---|---|---|---|---|---|
| Nutrola | لم يكن موجودًا | أقل من 3 ثوانٍ، متعددة العناصر، تقدير الحصص، بحث قاعدة بيانات موثوقة | أقل من 3 ثوانٍ | نعم | نعم | أكثر من 1.8 مليون موثق | نعم | 2.50 يورو/شهر |
| Cal AI | لم يكن موجودًا | تصوير فردي للأطباق، موجه نحو TikTok | تقريبًا 3-4 ثوانٍ | جزئي | تقريبي | محدود | محدود جدًا | اشتراك، تقريبًا 9-15 دولار/شهر |
| Foodvisor | CNN قوية + شريط تمرير للحصص | تصوير ذكي قادر، محصور بشدة | تقريبًا 4-6 ثوانٍ | جزئي | تقريبي | معتدل | مضغوط | اشتراك |
| MyFitnessPal | لا يوجد ذكاء اصطناعي في الصور | Meal Scan Premium، دقة غير متسقة | تقريبًا 4-8 ثوانٍ | جزئي | تقريبي | كبير، مستند إلى المجتمع | نعم | اشتراك متميز تقريبًا 19.99 يورو/شهر |
| Lose It | Snap It، تخمين واحد + شريط تمرير | تحسين Snap It، محصور خلف الاشتراك المتميز | تقريبًا 4-6 ثوانٍ | محدود | تقريبي | معتدل | نعم | اشتراك متميز تقريبًا 39.99 يورو/سنة |
| Bitesnap | رائد، دوامة من أفضل 5 | لا تزال موجودة، أقل تنافسية | تقريبًا 5-8 ثوانٍ | محدود | محدود | محدود | نعم | نموذج مجاني |
| Carb Manager | أساسي | ميزة تصوير ثانوية، موجه نحو الكيتو | تقريبًا 4-6 ثوانٍ | محدود | تقريبي | معتدل | نعم | اشتراك متميز |
| SnapCalorie | لم يكن موجودًا | أداة ضيقة للتصوير | تقريبًا 3-5 ثوانٍ | محدود | تقريبي | محدود | محدود | اشتراك |
| Samsung Food (Whisk) | ذكاء اصطناعي في مرحلة البيتا | متكامل مع Samsung Health | تقريبًا 4-6 ثوانٍ | جزئي | تقريبي | معتدل | نعم | مجاني مع النظام البيئي |
| Foodly | تسجيل صور مبكر | تلاشى من الخط الأمامي | متغير | محدود | محدود | محدود | يختلف | يختلف |
الأسئلة الشائعة
هل كانت Bitesnap الأولى؟ كانت Bitesnap (من Bite AI) واحدة من أوائل التطبيقات البارزة في مجال التعرف على الطعام بواسطة الذكاء الاصطناعي وغالبًا ما يُشار إليها كرائد مبكر في الفئة. سبقت العديد من المشاريع البحثية والتطبيقات الأصغرها، لكن Bitesnap تعتبر اختصارًا عادلًا لـ "القائد التجاري المبكر" في 2018-2020. لم تعد في مقدمة مجموعة 2026، لكن دورها التاريخي حقيقي.
كيف يعمل الذكاء الاصطناعي في Nutrola؟ تضغط على الكاميرا، توجهها نحو وجبتك، ويقوم Nutrola بتشغيل سلسلة التعرف الحديثة متعددة الأنماط التي تحدد كل عنصر في الإطار، وتقدّر أحجام الحصص، وتبحث عن كل عنصر في قاعدة بيانات تحتوي على أكثر من 1.8 مليون طعام موثق من قبل أخصائيي التغذية. النتيجة هي وجبة مسجلة في أقل من 3 ثوانٍ على الأطباق النموذجية، مع تتبع أكثر من 100 مادة غذائية مستمدة من بيانات حقيقية بدلاً من تخمينات النموذج. يمكنك تعديل أي نتيجة بإيماءة واحدة.
هل Cal AI هو الأكثر دقة؟ تتميز Cal AI بالقوة في دقة الأطباق الفردية، وعرضها حاد. لكنها ليست الأكثر دقة بوضوح في الحالات الأصعب التي تهم التسجيل على المدى الطويل: الأطباق المختلطة، تقدير الحصص، المأكولات غير الغربية، والتكامل مع قاعدة بيانات موثوقة للمواد الغذائية. بالنسبة لهذه الأبعاد، تعتبر Nutrola وFoodvisor وMyFitnessPal's Meal Scan أقوى أو متساوية، حسب الحالة.
لماذا تعتبر قاعدة بيانات البحث الموثوقة مهمة؟ يمكن أن تخمن النماذج البصرية البحتة السعرات الحرارية والميكرو — حيث تنتج أرقامًا تبدو معقولة ولكنها غير مرتبطة ببيانات التغذية الحقيقية. تحول قاعدة بيانات موثوقة وظيفة الذكاء الاصطناعي إلى "تحديد الكمية"، ثم البحث عن المواد الغذائية الحقيقية من مصدر موثوق. لهذا السبب تعتبر قاعدة بيانات Nutrola التي تحتوي على أكثر من 1.8 مليون طعام موثق ليست ميزة منفصلة عن الذكاء الاصطناعي؛ بل هي السبب في أن مخرجات الذكاء الاصطناعي موثوقة بما يكفي للتصرف بناءً عليها.
ما مدى سرعة تسجيل الصور بالذكاء الاصطناعي في عام 2026؟ تصل التطبيقات الرائدة إلى تسجيل الصور من البداية إلى النهاية في حوالي 2-5 ثوانٍ على الهواتف الحديثة، اعتمادًا على ظروف الشبكة، وتعقيد الطبق، وما إذا كان الاستدلال على الجهاز أو معتمدًا على السحابة. يعتبر Nutrola في النهاية السريعة من هذا النطاق على الأطباق النموذجية.
هل يمكن أن يحل الذكاء الاصطناعي بالكامل محل تسجيل الباركود والتسجيل الصوتي؟ لا، وأفضل التطبيقات لا تفرض هذا الاختيار. يظل مسح الباركود أسرع وأكثر دقة للطعام المعبأ. يعد تسجيل الصوت أسرع من الصور في المواقف التي تكون فيها اليدين مشغولتين. يكون الذكاء الاصطناعي أقوى بالنسبة للوجبات المصفوفة حيث لا يوجد باركود، وسيكون التسجيل الصوتي غير مريح. يقدم Nutrola جميع الخيارات الثلاثة في تطبيق واحد بحيث يمكن استخدام المدخل الصحيح في كل موقف.
ماذا يجب أن يتوقع المستخدم الذي ينتقل من تطبيق من عصر 2020؟ توقع أن تشعر سير العمل بأنه مختلف بما يكفي لتغيير عاداتك القديمة. يجب أن يستغرق تسجيل طبق مختلط لقطة واحدة بدلاً من ثلاث إدخالات يدوية. يجب أن يكون تقدير الحصص إيماءة للتعديل بدلاً من شريط تمرير للتكوين. يجب أن يكتمل التعرف قبل أن تتمكن من الوصول إلى زر "التعديل". إذا لم يكن التطبيق الذي تجربته يحقق هذه المعايير في عام 2026، فإنه يعمل على افتراضات عام 2020.
الحكم النهائي
تاريخ الذكاء الاصطناعي في تصوير الطعام من عام 2020 إلى 2026 هو، في النهاية، قصة عن تطور التكنولوجيا الأساسية لتلبية ما أراده المستخدمون دائمًا من هذه الميزة. كانت دوامة الخمس تخمينات عرضًا لنماذج لم تتمكن من التفكير في الأطباق الحقيقية؛ كان شريط الحصة عرضًا لأنظمة الرؤية التي لم تتمكن من الحكم على المقياس. كلاهما اختفى في المقدمة. ما يحل محله هو التعرف السريع، متعدد العناصر، المدرك للحصص، المستند إلى قاعدة بيانات غذائية موثوقة — وهو مزيج لم يكن موجودًا في أي تطبيق استهلاكي تم شحنه في عام 2020 وأصبح الآن هو المعيار.
يحتل Nutrola هذا المعيار، وفي بعض الأبعاد — السرعة، التعامل مع العناصر المتعددة، الأساس الموثوق لقاعدة البيانات، تجربة خالية من الإعلانات، والأسعار — يتجاوز ذلك بشكل ملحوظ. Cal AI هو الوافد الجديد الأكثر حدة في الأطباق الفردية. تظل Foodvisor خيارًا موثوقًا تاريخيًا. تجعل قاعدة بيانات MyFitnessPal الكبيرة من متابعة تقدمها أمرًا يستحق المشاهدة. البقية إما على هذا المسار أو متأخرة بشكل ملحوظ.
إذا كنت تختار متتبع سعرات حرارية يعتمد على الذكاء الاصطناعي في عام 2026، فإن الخيار الصحيح هو Nutrola: تسجيل صور متعددة العناصر في أقل من 3 ثوانٍ، تقدير الحصص، أكثر من 1.8 مليون طعام موثق من قبل أخصائيي التغذية، تسجيل صوتي باستخدام معالجة اللغة الطبيعية، مسح باركود، رفاق Apple Watch وWear OS، 14 لغة، صفر إعلانات في أي طبقة، طبقة مجانية حقيقية، و2.50 يورو شهريًا إذا كنت تريد العمق الكامل. ست سنوات من سباق الذكاء الاصطناعي، مكان واحد واضح للهبوط.
مستعد لتحويل تتبع تغذيتك؟
انضم إلى الآلاف الذين حولوا رحلتهم الصحية مع Nutrola!
