مشكلة متتبعات السعرات الحرارية المعتمدة على الذكاء الاصطناعي التي تفتقر إلى قاعدة بيانات

عندما يقول لك متتبع السعرات الحرارية المعتمد على الذكاء الاصطناعي إن غداءك يحتوي على 450 سعرة حرارية، اسأل نفسك سؤالًا واحدًا: من أين جاء هذا الرقم؟ إذا كانت الإجابة "من قاعدة بيانات موثوقة"، فإن الرقم له مصدر يمكن تتبعه والتحقق منه — بيانات تحليل تركيبة الطعام التي جمعها علماء التغذية. أما إذا كانت الإجابة "من نموذج الذكاء الاصطناعي"، فإن الرقم هو ناتج حساب رياضي لشبكة عصبية — تخمين مستند إلى إحصائيات دون تحقق خارجي.

هذه هي المشكلة الأساسية مع متتبعات السعرات الحرارية المعتمدة على الذكاء الاصطناعي التي لا تحتوي على قاعدة بيانات. إنها تنتج أرقامًا تبدو كبيانات لكنها في الواقع تقديرات. والفارق بين التقدير ونقطة البيانات يتراكم على مدى الأيام والأسابيع إلى اختلافات يمكن أن تعرقل أهداف التغذية بالكامل.

من أين تأتي أرقام السعرات الحرارية المعتمدة على الذكاء الاصطناعي فقط

لفهم المشكلة، من المفيد معرفة ما يحدث بالضبط داخل متتبع السعرات الحرارية المعتمد على الذكاء الاصطناعي فقط عندما تقوم بالتقاط صورة لوجبة.

الخطوة 1: معالجة الصورة

يتم معالجة الصورة مسبقًا — تغيير حجمها، ضبط سطوعها وتباينها، وتحويلها إلى مصفوفة عددية (مجموعة متعددة الأبعاد من قيم البكسل) يمكن للشبكة العصبية معالجتها.

الخطوة 2: استخراج الميزات

تقوم الشبكة العصبية التلافيفية (CNN) بمعالجة المصفوفة عبر عشرات الطبقات، مستخرجة ميزات أكثر تجريدًا. الطبقات الأولى تكشف عن الحواف، والملمس، وتدرجات الألوان. الطبقات الوسطى تتعرف على الأشكال والنماذج. الطبقات العميقة تحدد ميزات محددة للطعام: الملمس الليفي للدجاج المطبوخ، السطح اللامع للباستا مع الصلصة، المظهر الحبيبي للأرز.

الخطوة 3: تصنيف الطعام

تخرج الشبكة توزيع احتمالي عبر جميع الأطعمة في مفرداتها التصنيفية. على سبيل المثال: 72% دجاج تيكا ماسالا، 15% دجاج بالزبدة، 8% لحم الضأن روغان جوش، 5% أخرى. يتم اختيار أعلى تصنيف احتمالي.

الخطوة 4: تقدير السعرات الحرارية

هنا تكمن المشكلة الأساسية في الهيكل الخالي من قاعدة البيانات. تم تدريب النموذج على أزواج من الصور والسعرات الحرارية — صور للوجبات مع قيم سعرات حرارية محددة. لقد تعلم الروابط الإحصائية: "الوجبات التي تبدو مثل هذه، مع ميزات تتطابق مع دجاج تيكا ماسالا بحجم حصة تقريبية، تميل إلى احتواء سعرات حرارية في نطاق 400-550، مع ذروة تقريبية عند 470."

النموذج يخرج 470 سعرة حرارية. هذا الرقم هو المتوسط المرجح لما تحتويه الوجبات المشابهة في بيانات التدريب. إنه ميل مركزي إحصائي، وليس قياسًا أو بحثًا.

ما ليس هذا الرقم

تقدير 470 سعرة حرارية ليس نتيجة البحث عن "دجاج تيكا ماسالا" في قاعدة بيانات التغذية. إنه ليس ناتج ضرب كثافة سعرات حرارية موثوقة (سعرات حرارية لكل غرام) في وزن حصة مقدر. إنه ليس قابلًا للتتبع إلى أي تحليل محدد لتركيب الطعام.

إنه أفضل تخمين للشبكة العصبية بناءً على البيانات البصرية المتاحة. تخمين مستند إلى المعرفة. تخمين محسوب بشكل مثير للإعجاب. لكنه تخمين.

كيف يبدو الرقم المدعوم بقاعدة بيانات

قارن هذا بالعملية في متتبع مدعوم بقاعدة بيانات مثل Nutrola.

الخطوات 1-3: نفس الشيء كما سبق

يؤدي الذكاء الاصطناعي نفس معالجة الصورة، استخراج الميزات، وتصنيف الطعام. يتعرف ذكاء Nutrola الاصطناعي على "دجاج تيكا ماسالا مع أرز بسمتي" مع درجات احتمالية مشابهة.

الخطوة 4: البحث في قاعدة البيانات (الفرق الحاسم)

بدلاً من توليد رقم السعرات الحرارية من الشبكة العصبية، يستعلم النظام عن قاعدة بياناته الموثوقة التي تحتوي على 1.8 مليون إدخال أو أكثر. تعيد قاعدة البيانات:

• دجاج تيكا ماسالا: 170 سعرة حرارية لكل 100 غرام (المصدر: بيانات تركيب الطعام الموثوقة، تم التحقق منها ضد USDA FoodData Central وقواعد بيانات التغذية الوطنية)
• أرز بسمتي، مطبوخ: 130 سعرة حرارية لكل 100 غرام (المصدر: بيانات تركيب الطعام الموثوقة)

يقدر الذكاء الاصطناعي حجم الحصة: حوالي 250 غرام من تيكا ماسالا + 200 غرام من الأرز. التقدير النهائي:

• تيكا ماسالا: 250 غرام × 1.70 سعرة حرارية/غرام = 425 سعرة حرارية
• الأرز: 200 غرام × 1.30 سعرة حرارية/غرام = 260 سعرة حرارية
• المجموع: 685 سعرة حرارية

خطوة تأكيد المستخدم

يرى المستخدم هذا التفصيل ويمكنه التعديل. "يبدو أن هناك أرزًا أكثر — ربما 250 غرام." المجموع المعدل: 685 + 65 = 750 سعرة حرارية. كل تعديل يشير إلى بيانات كثافة السعرات الحرارية الموثوقة. يقوم المستخدم بتصحيح المتغير الوحيد (الحصة) الذي قدره الذكاء الاصطناعي، بينما تبقى كثافة السعرات الحرارية (الموثوقة) دقيقة.

لماذا هذا مختلف جوهريًا

في النموذج المعتمد على الذكاء الاصطناعي فقط، يجمع ناتج السعرات الحرارية ثلاثة مصادر من عدم اليقين في رقم واحد: عدم اليقين في تحديد الطعام، عدم اليقين في تقدير الحصة، وعدم اليقين في كثافة السعرات الحرارية. لا يمكنك فصلها أو تصحيحها بشكل فردي.

في النموذج المدعوم بقاعدة بيانات، كثافة السعرات الحرارية ليست غير مؤكدة — تأتي من بيانات موثوقة. عدم اليقين الوحيد هو تحديد الطعام (الذي يمكن للمستخدم تأكيده أو تصحيحه) وتقدير الحصة (الذي يمكن للمستخدم تعديله). عدم يقين قابل للتصحيح بدلاً من ثلاثة مجمعة.

مشكلة انتشار الخطأ

تتراكم الفروق الصغيرة في منهجية الدقة بشكل كبير مع مرور الوقت. لتوضيح ذلك، اعتبر مستخدمين يتناولان نفس الطعام لمدة 30 يومًا، أحدهما يستخدم متتبعًا يعتمد على الذكاء الاصطناعي فقط والآخر يستخدم متتبعًا مدعومًا بقاعدة بيانات.

نموذج الخطأ اليومي

أخطاء المتتبع المعتمد على الذكاء الاصطناعي تأتي من ثلاثة مصادر:

• خطأ تحديد الطعام: ~10% من الوجبات تم تحديدها بشكل خاطئ، مما يتسبب في ~15% خطأ في السعرات لكل وجبة تم تحديدها بشكل خاطئ
• خطأ تقدير الحصة: ~20% متوسط خطأ (مدعوم بالأبحاث لتقدير الصور ثنائية الأبعاد)
• خطأ كثافة السعرات الحرارية: ~8-12% متوسط خطأ (تقدير الشبكة العصبية مقابل القيمة الموثوقة)

الخطأ اليومي المدمج: حوالي 15-20% متوسط خطأ مطلق، مع انحياز منهجي للتقليل بحوالي 10-15% (موثق في دراسات متعددة).

أخطاء المتتبع المدعوم بقاعدة بيانات تأتي من مصدرين:

• خطأ تحديد الطعام: ~8% من الوجبات تم تحديدها بشكل خاطئ في البداية، لكن تأكيد المستخدم يلتقط حوالي 70% من هذه الأخطاء
• خطأ تقدير الحصة: ~15% متوسط خطأ (تحسن بواسطة مرجع الحصص القياسية في قاعدة البيانات)

الخطأ اليومي المدمج: حوالي 5-8% متوسط خطأ مطلق، بدون انحياز اتجاهي منهجي (تزيل كثافة السعرات الحرارية الموثوقة انحياز التقليل).

جدول الخطأ التراكمي لمدة 30 يومًا

اليوم	إجمالي السعرات المتعقب بواسطة الذكاء الاصطناعي فقط	إجمالي السعرات الفعلي للذكاء الاصطناعي فقط	الخطأ التراكمي للذكاء الاصطناعي فقط	إجمالي السعرات المتعقب بواسطة قاعدة البيانات	إجمالي السعرات الفعلي للمتتبع المدعوم بقاعدة البيانات	الخطأ التراكمي للمتتبع المدعوم بقاعدة البيانات
اليوم 1	1,780 سعرة حرارية	2,050 سعرة حرارية	-270 سعرة حرارية	1,930 سعرة حرارية	2,050 سعرة حرارية	-120 سعرة حرارية
اليوم 7	12,460 سعرة حرارية	14,350 سعرة حرارية	-1,890 سعرة حرارية	13,720 سعرة حرارية	14,350 سعرة حرارية	-630 سعرة حرارية
اليوم 14	24,920 سعرة حرارية	28,700 سعرة حرارية	-3,780 سعرة حرارية	27,230 سعرة حرارية	28,700 سعرة حرارية	-1,470 سعرة حرارية
اليوم 21	37,380 سعرة حرارية	43,050 سعرة حرارية	-5,670 سعرة حرارية	40,880 سعرة حرارية	43,050 سعرة حرارية	-2,170 سعرة حرارية
اليوم 30	53,400 سعرة حرارية	61,500 سعرة حرارية	-8,100 سعرة حرارية	58,590 سعرة حرارية	61,500 سعرة حرارية	-2,910 سعرة حرارية

في نهاية 30 يومًا، قام مستخدم الذكاء الاصطناعي فقط بتقليل استهلاكه من السعرات الحرارية دون أن يدرك ذلك بمقدار 8,100 سعرة حرارية. بينما كان الخطأ التراكمي لمستخدم قاعدة البيانات 2,910 سعرة حرارية — والأهم من ذلك، أن هذا الخطأ عشوائي (أحيانًا فوق، وأحيانًا تحت) بدلاً من أن يكون متحيزًا بشكل منهجي في اتجاه واحد.

ماذا يعني هذا لفقدان الوزن

إذا كان كلا المستخدمين يعتقدان أنهما يتناولان عجزًا قدره 500 سعرة حرارية يوميًا من مستوى صيانة قدره 2,050 سعرة حرارية:

مستخدم الذكاء الاصطناعي فقط: يعتقد أنه تناول 53,400 سعرة حرارية على مدار 30 يومًا (1,780 في اليوم). في الواقع، تناول 61,500 سعرة حرارية (2,050 في اليوم). كان عجزه المزعوم 500 سعرة حرارية في الواقع عجزًا قدره 0 سعرة حرارية. لقد حافظ على وزنه وليس لديه فكرة عن السبب.

مستخدم قاعدة البيانات: يعتقد أنه تناول 46,500 سعرة حرارية على مدار 30 يومًا (1,550 في اليوم). في الواقع، تناول حوالي 49,400 سعرة حرارية (1,647 في اليوم). كان عجزه المزعوم 500 سعرة حرارية في الواقع عجزًا قدره 403 سعرة حرارية. فقد حوالي 1.4 رطل — قريب من 1.7 رطل المتوقع وواضح على الميزان.

مشكلة كثافة السعرات الحرارية بالتفصيل

أكثر جوانب المشكلة الخالية من قاعدة البيانات التي لا تحظى بالتقدير الكافي هي خطأ كثافة السعرات الحرارية.

كثافة السعرات الحرارية — عدد السعرات الحرارية لكل غرام من طعام معين — تختلف بشكل كبير عبر الأطعمة التي تبدو مشابهة.

الطعام	المظهر	السعرات الحرارية لكل 100 غرام	مجموعة التشابه البصري
أرز أبيض مطبوخ	أبيض، حبيبي	130	حبوب شبيهة بالأرز
كينوا مطبوخة	باهتة، حبيبية	120	حبوب شبيهة بالأرز
كسكس مطبوخ	باهت، حبيبي	176	حبوب شبيهة بالأرز
برغل مطبوخ	باهت، حبيبي	83	حبوب شبيهة بالأرز
زبادي يوناني (0% دسم)	أبيض، كثيف، كريمي	59	أطعمة كريمية بيضاء
زبادي يوناني (دسم كامل)	أبيض، كثيف، كريمي	97	أطعمة كريمية بيضاء
كريمة حامضة	أبيض، كثيف، كريمي	193	أطعمة كريمية بيضاء
جبنة كريمية	أبيض، كثيف، كريمي	342	أطعمة كريمية بيضاء
صدر دجاج مشوي	بني-أبيض، ليفي	165	دواجن مطبوخة
فخذ دجاج مشوي	بني-أبيض، ليفي	209	دواجن مطبوخة
فخذ دجاج مقلي (مع الجلد)	بني، ليفي، لامع	247	دواجن مطبوخة

داخل كل مجموعة تشابه بصري، يمكن أن تختلف الأطعمة التي تبدو متطابقة تقريبًا في الصور بمقدار 50-200+ سعرة حرارية لكل 100 غرام. يمكن أن يتعلم نموذج الذكاء الاصطناعي كثافات السعرات الحرارية المتوسطة لهذه المجموعات، لكنه لا يمكنه التمييز بشكل موثوق بين أعضاء المجموعة التي تبدو متطابقة بصريًا.

توفر قاعدة بيانات موثوقة كثافة السعرات الحرارية الدقيقة للطعام المحدد. يختار المستخدم "زبادي يوناني، 0% دسم" أو "زبادي يوناني، دسم كامل" — تمييز لا يمكن للصور القيام به ولكن قاعدة البيانات تتعامل معه بسهولة.

لماذا لا يمكن للذكاء الاصطناعي الأفضل حل هذه المشكلة

رد شائع على هذه القيود هو أن دقة الذكاء الاصطناعي تتحسن وأنه سيجعل قواعد البيانات غير ضرورية في النهاية. هذا يفهم طبيعة القيود بشكل خاطئ.

سقف المعلومات

تحتوي الصورة على معلومات بصرية: اللون، الملمس، الشكل، الانعكاسية، الترتيب المكاني. لكنها لا تحتوي على معلومات تركيبية: نسبة الدهون، محتوى البروتين، محتوى الألياف، ملف المغذيات الدقيقة، كثافة السعرات الحرارية الدقيقة.

لا يمكن لأي تحسين في رؤية الكمبيوتر استخراج معلومات تركيبية غير موجودة في الإشارة البصرية. صورة بدقة 4K لزبادي يوناني لا تحتوي على بيانات حول ما إذا كانت تحتوي على 0% دسم أو 5% دسم. صورة للأرز لا تحتوي على بيانات حول ما إذا تم طهيه بالزيت أو بالماء فقط.

هذا هو سقف معلوماتي، وليس سقف تكنولوجي. يمكن أن تقترب الشبكات العصبية التلافيفية الأفضل، ومجموعات البيانات التدريبية الأكبر، والهياكل الأكثر تعقيدًا من هذا السقف بشكل أكبر — لكنها لا يمكن أن تتجاوزه. السقف هو تقريبًا:

نوع المعلومات	متوفر في الصورة؟	يمكن للذكاء الاصطناعي تحديده؟
هوية الطعام (الفئة العامة)	نعم (ميزات بصرية)	نعم (80-95% دقة)
هوية الطعام (النوع المحدد)	أحيانًا (دلائل بصرية دقيقة)	جزئيًا (60-80% دقة)
طريقة التحضير	جزئيًا (تحمير، ملمس)	جزئيًا (65-85% دقة)
حجم الحصة	جزئيًا (دلائل مكانية)	جزئيًا (65-80% دقة)
محتوى الدهون	لا	لا
محتوى السكر	لا	لا
محتوى الصوديوم	لا	لا
محتوى المغذيات الدقيقة	لا	لا
كثافة السعرات الحرارية الدقيقة	لا (مشتقة من التركيبة)	لا (يمكن فقط تقديرها إحصائيًا)

تتجاوز قاعدة البيانات هذا السقف لأنها لا تستمد المعلومات من الصورة. إنها تخزن بيانات تركيبية موثوقة وتسترجعها عند تحديد الطعام. يتعامل الذكاء الاصطناعي مع تحديد الهوية (حيث يكون قويًا)؛ تتعامل قاعدة البيانات مع التركيبة (حيث يكون الذكاء الاصطناعي محدودًا هيكليًا).

مشكلة بيانات التدريب

تقدير السعرات الحرارية المعتمد على الذكاء الاصطناعي فقط لديه قيود إضافية وأدق: انحياز بيانات التدريب.

يتعلم الشبكة العصبية ارتباطات السعرات الحرارية من بيانات التدريب الخاصة بها — عادةً مجموعة بيانات من صور الطعام مصنفة بقيم السعرات الحرارية بواسطة المعلقين البشر أو تم التحقق منها مع استدعاءات غذائية. تحتوي هذه التسميات على هوامش خطأ خاصة بها. إذا كانت بيانات التدريب تحتوي على انحياز منهجي للتقليل بنسبة 10% (شائع في بيانات الاستدعاء الغذائي، وفقًا لتحليل تلوي في عام 2021 في المجلة البريطانية للتغذية)، يتعلم النموذج أن يقلل بنسبة 10%.

لا يمكن لأي تحسين في بنية النموذج تصحيح انحياز بيانات التدريب. يمكن أن يكون النموذج دقيقًا فقط بقدر دقة التسميات التي تم تدريبه عليها. بينما قاعدة البيانات الموثوقة، على العكس، ليست مشتقة من استدعاءات غذائية أو تقديرات بشرية — بل مشتقة من الكيمياء التحليلية التي أجريت على عينات الطعام في ظروف مختبرية محكمة.

ما الذي تفعله متتبعات الذكاء الاصطناعي بشكل صحيح

الدقة لصالح الصدق: متتبعات الذكاء الاصطناعي ليست عديمة الفائدة، ورفضها بالكامل سيكون غير عادل.

لقد ديمقراطت الوعي بالسعرات الحرارية. قبل مسح الطعام بالذكاء الاصطناعي، كان تتبع السعرات الحرارية يتطلب البحث يدويًا في قاعدة بيانات، ووزن الطعام، ومعرفة كبيرة بالتغذية. جعل المسح بالذكاء الاصطناعي التتبع متاحًا لأي شخص لديه كاميرا هاتف.

تقدم دقة اتجاهية. بينما قد تكون الأرقام الدقيقة خاطئة بنسبة 15-25%، فإن الترتيب النسبي عادة ما يكون صحيحًا. يتعرف الذكاء الاصطناعي بشكل صحيح على برغر المطعم الخاص بك كأكثر كثافة من حيث السعرات الحرارية من السلطة المنزلية الخاصة بك. بالنسبة للمستخدمين الذين يسعون إلى وعي غذائي عام بدلاً من أرقام دقيقة، فإن هذه الدقة الاتجاهية مفيدة حقًا.

إنها سريعة. بالنسبة للمستخدمين الذين لن يتتبعوا على الإطلاق إذا استغرق الأمر أكثر من 5 ثوانٍ لكل وجبة، فإن سرعة المسح بالذكاء الاصطناعي فقط هي فائدة حقيقية. التتبع غير الدقيق أفضل من عدم التتبع لأغراض الوعي البحت.

تتعامل مع الأطعمة الجديدة والإقليمية. يمكن لنماذج الذكاء الاصطناعي المدربة على صور الطعام العالمية المتنوعة تقدير السعرات الحرارية للأطعمة التي قد لا تظهر في أي قاعدة بيانات موحدة. قد يحصل وجبة خفيفة من طعام الشارع في سوق بانكوك أو وصفة منزلية من مطبخ نيجيري على تقدير معقول من الذكاء الاصطناعي حيث تعود قاعدة البيانات فارغة.

متى تصبح المقاربة الخالية من قاعدة البيانات مشكلة حقيقية

تظهر حالة الفشل في التتبع الخالي من قاعدة البيانات بشكل حاد في سيناريوهات معينة.

إدارة الوزن النشطة. عندما تستهدف عجزًا معينًا في السعرات الحرارية أو فائضًا، فإن الخطأ المنهجي بنسبة 15-20% من التتبع المعتمد على الذكاء الاصطناعي يجعل هدفك غير قابل للتحقيق دون أن تدرك ذلك. تظن أنك في عجز لكنك في مستوى الصيانة. تظن أنك في مستوى الصيانة لكنك في فائض.

تشخيص الهضبة. عندما يتوقف فقدان الوزن، يجب أن يكون السؤال الأول "هل تتبعي دقيق؟" مع التتبع المعتمد على الذكاء الاصطناعي فقط، لا يمكنك الإجابة على هذا السؤال — لا تعرف ما إذا كانت الهضبة نتيجة لتكيف الأيض أو خطأ في التتبع. مع التتبع المدعوم بقاعدة بيانات، يمكنك استبعاد عدم دقة التتبع كسبب.

التغذية الطبية. إدارة مرض السكري، أو مرض الكلى، أو فشل القلب، أو الفينيل كيتون يوريا، أو أي حالة تتطلب التحكم في مغذيات معينة تتطلب بيانات موثوقة، وليس تقديرات. يمكن أن يكون خطأ بنسبة 15% في تتبع الصوديوم لمريض يعاني من ارتفاع ضغط الدم أو خطأ بنسبة 15% في تتبع الكربوهيدرات لمريض سكري من النوع الأول له عواقب صحية فورية.

المسؤولية المهنية. يحتاج أخصائيو التغذية، وأخصائيو التغذية الرياضية، والأطباء الذين يراجعون سجلات الطعام الخاصة بالعملاء إلى الثقة في البيانات الأساسية. توفر مصادر قاعدة البيانات الموثوقة تلك الثقة. تقديرات احتمالات الشبكة العصبية لا تفعل ذلك.

الهيكل الذي يعمل

الحل ليس التخلي عن الذكاء الاصطناعي — بل هو دمجه مع قاعدة بيانات موثوقة.

تقوم Nutrola بتنفيذ هذا الهيكل من خلال دمج التعرف على الطعام بالذكاء الاصطناعي، وتسجيل الصوت، ومسح الرموز الشريطية مع قاعدة بيانات موثوقة تحتوي على 1.8 مليون إدخال أو أكثر. يوفر الذكاء الاصطناعي سرعة وراحة التعرف التلقائي على الطعام. توفر قاعدة البيانات كثافة السعرات الحرارية الموثوقة، وملفات تعريف المغذيات الشاملة (أكثر من 100 مغذي)، وقيم ثابتة وقابلة للتحديد.

النتيجة العملية: تسجيل أسرع من البحث اليدوي في قاعدة البيانات، ومخرجات أكثر دقة من تقدير الذكاء الاصطناعي فقط، وبيانات مغذية شاملة لا يمكن أن يوفرها الذكاء الاصطناعي بمفرده. بسعر 2.50 يورو في الشهر بعد تجربة مجانية بدون إعلانات، يكلف أقل من كل منافس يعتمد على الذكاء الاصطناعي فقط بينما يوفر بيانات أكثر موثوقية هيكليًا.

المشكلة مع متتبعات السعرات الحرارية المعتمدة على الذكاء الاصطناعي التي لا تحتوي على قاعدة بيانات ليست أن الذكاء الاصطناعي سيء. بل إن الذكاء الاصطناعي يُطلب منه القيام بشيء لا يمكنه القيام به هيكليًا: إنتاج بيانات غذائية موثوقة من المعلومات البصرية فقط. أعطِ نفس الذكاء الاصطناعي قاعدة بيانات موثوقة للإشارة إليها، وستتغير الأرقام من تخمينات مستندة إلى المعرفة إلى نقاط بيانات موثوقة. هذه ليست ترقية في الميزة. إنها تصحيح هيكلي يجعل الفرق بين تتبع السعرات الحرارية الذي يعمل وتلك التي تبدو وكأنها تعمل فقط.