Я протестировал 4 AI-трекера калорий в течение 2 недель

В течение двух недель я регистрировал каждую еду в четырех различных AI-трекерах калорий одновременно. Одни и те же блюда, одни и те же фотографии, одно и то же время. Nutrola, Cal AI, Foodvisor и SnapCalorie — работали параллельно каждый день на протяжении 14 дней. Я взвешивал каждое домашнее блюдо на кухонных весах и рассчитывал фактические калории, используя данные USDA FoodData Central в качестве базового значения.

Цель была проста: выяснить, какое приложение обеспечивает самый надежный учет пищи за реалистичный двухнедельный период. Не демонстрация с идеальным освещением и одними продуктами, а настоящая жизнь — домашняя кухня, ресторанные блюда, упаковки закусок, кофе и случайные моменты "я забыл это сфотографировать".

Вот что произошло.

Настройка и основные правила

Устройства: iPhone 15 Pro (для LiDAR SnapCalorie), с установленными и авторизованными всеми четырьмя приложениями.

Протокол взвешивания: Все домашние блюда взвешивались на кухонных весах с точностью 0.1 г перед подачей. Фактические калории рассчитывались с использованием значений USDA FoodData Central. Ресторанные блюда оценивались по значениям USDA для сопоставимых блюд (встроенное ограничение — фактические данные о ресторанах всегда приблизительны).

Фотография: Одна и та же фотография отправлялась во все четыре приложения. Одна фотография сверху на каждое блюдо, сделанная при любом доступном освещении (не оптимизирована для какого-либо приложения).

Протокол исправления: Для каждого приложения я тратил до 30 секунд на исправление очевидных ошибок с использованием любых инструментов, которые предоставляет приложение. Это имитирует реального пользователя, который замечает ошибку, но не хочет тратить минуты на ее исправление.

Что я отслеживал: Время на регистрацию (секундомер), первоначальная оценка калорий AI, окончательные зарегистрированные калории (после исправления), ежедневная сумма по сравнению с фактическими данными, заметные проблемы и любые функции, которые имели значительное значение.

Неделя 1: Дни 1-7

День 1 (понедельник): Обычный день домашней кухни

Завтрак: Овсянка на ночь (80 г овсянки, 200 мл цельного молока, 1 банан, 1 ст. ложка меда, 15 г миндаля). Фактические данные: 520 кал.

Приложение	Первоначальная оценка	После исправления	Время	Заметки
Cal AI	340 кал	340 кал	4 сек	Совершенно не учел мед и миндаль. Невозможно добавить.
SnapCalorie	365 кал	365 кал	6 сек	Лучше оценил порцию с помощью 3D, но все равно пропустил скрытые ингредиенты.
Foodvisor	380 кал	420 кал	15 сек	Определил овсянку и банан. Я вручную искал мед.
Nutrola	410 кал	505 кал	18 сек	AI определил овсянку и банан. Я добавил голосом "столовую ложку меда и 15 граммов миндаля". База данных совпала с обоими.

Ужин: Домашняя куриная жаркое (200 г куриного бедра, 150 г брокколи, 100 г болгарского перца, 200 г риса, 1.5 ст. ложки кунжутного масла, 2 ст. ложки соевого соуса). Фактические данные: 785 кал.

Приложение	Первоначальная оценка	После исправления	Время	Заметки
Cal AI	490 кал	490 кал	5 сек	Полностью пропустил масло для жарки. 295 кал недостает.
SnapCalorie	520 кал	520 кал	8 сек	3D помог с объемом риса, но масло все равно невидимо.
Foodvisor	530 кал	580 кал	20 сек	Определил жаркое. Я вручную добавил масло, но смог найти только "растительное масло", а не кунжутное.
Nutrola	560 кал	755 кал	22 сек	AI определил куриное жаркое и рис. Я добавил голосом "полторы столовые ложки кунжутного масла". База данных имела точную запись. Близко к фактическим данным.

Итог за день 1:

Приложение	Зарегистрированная сумма	Фактические данные	Ошибка	Процент ошибки
Cal AI	1,576 кал	2,105 кал	-529 кал	-25.1%
SnapCalorie	1,648 кал	2,105 кал	-457 кал	-21.7%
Foodvisor	1,808 кал	2,105 кал	-297 кал	-14.1%
Nutrola	2,058 кал	2,105 кал	-47 кал	-2.2%

День 1 установил шаблон, который повторялся на протяжении всего теста. Пробел с маслом для жарки стал причиной большинства ошибок в приложениях, основанных только на фотографиях.

День 3 (среда): Обед в ресторане

Ресторанное блюдо стало самым показательным тестом. Я заказал куриный тикка масала с нааном и рисом в индийском ресторане. Я не мог взвесить это блюдо, но оценил фактические данные примерно в 950 калорий, основываясь на значениях USDA для сопоставимых порций в ресторанах.

Приложение	Оценка	Заметки
Cal AI	620 кал	Значительно недооценил. Рассмотрел как меньшую порцию, чем подали.
SnapCalorie	680 кал	Лучше оценил порцию, но все равно низко. Пропустил сливки/масло в соусе.
Foodvisor	740 кал	Ближе. Определил "тикка масала", что дало лучшие данные.
Nutrola	890 кал	AI определил тикка масала. Запись в базе данных для ресторанного тикка масала включала типичное содержание сливок/масла. Я подтвердил порцию как "большую".

Итоги недели 1

Показатель	Cal AI	SnapCalorie	Foodvisor	Nutrola
Среднее количество зарегистрированных калорий в день	1,640 кал	1,720 кал	1,870 кал	2,145 кал
Среднее количество фактических калорий в день	2,180 кал	2,180 кал	2,180 кал	2,180 кал
Средняя ошибка в калориях в день	-540 кал	-460 кал	-310 кал	-35 кал
Средний процент ошибки в день	-24.8%	-21.1%	-14.2%	-1.6%
Среднее время на прием пищи	5.2 сек	7.1 сек	16.4 сек	17.8 сек
Блюда, где был доступен штрих-код	8	8	8	8
Блюда, где был использован штрих-код	0	0	8	8
Моменты разочарования	12	9	5	2

Наблюдения за неделей 1:

Cal AI был постоянно самым быстрым, но также и самым неточным. Скорость казалась хорошей в моменте, но ежедневные суммы были значительно неверными — 540 калорий недооценки в день полностью устраняли типичный дефицит для похудения.

SnapCalorie с 3D-сканированием помогал с размерами порций для поданных блюд, но не решал основную проблему невидимых ингредиентов (масла, скрытые компоненты, напитки).

Сканирование штрих-кодов в Foodvisor стало значительным преимуществом по сравнению с Cal AI и SnapCalorie для упакованных продуктов. Функция диетолога существовала, но я никогда не использовал ее в реальном времени, потому что задержка в обратной связи была непрактична для повседневного принятия решений.

Nutrola, сочетая голосовую регистрацию и сканирование штрих-кодов, покрывала два самых больших пробела в точности: невидимые ингредиенты и упакованные продукты. Дополнительные 12 секунд на прием пищи по сравнению с Cal AI были едва заметны на практике.

Неделя 2: Дни 8-14

День 8 (понедельник): День приготовления пищи

Я приготовил пять дней обедов: куриная грудка, сладкий картофель и зеленая фасоль. Одно и то же блюдо, одни и те же порции, зарегистрированные ежедневно.

Это был тест на последовательность. Одно и то же блюдо, зарегистрированное пять раз, должно дать одно и то же количество калорий пять раз.

Приложение	День 8	День 9	День 10	День 11	День 12	Разброс
Cal AI	445	410	465	425	455	55 кал разброс
SnapCalorie	430	440	420	445	435	25 кал разброс
Foodvisor	480	480	485	480	480	5 кал разброс
Nutrola	495	495	495	495	495	0 кал разброс

Фактические данные (взвешенные и рассчитанные): 490 кал.

Разброс в 55 калорий для Cal AI по идентичным блюдам является прямым результатом архитектуры, основанной только на AI — разные фотографии давали разные оценки. 3D-сканирование SnapCalorie уменьшило вариацию. База данных Foodvisor поддерживала почти постоянные данные. Nutrola была совершенно последовательной, потому что я регистрировал одну и ту же запись базы данных (сохраненную как шаблон блюда после Дня 8) каждый раз.

Итоги недели 2

Показатель	Cal AI	SnapCalorie	Foodvisor	Nutrola
Среднее количество зарегистрированных калорий в день	1,580 кал	1,680 кал	1,910 кал	2,190 кал
Среднее количество фактических калорий в день	2,220 кал	2,220 кал	2,220 кал	2,220 кал
Средняя ошибка в калориях в день	-640 кал	-540 кал	-310 кал	-30 кал
Средний процент ошибки в день	-28.8%	-24.3%	-14.0%	-1.4%

Ошибки недели 2 были немного хуже, чем на неделе 1 для приложений, основанных только на AI, потому что появились более сложные блюда (ресторан, социальный ужин, бранч). Точность Nutrola на самом деле улучшилась на неделе 2, так как я стал более опытным в голосовой регистрации и накопил библиотеку сохраненных блюд.

Полные результаты за 14 дней

Показатель	Cal AI	SnapCalorie	Foodvisor	Nutrola
Всего зарегистрированных калорий (14 дней)	22,540	23,800	26,460	30,345
Всего фактических калорий	30,800	30,800	30,800	30,800
Общая ошибка в калориях	-8,260	-7,000	-4,340	-455
Средний процент ошибки в день	-26.8%	-22.7%	-14.1%	-1.5%
Направление ошибки	Постоянно недооценка	Постоянно недооценка	Постоянно недооценка	Случайно (некоторые переоценены, некоторые недооценены)
Худшая ошибка за один день	-780 кал	-650 кал	-420 кал	-95 кал
Лучшая ошибка за один день	-320 кал	-280 кал	-140 кал	+15 кал
Среднее время на прием пищи	5.1 сек	7.0 сек	16.1 сек	17.0 сек
Общее время отслеживания в день	~25 сек	~35 сек	~80 сек	~85 сек
Использованные сканирования штрих-кодов	0	0	16	16
Использованные голосовые записи	0	0	0	38
Блюда, которые забыли сфотографировать	4	4	4	0 (добавлены голосом позже)

Ключевые выводы

1. Смещение недооценки реально и последовательно

Все четыре приложения недооценивали общее потребление калорий, но величина различалась значительно. Недооценка Cal AI в 8,260 калорий за 14 дней эквивалентна 2.4 фунта жира — пользователь, полагающийся на Cal AI для дефицита калорий, будет думать, что он потерял 2.4 фунта больше, чем на самом деле, всего за две недели.

Недооценка систематическая, а не случайная, потому что самые распространенные ошибки AI (невидимые масла для жарки, скрытые ингредиенты, недооценка соусов) все приводят к недоучету, а не к переучету.

2. Голосовая регистрация — самая недооцененная функция в отслеживании калорий

Голосовая регистрация составила 38 записей за 14 дней — в основном масла для жарки, смузи, кофейные напитки и пропущенные блюда. Эти 38 голосовых записей представляли примерно 5,200 калорий, которые были бы потеряны или сильно недооценены в приложении, основанном только на фотографиях.

3. Сканирование штрих-кодов — самый простой способ повысить точность

Шестнадцать сканирований штрих-кодов за 14 дней. Каждое заняло 2-3 секунды и дало 99%+ точные данные. Cal AI и SnapCalorie заставили оценивать каждую из этих упакованных продуктов по фотографиям — используя метод с точностью 85-92%, когда был доступен метод с точностью 99%+.

4. Различия в скорости незначительны на практике

Разница между Cal AI (25 секунд в день) и Nutrola (85 секунд в день) составляет 60 секунд — одну минуту дополнительного ежедневного усилия для улучшения точности на 25%. Иными словами: одна дополнительная минута в день устранила 8,000 калорий ошибок за две недели.

5. Последовательность важна для анализа трендов

Записи Nutrola, основанные на базе данных, обеспечили плавный и надежный тренд калорий на протяжении 14 дней. Переменные оценки Cal AI создали шумный тренд, где ежедневные колебания были доминированы вариацией оценок AI, а не фактическими изменениями в режиме питания. Если вы пытаетесь определить, отличаются ли ваши привычки питания в выходные от будних дней, вам нужны последовательные базовые данные в будние дни — и трекеры, основанные только на AI, не могут их предоставить.

Вердикт

Cal AI действительно быстрый и впечатляюще простой. Для тех, кто хочет минимального трения и не нуждается в точных данных, он работает как инструмент осознания. Но средняя ошибка в 26.8% делает его непригодным для любой цели, требующей точных данных. Быстрый и чистый опыт подрывается тем, что цифры в вашем журнале значительно неверны.

SnapCalorie — самое технологически интересное приложение из протестированных. 3D-сканирование не является трюком — оно значительно улучшило оценку порций для видимых поданных блюд. Но улучшение было скромным (22.7% ошибка против 26.8% у Cal AI), потому что самые большие ошибки происходят из невидимых ингредиентов, а не из неправильного расчета порций. Премиальная цена ($9-15 в месяц) для приложения, основанного только на фотографиях, трудно оправдать.

Foodvisor занимает разумную среднюю позицию. Сканирование штрих-кодов и частичная поддержка базы данных значительно снижают ошибку по сравнению с приложениями, основанными только на AI. Оно лучше всего работает с европейскими продуктами и имеет профессиональный вид. Функция диетолога является уникальным предложением, но задержка делает ее непрактичной для отслеживания в реальном времени.

Nutrola обеспечила самый точный учет пищи с большим отрывом — средняя ошибка 1.5% против 14-27% у конкурентов. Точность достигается не за счет значительно лучшего AI, а благодаря проверенной базе данных, которая ловит то, что пропускает AI, голосовой регистрации, которая покрывает то, что не может захватить фотография, и сканированию штрих-кодов, которое предоставляет точные данные для упакованных продуктов. При цене €2.50 в месяц после бесплатного пробного периода без рекламы, это дешевле, чем каждое приложение, которое оно превзошло.

Дополнительная минута в день — это честная плата. Nutrola не самое быстрое приложение. Оно требует немного больше времени на прием пищи и немного более активного пользователя (подтверждение записей базы данных, голосовая регистрация скрытых ингредиентов). Но результат — это учет пищи, который отражает то, что вы действительно ели — что и является основной целью отслеживания калорий.

После 14 дней параллельного тестирования вывод прост: самый надежный AI-трекер калорий — это не тот, у кого самый впечатляющий AI. Это тот, который знает, когда AI недостаточно, и имеет проверенную базу данных, голосовую регистрацию и сканирование штрих-кодов, готовые заполнить пробелы. Это приложение, в этом тесте, было Nutrola.