ИИ показал дефицит калорий, которого могло не быть

Четыре популярных приложения занижали калорийность блюд в среднем на 252-345 ккал. Главная проблема оказалась в жирах, которые камера не видит

Знакомая ситуация: человек фотографирует каждый приём пищи, приложение подсчитывает калории, дневная норма вроде бы соблюдается. Однако проходят недели, а вес остаётся прежним.

Обычно объяснения ищут в особенностях обмена веществ, недостаточной физической активности или неточном соблюдении диеты. Но существует ещё одна возможность: исходные данные, на основании которых человек оценивает своё питание, могут быть неверными.

Именно эту проблему исследовали специалисты Национального института диабета, болезней органов пищеварения и почек США (NIDDK), входящего в структуру NIH. Результаты представили 25 июля 2026 года на научной конференции NUTRITION 2026.

102 блюда, калорийность которых была известна заранее

Чтобы проверить точность приложений, исследователям требовались блюда, состав которых можно установить независимо от искусственного интеллекта.

Такие блюда уже готовили в метаболической кухне Клинического центра NIH. Это специализированная исследовательская кухня, где каждый ингредиент взвешивают и учитывают, чтобы точно контролировать состав экспериментального питания.

Учёные использовали 102 блюда из более крупного исследования, посвящённого обмену веществ при стандартном и низкоуглеводном кетогенном питании.

Каждый ингредиент взвешивали с точностью до 0,1 грамма. Затем энергетическую ценность и содержание питательных веществ рассчитывали по справочным таблицам состава продуктов. Таким образом исследователи получили значительно более надёжные контрольные значения, чем те, которые можно вывести из фотографии.

Средняя энергетическая ценность исследованных блюд составляла 918 ккал. Диапазон был достаточно широким — от 592 до 1211 ккал.

После этого блюда сфотографировали в стандартизированных условиях, а изображения обработали четыре приложения:

• MyFitnessPal;
• Lose It!;
• Cal AI;
• Appediet.

Исследователей интересовало, насколько оценки программ совпадут с реальным составом приготовленной пищи, который был известен заранее.

Куда исчезли сотни калорий

Результат оказался неожиданно последовательным: все четыре приложения систематически занижали энергетическую ценность блюд.

Средняя разница между оценками приложений и контрольными значениями составила:

• Appediet — 252 ккал;
• MyFitnessPal — 327 ккал;
• Lose It! — 333 ккал;
• Cal AI — 345 ккал.

В совокупности речь шла примерно о трети энергетической ценности исследованных блюд.

Принципиально важно, что 345 ккал — не максимальная ошибка отдельной фотографии, а наибольшее среднее занижение среди четырёх проверенных приложений. В отдельных случаях отклонение могло быть больше или меньше. Иногда программы могли и завышать калорийность.

При этом различия между приложениями не следует воспринимать как окончательный рейтинг качества. Исследование проверяло конкретные версии программ на определённом наборе блюд, а не все возможные ситуации их использования.

Однако общий характер ошибки заслуживает внимания. Если оценка систематически смещена вниз, то при регулярном использовании приложения ошибка может повторяться изо дня в день.

Главная слепая зона ИИ — около 30 граммов жира

Наиболее интересным оказался анализ отдельных питательных веществ.

Все четыре приложения недооценивали содержание жиров примерно на 30 граммов за один приём пищи.

Чтобы понять масштаб, достаточно вспомнить энергетическую плотность основных пищевых компонентов.

Один грамм жира обеспечивает приблизительно 9 ккал, тогда как грамм белка или усвояемых углеводов — около 4 ккал.

Следовательно, неучтённые 30 граммов жира соответствуют примерно 270 ккал. Это величина, сопоставимая с большей частью обнаруженной ошибки в общей калорийности.

Такое совпадение не доказывает, что абсолютно вся ошибка объяснялась жирами. Но оно хорошо показывает, почему неправильная оценка именно этого компонента способна настолько сильно изменить итоговый результат.

С углеводами приложения справлялись заметно лучше. Их оценки были более последовательными, чем оценки жиров и белков.

Почему возникла такая разница?

Камера видит блюдо, но не способ его приготовления

Фотографический анализ питания обычно включает несколько последовательных этапов.

Сначала алгоритм распознаёт продукты. Затем пытается определить размер порции, сопоставляет распознанную пищу с базой данных о питательных веществах и рассчитывает её энергетическую ценность.

Проблема возникает там, где изображение не содержит всей необходимой информации.

Представьте тарелку овощей с рыбой или курицей. По фотографии можно распознать основные ингредиенты, но значительно труднее определить, сколько масла использовали при приготовлении, сколько жира осталось в готовом блюде и что входит в состав соуса.

Одна столовая ложка растительного масла содержит примерно 120 ккал. Две ложки могут добавить около 240 ккал, практически не изменив внешний вид готового блюда.

Сложности возникают и с размером порции. Камера фиксирует двумерное изображение, но не измеряет массу продуктов непосредственно. Две внешне похожие тарелки могут содержать существенно разное количество пищи.

Особенно трудно оценивать многокомпонентные блюда: запеканки, супы, рагу, блюда с заправками и сложными соусами.

Это возможные механизмы ошибки, согласующиеся с результатами исследования. Однако сама работа не устанавливала экспериментально, какая доля погрешности была вызвана маслом, какая — размером порции, а какая — другими особенностями распознавания.

Ключевое различие заключается в следующем: приложение не измеряет энергетическую ценность пищи. Оно делает её статистическую оценку по ограниченному набору визуальных признаков.

И даже очень убедительно выглядящая цифра на экране остаётся оценкой.

Почему кетогенное питание стало особенно сложной задачей

После первоначальной проверки исследователи проанализировали ещё более 200 блюд, пытаясь понять, какие особенности питания влияют на точность программ.

Предварительные результаты показали, что приложения особенно часто ошибались при оценке низкоуглеводных кетогенных блюд.

Такой рацион обычно предполагает значительную долю жиров в общей энергетической ценности пищи. Именно тот компонент, который программы недооценивали наиболее последовательно, становится главным источником энергии.

Получается своеобразный парадокс: человек может достаточно тщательно соблюдать выбранное соотношение белков, жиров и углеводов, но приложение будет показывать ему искажённую картину этого соотношения.

При этом дополнительные результаты пока предварительные. Они не означают, что все кетогенные блюда обязательно оцениваются хуже любых других, и не доказывают непригодность фототрекеров для определённого типа питания.

Как возникает дефицит калорий только на экране

Представим человека, который расходует в среднем 2300 ккал в сутки и стремится постепенно снизить массу тела.

Приложение сообщает ему, что за день он употребил 2000 ккал. На экране появляется расчётный дефицит в 300 ккал.

Но если фактическая калорийность одного из приёмов пищи была недооценена на те же 300 ккал, реальное суточное потребление окажется около 2300 ккал.

В таком случае предполагаемый дефицит исчезает.

Это условный пример, а не результат наблюдения за участниками исследования NIH. Учёные проверяли точность оценки блюд, но не измеряли, как использование приложений влияло на снижение массы тела.

Тем не менее пример демонстрирует важную особенность цифрового контроля питания: даже небольшая систематическая ошибка способна изменить представление человека о собственном энергетическом балансе.

При этом не стоит автоматически прибавлять 250-345 ккал к каждому приёму пищи. Это средние показатели конкретного исследования, а не универсальная поправка для всех блюд и пользователей.

Необходимо учитывать и другую неопределённость. Приложения нередко оценивают не только поступление калорий, но и их расход. Последний также рассчитывается приблизительно, с учётом индивидуальных особенностей и физической активности.

Поэтому отсутствие снижения веса не обязательно означает ошибку фототрекера. На динамику массы тела влияют колебания содержания воды, изменение физической активности, особенности состава тела и множество других факторов.

Но прежде чем считать проблему исключительно физиологической, разумно проверить точность исходных измерений.

Как повысить точность подсчёта калорий без отказа от ИИ

Результаты исследования не означают, что приложения бесполезны.

Фотографирование еды может облегчать ведение дневника питания, помогать замечать повторяющиеся пищевые привычки и снижать трудоёмкость самостоятельного учёта.

Однако удобство и точность — разные характеристики инструмента.

Более надёжный подход предполагает сочетание автоматического распознавания с проверкой информации, которую камера определить не может.

Во-первых, стоит обращать внимание на размер порций. Если приложение позволяет вручную изменять массу продукта, эту возможность особенно полезно использовать для основных ингредиентов.

Во-вторых, желательно отдельно учитывать масла, жирные заправки, соусы и другие калорийные добавки. Не следует полагаться на то, что алгоритм автоматически распознает их фактическое количество.

В-третьих, для регулярно употребляемых блюд можно один раз рассчитать калорийность по рецепту, взвесив ингредиенты, а затем использовать сохранённые данные. Это особенно удобно для домашней еды, состав которой обычно мало меняется.

Для упакованных продуктов разумнее опираться на пищевую маркировку, чем на фотографическую оценку.

Наконец, если цель — снижение массы тела, важно сопоставлять данные дневника с динамикой веса за несколько недель, а не делать выводы по одному дню. При необходимости корректировать питание лучше постепенно, без чрезмерных ограничений.

В сущности, наиболее полезным может оказаться не полностью автоматический подсчёт, а совместная работа человека и алгоритма.

Что исследование пока не позволяет утверждать

Несмотря на убедительные результаты контролируемого сравнения, у работы есть ограничения.

Прежде всего, результаты представили на конференции NUTRITION 2026. Тезисы опубликованы в Current Developments in Nutrition, однако это не равнозначно полноценной научной статье, прошедшей стандартное рецензирование. Поэтому выводы пока следует считать предварительными.

Кроме того, использовались блюда из конкретного исследовательского протокола. Их средняя энергетическая ценность составляла 918 ккал, что не отражает всего разнообразия повседневных перекусов, домашних завтраков и ресторанных блюд.

Исследователи оценивали четыре приложения. Полученные цифры нельзя автоматически переносить на все существующие программы или их будущие обновления.

Важно и то, что проверялись автоматические оценки по фотографиям. Исследование не показало, насколько уменьшилась бы ошибка, если бы пользователь уточнял размеры порций и вручную добавлял пропущенные ингредиенты.

Наконец, работа не проверяла клинические исходы: снижение веса, соблюдение диеты или долгосрочное изменение пищевого поведения.

Для этого потребуются отдельные исследования с участием реальных пользователей, разными типами питания и наблюдением в течение продолжительного времени.