Искусственный интеллект на страже здорового питания: потенциал, точность и перспективы

«Однажды я заметила, что слишком много времени стала проводить за подсчетом калорий, стараясь похудеть после родов. Записывать каждую порцию, сверяться с таблицами и приложениями стало обременительно. В поисках решения я обратилась к чат‑боту с искусственным интеллектом: достаточно описать завтрак, и программа сразу выдает энергетическую ценность и список нутриентов…»

С появлением доступа к ИИ к такому способу контроля порций стали приходить многие люди всем мире в поиске метода составления персональных рационов и отслеживания питания по фотографиям. Но насколько такие инструменты точны? Какие риски они несут? И смогут ли они заменить специалистов‑диетологов?

Как ИИ меняет диетологию

Точность и персонализация

ИИ‑технологии позволяют учитывать много факторов: генетику, биомаркеры и стиль жизни, создавая персональные планы питания. Недаром исследователи последние годы пытаются понять, насколько эффективным может быть искусственный интеллект в руках пользователей.

В обзорной работе, опубликованной в январе 2025 года в журнале Nutrients, ученые показали, что алгоритмы ИИ помогают создавать диеты с высокой точностью, анализируя одновременно данные о еде и показатели здоровья. Такие системы способны рекомендовать продукты, оптимизированные под конкретный обмен веществ и даже состояние микробиоты, что открывает путь к прецизионной диетологии[1].

В этой статье перечислены несколько перспективных направлений применения ИИ: мониторинг питания с помощью “умных” систем, алгоритмы машинного обучения для прогнозирования хронических заболеваний, распознавание продуктов в мобильных приложениях и носимые устройства для контроля баланса нутриентов. Согласно авторам, эти технологии уже сокращают ошибки в традиционной оценке рациона и повышают точность анализа[2].

Новой уровень объективности

Одно из преимуществ ИИ — уменьшение влияния человеческого фактора. В обзоре Image‑Assisted Dietary Assessment (IADA) отмечается, что диетологи и нутрициологи часто полагаются на воспоминания клиентов, что приводит к недооценке порций[3]. Фотодневники снижают нагрузку, но всё ещё требуют специалистов для расшифровки. IADA использует алгоритмы, которые распознают еду по изображению и оценивают объем порций. После 2015 года традиционные последовательные алгоритмы уступили место глубоким нейросетям; новейшие подходы комбинируют несколько задач (распознавание, оценка объема, расчёт нутриентов) в одной модели, повышая точность определения макронутриентов и энергетической ценности. Пока лишь несколько систем умеют корректно оценивать микронутриенты, что остаётся задачей для дальнейших исследований[3].

Качество диет и точность подсчета калорий: сравнение ИИ‑чат‑ботов

Исследование «Diet Quality and Caloric Accuracy in AI‑Generated Diet Plans» (Nutrients, 2025) сравнивало три популярных ИИ-платформы: Gemini, Microsoft Copilot и ChatGPT 4.0. Учёные попросили каждую систему составить планы питания для мужчин и женщин с дефицитом калорий (1400–1800 ккал). Полученные меню оценивали по международному индексу качества диеты (DQI‑I) и точности энергоёмкости. Выводы оказались неоднозначными:

• Высокое качество рациона. Все чат‑боты набрали более 70 баллов по индексу DQI‑I, что свидетельствует о достаточном разнообразии, адекватности и умеренности питания.
  

• Проблемы с балансом макронутриентов. Наибольшие отклонения касались распределения жиров и углеводов; именно показатели баланса оказались самыми низкими, несмотря на высокие итоговые оценки[4].
• Точность калорий. ChatGPT 4.0 показал лучшую точность в соблюдении требуемой калорийности, тогда как Gemini давал самые разбросанные значения: более 50 % предложенных им меню отклонялись от цели более чем на 20 %[4]. Это означает, что без ручной корректировки можно получить рацион либо слишком калорийный, либо слишком строгий.

Выводы. Авторы заключают, что ИИ‑чат‑боты способны формировать разнообразные и практически адекватные диеты, но им нужен дальнейший алгоритмический «тюнинг», особенно в части распределения нутриентов и точности калорий. Такие инструменты должны «дополнять, а не заменять» экспертизу специалистов[5].

Платформы, распознающие пищу и оценивающие рацион

IADA и распознавание по изображениям

Системы IADA, описанные в обзоре JMIR (2024), используют компьютерное зрение для анализа фото еды. Ранние решения работали на основе отдельных этапов (сегментация, идентификация, оценка порций), но после 2015 года разработчики перешли на глубокие сверточные сети. Новые модели способны решать сразу несколько задач, а также используют генеративные модели для улучшения качества оценок[3]. Валидация показывает, что ошибки при оценке калорийности колеблются в пределах 10–15 %, а точность распознавания продуктов достигает 74–99 %[6].

ИИ‑сервисы для подсчета калорий

Обзор JMIR 2024 года рассматривает 25 исследований, в которых использовались различные сенсоры: фотографии, данные звука и движения челюсти с носимых устройств и текст (расшифровки диетических дневников). В работе приведены показатели некоторых алгоритмов:

• сети RGB‑D (Red‑Green‑Blue‑Depth) достигали средней абсолютной ошибки в 15 % при оценке калорийности;
• модели, анализирующие звук и движение челюсти, определяли факт приёма пищи с точностью до 94 %[6];
• большинство систем успешно оценивали макронутриенты, но лишь единицы могли корректно определить содержание натрия или витаминов[3].

Авторы делают вывод, что искусственный интеллект уменьшает трудозатраты и повышает объективность, однако его способности ограничены разнообразием продуктов и качеством тренировочных данных. Важной задачей остаются этические вопросы: защита данных, предотвращение алгоритмических ошибок и обеспечение справедливости рекомендаций[7].

ИИ как инструмент поведения и мотивации

Исследования показывают, что ИИ‑чат‑боты могут выступать не только «калькуляторами», но и мотивационными помощниками. В систематическом обзоре Международного журнала поведенческого питания и физической активности (IJBNPA) оценены 9 рандомизированных и квази‑экспериментальных исследований использования чат‑ботов для продвижения физической активности и здорового питания. Итоги таковы:

• Чат‑боты повышали уровень физической активности участников (5 из 7 работ отметили положительный эффект)[8].
• Доказательств эффективности чат‑ботов для изменения диеты и снижения веса пока недостаточно; количество исследований невелико, а данные разрознены[8].
• Большинство ботов были правил‑основанными, но уже появились более «гибкие» инструменты, имитирующие реальный диалог[8].

Авторы подчёркивают необходимость стандартизации методик и более качественных исследований, чтобы понять, помогают ли такие боты в долгосрочной перспективе[8].

Эти выводы важны для пользователей: пока что боты могут служить источником мотивации, напоминать о тренировках и предлагать рецепты, но полагаться на них как на полноценный инструмент для коррекции веса не стоит.

Практические рекомендации по настройке ИИ‑платформ для подсчета калорий

1. Чётко формулируйте запросы. Чат‑боты точнее работают, когда получают подробные данные: вес и объём продукта, способ приготовления, наличие соусов и т. п.
2. Проверяйте баланс макронутриентов. Автоматические меню могут быть перекошены по соотношению жиров, белков и углеводов. Пользователь должен сравнивать рекомендации бота с нормами.
3. Сверяйте энергетическую ценность. Даже «лучшие» модели дают отклонения. Используйте параллельные источники (фирменные таблицы, приложения) для перекрестной проверки. По данным исследования, ChatGPT 4.0 показал наибольшую точность, тогда как Gemini часто отступал от заданных значений более чем на 20 %[4].
4. Настраивайте ИИ под свои цели. Указывайте необходимый дефицит или профицит калорий, индивидуальные ограничения (вегетарианство, аллергии), а также цель (похудение, набор мышечной массы, поддержание веса).
5. Сохраняйте гибкость. ИИ‑план — это черновик, а не догма. Учитывайте сезонность продуктов, культурные традиции и личные предпочтения. Периодически пересматривайте рацион вместе с врачом или нутрициологом.
6. Защищайте приватность. Многие сервисы собирают данные о питании, возрасте, здоровье. Выбирайте платформы с прозрачной политикой конфиденциальности и воздерживайтесь от загрузки чувствительной информации, если не уверены в её защищенности[7].

Этические и технические вызовы

Несмотря на успехи, массовое внедрение ИИ в питание сопровождается рядом проблем:

• Нечувствительность к культурному контексту. Алгоритмы обучаются на ограниченных наборах данных и могут давать рекомендации, не соответствующие локальным традициям питания или экономическим возможностям. Международная группа исследователей обращает внимание на необходимость сотрудничества между технологами, врачами, диетологами и сообществами, чтобы сделать решения инклюзивными[1]
• Неравенство в доступе. Высокотехнологичные сервисы и носимые устройства стоят недёшево. Это усиливает цифровой разрыв и может ухудшать здоровье групп с низким доходом.
• Алгоритмические ошибки. Недавний обзор отмечает, что даже лучшие модели допускают значительные отклонения при составлении рационов и оценке калорийности[4]. Если такие диеты использовать без контроля, они могут привести к недоеданию или перееданию.
• Прозрачность и справедливость. Закрытый код и отсутствие внешней экспертизы не позволяют пользователям понять, как работают алгоритмы и существуют ли в них предвзятости. Это особенно важно, если ИИ используется в медицине и может повлиять на здоровье людей.

Перспективы: куда движется наука

Современные исследования демонстрируют, что искусственный интеллект способен революционизировать питание, но это не гарантия автоматического избавления от диетических проблем. Работы в Nutrients и JMIR показывают, что ИИ уже существенно повышает качество оценки рациона и выстраивает персонализированные рекомендации[2][6]. При этом даже продвинутые чат‑боты пока не способны заменить экспертов — они требуют алгоритмического совершенствования, участия специалистов и внимательной настройки пользователями.

В ближайшие годы ожидается:

• Интеграция биосенсоров. Исследователи предлагают объединить ИИ‑системы с данными носимых устройств (уровень глюкозы, сердечный ритм, гормоны), что позволит точнее отслеживать метаболическую реакцию на питание[7].
• Энд‑ту‑энд‑модели и мультимодальные алгоритмы. Модели «один вход — один выход» уступят место комплексным сетям, оценивающим не только калории, но и микроэлементы, аллергены, скорость всасывания.
• Этическая нормативизация. Всё больше внимания уделяется приватности и справедливости. Международные организации разрабатывают стандарты для ИИ‑диетологии, чтобы предотвратить дискриминацию и защитить персональные данные.
• Партнёрство человека и алгоритма. Консенсус специалистов: наилучшие результаты возможны при сотрудничестве между разработчиками, врачами, нутрициологами и пользователями. ИИ должен быть инструментом в руках профессионалов, а не «заменой врача»[2].

Заключение

ИИ стремительно входит в нашу кухню — от чат‑ботов, которые мгновенно составляют диетические планы, до приложений, распознающих еду по фотографии. Рецензируемые исследования показывают, что такие технологии значительно улучшают точность оценки рациона и могут мотивировать к изменению поведения, но ещё не совершенны. Они могут допустить серьёзные ошибки в калорийности и макронутриентном балансе, подвержены культурным и алгоритмическим предвзятостям и требуют надёжной защиты данных.

Чтобы получить пользу от ИИ, важно понимать его ограничения, использовать несколько источников информации, консультироваться с диетологами и помнить, что лучшая диета — это та, что учитывает индивидуальные потребности и устойчива в долгосрочной перспективе. В этом смысле искусственный интеллект — не волшебная палочка, а мощный помощник, который вместе с экспертами и пользователями способен сделать питание более осознанным, здоровым и доступным.

Автор: Анна Шелест