新AI模型找到更便宜的健康饮食之路

# 新AI模型为健康饮食找到更经济之路 来源：https://www.thebrighterside.news/post/new-ai-model-finds-a-cheaper-path-to-healthier-eating/ 早餐麦片碗、熟食三明治、披萨晚餐、汤品、酸奶餐盘。大多数人并非从零开始选择饮食，而是出于习惯。这正是营养建议难以遵循的部分原因，也是新人工智能系统试图解决的问题之一。 加州大学戴维斯分校（UC Davis）的研究人员（https://www.ucdavis.edu/）不是从零开始设计理想餐食，而是围绕人们常吃的餐食构建了一个模型。目标很简单：保持餐食的辨识度。然后，观察极少量食材替换是否能让这些餐食更符合膳食目标。研究人员还同时寻找降低餐食成本的方法。 答案是肯定的，至少在计算测试中如此。 利用美国国家膳食调查数据，Trevor Chan 和 Ilias Tagkopoulos 开发了一个框架，根据常见的饮食模式生成符合现实的早餐、午餐和晚餐。然后，该系统寻找一到三项食材替换，以改善营养。在这项发表于《PLOS Digital Health》（https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0001367）的研究中，这些有限的改变使营养质量提高了约10%，同时还将模拟餐食成本降低了22%至34%。 端到端餐食生成、RDI感知分量调整及替换评估。（来源：PLOS Digital Health）这种组合之所以重要，是因为饮食建议往往在科学与现实生活交汇处失效。人们可能知道自己应该吃得更健康，但关于蛋白质、纤维、钠或饱和脂肪的宽泛指导并不总能转化为具体该买什么。此外，人们并不总是知道周二晚上该做什么菜或如何替换。 ### 围绕人们常吃食物构建的模型 研究团队利用了美国农业部（USDA）的“我们在美国吃什么”调查数据，使用了2013年至2020年的六个调查周期。他们的数据集包括55,228名成人记录的135,491份餐食。研究人员据此将餐食归纳为可辨识的早餐、午餐和晚餐模式，他们称之为“典型模式”。 这些典型模式捕捉了美国饮食（https://www.thebrighterside.news/post/high-fat-diets-may-lead-to-liver-cells-becoming-cancerous/）中熟悉的餐食风格，包括麦片早餐、三明治午餐、披萨晚餐、汤品、酸奶为主的餐食，以及以面包和酱料为主的类似零食的餐盘。研究人员共保留了34个餐食聚类：12个早餐、11个午餐和11个晚餐。 聚类的目的不仅是组织数据。它让模型能够在真实饮食习惯的逻辑框架内运作。一份午餐餐盘与其他午餐进行比较，而非与抽象的完美概念比较。一个麦片碗仍然是一个麦片碗。 餐食生成器本身使用了条件变分自编码器（conditional variational autoencoder），这是一种旨在产生合理组合而非固定输出的机器学习模型。它在经筛选的餐食上训练，并与一个分量调整系统配对。该系统将份量大小向USDA营养目标靠拢，同时尽量保留每餐的核心构成。 与同一模式下的真实餐食相比，AI生成的餐食整体上更接近USDA营养目标47%。这一改善体现在研究团队研究的34个餐食聚类中的33个。 餐食在嵌入空间中的典型模式（按时间段划分）。来自混合特征空间（营养素和WWEIA类别克数）的餐食的t-SNE图显示了早餐（上）、午餐（中）和晚餐（下）的可解释、紧凑的聚类。（来源：PLOS Digital Health）午餐的目标偏差中位数降幅最大，达52.1%。早餐（https://www.thebrighterside.news/discoveries/4-out-of-5-americans-face-toxic-exposure-from-oat-based-foods-like-cheerios-and-quaker-oats/）改善了43.2%，晚餐改善了46.0%。研究人员还发现多种营养素（包括纤维、蛋白质、钾和维生素C）的充足性有所提高。 并非所有指标都改善。生成午餐和晚餐的钠偏差增加了，这提醒我们，即使模型整体上使餐食更接近指导方针，某些营养素仍可能滞后或恶化。 ### 最小变化带来最大影响的地方 替换步骤可能是研究中最实用的部分。 生成餐食后，系统寻找最少量的食材改变以进一步改善餐食。它将餐食与类似的现实替代方案进行比较，要求大致相同的能量和餐食大小。此外，它还在同一食物类别内测试了简单的单食材替换。 在19,013份生成餐食中，有8,337份至少有一个可行的替换候选。这些餐食被纳入成本效益分析。 在研究选定的操作点上，单食材替换带来了5.2%的营养改善和22.0%的成本节省。双食材替换将营养改善提升至8.1%，成本节省达30.2%。三食材替换实现了10.2%的营养改善和33.8%的成本节省。 最常见的模式并不激进。系统通常会添加蔬菜或豆类，并移除或替换高钠、加工食品。换句话说，它通常不要求彻底改造餐盘。 相似度-项目数量图。生成的餐食在其典型模式内聚集，但仍广泛分布，表明在按典型模式匹配时保持了多样性和真实性。（来源：PLOS Digital Health）这可能有助于解释为什么作者看好这种最小变化方法。“膳食指南通常告诉人们健康饮食应该是什么样的，但并不总是展示如何从人们常吃的餐食达到那种状态，”Chan 和 Tagkopoulos 说。 “我们的研究表明，通过识别少量食材替换，可以在使餐食更健康（https://www.thebrighterside.news/post/identical-twin-study-reveals-whether-vegan-or-meat-based-diets-are-healthier/）且具有成本效益的同时，保持其可辨识性，从而将膳食标准转化为实际的餐食层面改变。我们发现最有趣的是，改善餐食不一定需要完全重新设计。在许多情况下，有针对性的替换可能就足以使餐食更接近膳食建议，这可能会让健康饮食感觉更实际、更可实现，”他继续说道。 他们在另一份声明中说得更直白：“更健康的饮食并不意味着放弃人们已经喜欢的餐食。借助AI，我们可以识别出小的食材替换，既能保持口味，又能对我们的健康和钱包更有利。” ### 优于通用聊天机器人 研究人员还将他们的专用系统与GPT-4o进行了比较，使用了涵盖34个餐食聚类的3,400份餐食。他们的模型在大多数基于标准的营养指标上表现更好，尤其是宏量营养素平衡。 只有11.9%的GPT-4o餐食符合AMDR宏量营养素标准，而UC Davis框架的这一比例为18.9%。GPT-4o还倾向于生成脂肪含量更高、碳水化合物（https://www.thebrighterside.news/post/eating-green-bananas-can-lower-your-risk-of-cancer-by-over-60/）含量更低的餐食，而研究模型的餐食则相反。GPT-4o确实生成了更多样化的餐食，但多样性并非此研究的主要目标。 这一比较有助于强调论文的更广泛论点：当营养工具建立在领域约束之上，而非依赖通用聊天机器人随意提供餐食建议时，它们可能效果更好。 尽管如此，该论文对系统已展示和未展示的内容很谨慎。 一份真实餐食（上）及其两个生成的一跳替换（左下）和两跳替换（右下）。中间图显示了每营养素比值（替换/原始；对数尺度），垂直线表示平衡点。（来源：PLOS Digital Health）整个评估是计算性的。研究人员没有测试真实人群是否想要这些替换、理解它们、遵循它们或持续使用它们。他们没有测量临床结果。他们还指出，基础饮食数据来自自我报告的食物摄入量，这可能包括少报、误报份量大小和其他偏差。 同时，成本模型是基于某个时间点的份量餐厅定价框架，而非不同地区的真实食品杂货账单。 因此，结果表明系统在纸面上能优化什么，而非它能在厨房、食堂、诊所或购物车中改变什么。 ### 研究的实际意义 这项研究指向一种不同的营养指导方式，即从人们常吃的餐食开始，只建议少数有针对性的改变。这可能使建议对消费者应用程序、公共卫生项目（https://www.thebrighterside.news/post/apps-and-wearables-are-quietly-shaping-healthier-habits-in-young-people/）以及最终对临床指导工具更具可用性。 其吸引力不仅在于更好的营养对齐，还在于降低阻力：替换一两样东西，花更少的钱，保持餐食熟悉感。研究人员强调，还需要进行现实世界测试。这在可用性、过敏、文化适应性以及人们是否真正遵循建议方面尤其重要。 但这项工作表明，当目标不是完美的餐盘，而是眼前餐食的一个稍好版本时，更健康的饮食可能会变得更实用。 --- - 健康饮食可能延缓老年人慢性病和衰老（https://www.thebrighterside.news/post/healthy-diets-may-slow-chronic-disease-and-aging-in-older-adults/） - 每天吃一个鸡蛋与降低老年人阿尔茨海默病风险相关（https://www.thebrighterside.news/post/eating-one-egg-a-day-linked-to-lower-alzheimers-risk-in-older-adults/） - AI发现肥胖不仅损害你的脸庞，还损害全身神经（https://www.thebrighterside.news/post/obesity-damages-your-face-as-well-as-nerves-across-the-whole-body-ai-finds/） ---