营养类应用程序多年来一直在指导人们该吃什么。大多数应用程序都能从零开始构建理想的膳食方案——既满足营养目标，又能最大限度地减少加工食品的摄入。
这是你本该吃的饭菜，而不是你实际做的饭菜。
这些方法都未能引起太多关注。一项新的研究尝试了一种不同的方法：从人们日常的饮食入手，找到能够真正产生影响的最小改变。
建议缺口
这个问题确实存在。一项涵盖近200个国家的大规模研究表明，不良饮食习惯是导致糖尿病、心脏病和其他慢性疾病的主要原因之一。
在晚餐时付诸行动则是完全另一回事了。
加州大学戴维斯分校（UC Davis）的计算机科学家 Trevor Chan 和 Ilias Tagkopoulos 怀疑真正的问题是任务规模太大。
许多减肥应用程序要求用户彻底改变饮食习惯，而正是这种改变饮食习惯的过程让人们放弃使用。
该团队的目标有意设定得比较适中。
他们不想从零开始打造一份完美的餐盘，而是想从人们已经吃的食物入手，尽可能少地改变它们，使其更符合健康饮食的理念。
从餐食中学习
为了解美国人餐盘里究竟装了些什么，该团队参考了一项名为“美国人吃什么”的长期联邦调查。
该调查记录了超过 55,000 名成年人报告的 135,000 多份餐食。
通过对所有这些进行分类，该模型将膳食归类为 34 种日常膳食模式——麦片加牛奶早餐、熟食三明治午餐和披萨晚餐。
然后，一个生成式人工智能程序学会了根据每个人的口味制作新鲜的菜肴。
该计划同时解决了两个问题。它选择了天然搭配的食物，然后调整份量，使每餐更接近联邦营养指南，同时又保持了人们实际会吃的食物的特色。
更接近健康目标
当研究团队将他们自行设计的膳食与真实的膳食按照相同的模式进行对比时，结果发现，自行设计的膳食更健康。他们使膳食与联邦营养目标之间的差距缩小了约47%。
这些改善并非抽象的。生成的膳食中纤维、蛋白质和钾的含量均有所增加，维生素的不足之处也得到了补充，同时膳食的外观和口味与原膳食基本保持一致。
有一项指标出了问题。一些午餐和晚餐中的钠含量升高了——这清楚地表明，没有任何一种方法可以一次性解决所有营养素的问题。
几个简单的替换
早期的工具可以从零开始构建健康的菜单。但没有一个工具能够针对你已经吃的食物进行最小的调整——比如做一些精心挑选的食物替换。
他们测试了每餐改变一、二或三样食材的做法。最常见的改变很简单：增加蔬菜或豆类，去掉最咸或加工最彻底的食品。
效果与投入的精力成正比。一次简单的食材替换就能使一餐的营养价值提升约 5%，同时将预计成本降低约五分之一。
允许进行三次替换，结果发现，餐食的健康程度提高了约 10%，而花费却减少了近三分之一。
餐食保持不变——可能会用豆类代替油腻的配菜，或者加入更多的蔬菜。
这并非要重新发明晚餐——只是对同一顿饭进行更精简的改良。
比聊天机器人指导更好
任何人工智能食品工具都面临着一个合理的问题：为什么不直接问聊天机器人呢？
该团队正是对此进行了测试，将他们专门开发的模型与当时最强大的通用聊天机器人 GPT-4o 进行了对比。
它的专业化模式在关键之处取得了成功。蛋白质、脂肪和碳水化合物的平衡——它与联邦目标的契合度更高。
聊天机器人倾向于选择高脂肪、低碳水化合物的餐盘。这种饮食差异符合更广泛的规律。
最近一项针对提供饮食建议的聊天机器人的调查发现，它们的指导参差不齐，有时甚至出错，这表明将营养规则直接构建到模型中可能比自由形式的聊天更有优势。
研究的局限性
这项研究存在一个重要的局限性：所有结果都只存在于计算机模型中。
没有人准备过这些饭菜，也没有人吃过这些饭菜，更没有人测试过建议的替换方案是否能够长期坚持下去。
这些数据本身也存在偏差。参与者报告的是他们自己的饮食情况，而人们通常会少报不健康的食物，多报更健康的选择。
同样，估算的成本节省也是基于模拟菜单，而不是实际的购物小票。
作者并没有夸大其词。他们从这些数据中看到了一条清晰的线索。
研究人员指出：“更健康的饮食并不意味着要放弃人们已经喜欢的食物。”
哪些方面可能会发生变化？
这里的新颖之处在于杠杆的尺寸。一顿饭不需要重新设计。
一两项精心挑选的替换措施可以使其更符合指导方针，同时还能降低成本。
实际效果不难理解。一款超市应用可以在结账时建议顾客替换一种食材，而不是推荐一种全新的饮食方案；一项公共卫生计划则可以为人们提供更便宜、更健康的日常膳食方案。
最终，同样的引擎可以为营养师使用的工具提供信息，提出患者可以坚持的改变方案。
更重要的道理显而易见：改善饮食习惯可能与其说是依靠意志力，不如说是做出正确的小改变。
营养类应用程序多年来一直在指导人们该吃什么。大多数应用程序都能从零开始构建理想的膳食方案——既满足营养目标，又能最大限度地减少加工食品的摄入。
这是你本该吃的饭菜，而不是你实际做的饭菜。
这些方法都未能引起太多关注。一项新的研究尝试了一种不同的方法：从人们日常的饮食入手，找到能够真正产生影响的最小改变。
建议缺口
这个问题确实存在。一项涵盖近200个国家的大规模研究表明，不良饮食习惯是导致糖尿病、心脏病和其他慢性疾病的主要原因之一。
在晚餐时付诸行动则是完全另一回事了。
加州大学戴维斯分校（UC Davis）的计算机科学家 Trevor Chan 和 Ilias Tagkopoulos 怀疑真正的问题是任务规模太大。
许多减肥应用程序要求用户彻底改变饮食习惯，而正是这种改变饮食习惯的过程让人们放弃使用。
该团队的目标有意设定得比较适中。
他们不想从零开始打造一份完美的餐盘，而是想从人们已经吃的食物入手，尽可能少地改变它们，使其更符合健康饮食的理念。
从餐食中学习
为了解美国人餐盘里究竟装了些什么，该团队参考了一项名为“美国人吃什么”的长期联邦调查。
该调查记录了超过 55,000 名成年人报告的 135,000 多份餐食。
通过对所有这些进行分类，该模型将膳食归类为 34 种日常膳食模式——麦片加牛奶早餐、熟食三明治午餐和披萨晚餐。
然后，一个生成式人工智能程序学会了根据每个人的口味制作新鲜的菜肴。
该计划同时解决了两个问题。它选择了天然搭配的食物，然后调整份量，使每餐更接近联邦营养指南，同时又保持了人们实际会吃的食物的特色。
更接近健康目标
当研究团队将他们自行设计的膳食与真实的膳食按照相同的模式进行对比时，结果发现，自行设计的膳食更健康。他们使膳食与联邦营养目标之间的差距缩小了约47%。
这些改善并非抽象的。生成的膳食中纤维、蛋白质和钾的含量均有所增加，维生素的不足之处也得到了补充，同时膳食的外观和口味与原膳食基本保持一致。
有一项指标出了问题。一些午餐和晚餐中的钠含量升高了——这清楚地表明，没有任何一种方法可以一次性解决所有营养素的问题。
几个简单的替换
早期的工具可以从零开始构建健康的菜单。但没有一个工具能够针对你已经吃的食物进行最小的调整——比如做一些精心挑选的食物替换。
他们测试了每餐改变一、二或三样食材的做法。最常见的改变很简单：增加蔬菜或豆类，去掉最咸或加工最彻底的食品。
效果与投入的精力成正比。一次简单的食材替换就能使一餐的营养价值提升约 5%，同时将预计成本降低约五分之一。
允许进行三次替换，结果发现，餐食的健康程度提高了约 10%，而花费却减少了近三分之一。
餐食保持不变——可能会用豆类代替油腻的配菜，或者加入更多的蔬菜。
这并非要重新发明晚餐——只是对同一顿饭进行更精简的改良。
比聊天机器人指导更好
任何人工智能食品工具都面临着一个合理的问题：为什么不直接问聊天机器人呢？
该团队正是对此进行了测试，将他们专门开发的模型与当时最强大的通用聊天机器人 GPT-4o 进行了对比。
它的专业化模式在关键之处取得了成功。蛋白质、脂肪和碳水化合物的平衡——它与联邦目标的契合度更高。
聊天机器人倾向于选择高脂肪、低碳水化合物的餐盘。这种饮食差异符合更广泛的规律。
最近一项针对提供饮食建议的聊天机器人的调查发现，它们的指导参差不齐，有时甚至出错，这表明将营养规则直接构建到模型中可能比自由形式的聊天更有优势。
研究的局限性
这项研究存在一个重要的局限性：所有结果都只存在于计算机模型中。
没有人准备过这些饭菜，也没有人吃过这些饭菜，更没有人测试过建议的替换方案是否能够长期坚持下去。
这些数据本身也存在偏差。参与者报告的是他们自己的饮食情况，而人们通常会少报不健康的食物，多报更健康的选择。
同样，估算的成本节省也是基于模拟菜单，而不是实际的购物小票。
作者并没有夸大其词。他们从这些数据中看到了一条清晰的线索。
研究人员指出：“更健康的饮食并不意味着要放弃人们已经喜欢的食物。”
哪些方面可能会发生变化？
这里的新颖之处在于杠杆的尺寸。一顿饭不需要重新设计。
一两项精心挑选的替换措施可以使其更符合指导方针，同时还能降低成本。
实际效果不难理解。一款超市应用可以在结账时建议顾客替换一种食材，而不是推荐一种全新的饮食方案；一项公共卫生计划则可以为人们提供更便宜、更健康的日常膳食方案。
最终，同样的引擎可以为营养师使用的工具提供信息，提出患者可以坚持的改变方案。
更重要的道理显而易见：改善饮食习惯可能与其说是依靠意志力，不如说是做出正确的小改变。
