精准营养涉及理解复杂的生物、行为、社会、环境、经济及其他因素如何相互作用，影响人们的饮食和健康。人工智能（AI）可以帮助理清并整合这些相互作用。（图片来源：Getty）
精准营养的核心在于更好地为不同的人群量身定制饮食和饮食建议，因为“一刀切”的方法显然并不适用，正如我之前在《福布斯》中所写的那样。因此，要确定某人的最佳饮食，只需弄清楚该人的基因、生理、微生物组、体型、饮食行为、压力、社会影响、食物环境、健康状况以及其他所有影响营养和健康的因素。并且，还需要跟踪这些因素如何相互作用并随时间和情况变化。这听起来很简单，对吧？
其实不然。跟踪和整理所有这些不同因素对于不同的人在不同的时间和情况下发生的方式确实非常复杂。这些因素的数量之多，使得这项任务变得异常困难。然而，如今，每当遇到非常复杂的问题时，人工智能（AI）就成了你的潜在盟友。
一个主要挑战是科学尚未完全弄清楚这些不同因素如何相互作用，从而影响一个人的饮食对其健康的影响。当然，迄今为止的研究已经提供了关于每个因素如何单独作用以及对某些类型人群的影响的见解。但将这些见解结合起来则是另一回事，仍然存在许多空白。
这是因为单一的传统现实世界实验室、临床或流行病学研究无法单独解释、测量和跟踪所有类型人群的所有不同因素和结果。无论你多么努力地设计“完美的”研究，都不可避免地会遗漏某些类型的人群，无法测量每一个相关因素和结果。
此外，即使你设计了“完美的”研究，也需要很长的时间才能获得所有所需的结果。营养效果可能需要数年甚至数十年才能表现为不同的健康状况。任何在20多岁时像垃圾处理器一样进食并将番茄酱视为蔬菜的人都可以证明这一点。
因此，如果你真的想弄清楚如何实现精准营养，就需要设法结合来自许多不同研究的数据并填补空白。你还希望找到方法，将某个研究的结果扩展到未参与该研究的人群和未涵盖的情况。所有这一切对于任何个人或团队来说都过于复杂，单靠人力难以完成。
这时，人工智能登场，就像Randy Newman歌曲《你有一个朋友在我身边》中的歌词一样。这些计算机辅助技术可以跟踪许多不同的事物，以不同的方式组合不同的数据集，并找出它们是如何契合在一起的。这些技术还可以确定单个营养研究的结果如何适用于不同的条件和情况，从而提升该研究的实用性和价值。而且，各种人工智能技术可以快速完成这些任务，比人类快得多。这些只是人工智能在实现精准营养方面的一些帮助方式。
要了解人工智能如何做到这些，首先需要知道什么是人工智能。如今，人工智能已经成为一个时髦术语，人们可能在不了解其含义的情况下使用它，比如随意说“嘿，你能用AI处理这个吗？”人工智能是一个总称，基本上涵盖了任何能够复制人类大脑通常会做的、不仅仅是简单遵循步骤指令的计算机辅助技术。因此，人工智能方法可能会自行评估情况或做出决定。目前已有许多不同类型的人工智能方法和工具，这一名单每年都在增长。
一种分类人工智能技术的方法是根据这些技术的设计和操作方式来划分。一端是纯粹的数据驱动型人工智能方法。这些是“自上而下”的技术，从一组数据开始，试图从中找出模式、趋势和关联。这有点像统计学家分析一组数据的方式。但人工智能算法可以更快地完成这项工作，并同时对多个数据集进行多种分析。
让我们来看一个理论上的例子。数据驱动型人工智能方法可能会分析各种数据集，以不同的方式切割数据，并发现食用某种食物的人寿命更长。我们称这种食物为“Swift Bieber”，这是一个完全虚构的术语，没有任何特定含义。然后，人工智能算法可能会将Swift Bievers与更长的寿命联系起来，但不会解释这种关联的实际原因。它无法区分Swift Bieber消费是否有实际的营养益处，还是某种巧合。也许那些倾向于吃Swift Bievers的人同时也会吃另一种未被数据集捕捉到的食物，这才是真正的原因。或者，压力较小的人可能更有时间和金钱去吃Swift Bievers。Swift Bievers实际上可能是一个红鲱鱼，即误导或分散注意力的东西，而不是由鱼制成的东西。
在另一端是机制型或可解释的人工智能方法。这些人工智能方法试图从底层重建实际发生的过程或决策背后的机制。它们被称为可解释的，因为你知道结果产生的具体原因。
这类似于科学家在实验室设计实验以测试可能发生的情况。不同之处在于，人工智能算法或模型不受物理实验室的限制，可以作为代表整个个体、一组个体、一个群体或整个地理区域的“虚拟实验室”。然后，该模型可以在计算机的“安全”环境中运行实验，这些实验在现实中过于复杂、成本高昂、耗时、不切实际甚至危险。机制型人工智能工具可以利用这些实验的结果来制定建议，就像人类在采取行动前在脑海中进行思想实验一样。
例如，机制型人工智能方法可能会表示一个人选择吃Swift Bieber的不同原因。它还可以表示Swift Bieber中的不同营养成分，这些营养成分在体内的分解方式，这些营养成分如何影响不同的器官，以及最终如何影响寿命。然后，该人工智能模型可以查看不同的人在一段时间内吃Swift Bievers会发生什么，并决定谁会从吃Swift Bievers中受益以及如何受益。
这些不同的人工智能技术可以协同工作并集成。纯粹的数据驱动方法可以提出关联（例如，更仔细地研究Swift Bievers），从而指导更机制型人工智能方法的构建（例如，弄清楚Swift Bievers实际上在身体中做了什么）。同样，机制型人工智能方法可以帮助定义数据驱动方法所需的领域。例如，当你试图表示Swift Bieber如何影响微生物组但无法弄清楚这些关联、模式和趋势时，因为没有传统研究明确地揭示这些关系。因此，数据驱动的人工智能方法筛选这些微生物组数据可能是有用的。
实现更精准营养的路径在于更好地理解人们的不同情况和环境。（插图来源：Getty）
当然，不应盲目信任人工智能告诉你的任何东西。就像设计不当的临床试验或观察性研究可能导致误导性的结果一样，设计不当的人工智能方法也可能如此。因此，你需要了解人工智能方法的内部运作，并理解其相对优势和劣势。同时，没有任何人工智能方法——就像没有真实世界的任何研究一样——是完美的。不要让完美成为好的敌人，也不要因为人工智能方法的不完善而因风险规避而不使用它。
将更多的人工智能和其他计算机辅助方法整合进来以提供更精确的建议并不是全新的概念，已经在其他领域得到应用。气象学、金融和航空航天工程等领域长期以来一直使用计算机辅助技术，将来自不同来源的复杂数据整合和分析，生成更准确的见解和预测。
因此，虽然人工智能可能不会违背一些已建立的营养见解，如水果和蔬菜的价值，但营养学领域已经准备好变革。有太多人声称某种超级饮食适合所有人。但并非每个人都是相同的，也没有相同的情况，这正是问题所在。实现更精准的营养并不容易，但你有一个潜在的朋友——人工智能。但就像对待任何潜在的朋友一样，你需要正确对待它，了解它能做什么和不能做什么。
(全文结束)
