一项基于13.5万份餐食数据的计算机模拟研究显示，利用人工智能对一餐中的一至三种食材进行替换，即可将膳食营养质量提升约10%，同时将预估成本降低22%至34%。该模型由加州大学戴维斯分校开发，其生成的餐食在符合美国农业部营养目标方面比通用大语言模型GPT-4o高出47%。这一发现与营养学界日益形成的共识相呼应：单纯计算卡路里不足以指导健康饮食，食物的种类、加工程度和组合方式对代谢和体重调节具有更复杂的影响。

长期以来，减重策略建立在“摄入少于消耗”的热量平衡模型之上。但塔夫茨大学与哈佛医学院的研究者指出，人体并非简单的热量计，不同食物会触发截然不同的激素与代谢反应。高升糖指数的精制碳水化合物会迅速转化为可用能量并促进脂肪储存，而富含抗性淀粉的豆类、全谷物则因消化过程更复杂，实际被吸收的热量更少，且不引发相同的胰岛素反应。与此同时，针对老年群体的研究显示，生理变化进一步放大了食物质量的重要性：60岁以上人群因饥饿素分泌减少、饱腹感激素增加以及味嗅觉减退，热量摄入较年轻人低16%至20%，这使得每一口食物的营养密度变得更为关键。

上述认知正在重塑不同地区的饮食指导思路。北美营养师在夏季饮食建议中强调，用富含水分的蔬果搭配瘦肉蛋白，而非以水果代餐或依赖含糖冰饮，以避免脱水与血糖波动。巴西皮肤科医生则从皮肤屏障角度指出，60岁以上人群因皮脂腺活性下降与胶原蛋白流失，需通过摄入足量蛋白质、维生素和水分来维持皮肤完整性，尤其在干燥的冬季。中东地区的研究者则尝试将人工智能应用于公共卫生，通过分析全国饮食调查数据，为民众提供保留原有口味与饮食习惯的微调方案，使健康饮食的采纳门槛显著降低。

目前，该人工智能模型仍处于计算机模拟阶段，尚未在真实用户中验证其长期依从性与健康效果。下一步的里程碑是开展随机对照试验，评估此类工具在家庭日常场景中改善膳食结构与降低慢性病风险的可行性。与此同时，多国营养指南的修订者正密切关注食物质量与加工度对代谢影响的证据积累，以决定是否在官方建议中从强调单一营养素转向整体膳食模式的推荐。