这个问题触及了当前信息生态的核心矛盾。技术进步本应带来知识的澄明，但在营养学领域，大语言模型的普及却加剧了公众的认知混乱。这种现象背后是多重结构性力量的交织，而非单纯的技术缺陷。
首先，我们必须厘清营养学知识的特殊性。与物理学等硬科学不同，营养学研究对象是高度复杂的、具有个体差异的人体系统。它长期处于“科学”与“实践”的张力之中。许多营养建议基于短期代谢研究或流行病学调查，而长期、控制严格的临床试验（RCT）成本高昂且伦理复杂。这导致了证据基础的先天不足，充满了相关性而非因果性的结论。例如，“地中海饮食有益健康”这一共识，其证据主要来自观察性研究，虽然强烈，但难以完全排除混杂因素。这种学科特性，为后续的信息混乱埋下了伏笔。
其次，大语言模型（LLM）作为内容生成引擎，其运作逻辑与追求“真理”的科学逻辑存在根本冲突。LLM的核心目标是生成在统计上“像人话”的文本，它通过海量语料学习人类的表达模式，而非内化科学的证伪和证据分级体系。当用户询问“生酮饮食是否安全”时，模型可能会同时抓取到支持其短期减重效果的个案分享、质疑其长期心血管风险的学术综述、以及推广相关产品的营销文案。在模型看来，这些都是“关于生酮饮食的有效表述”。它缺乏能力，也缺乏动机，去主动区分证据等级（如：病例报告 vs. 队列研究 vs. 荟萃分析），或识别利益冲突。模型生成的文本，是互联网信息生态的“统计镜像”，而这个生态本身，就是顶级学术期刊、灰色文献、健康自媒体、商业软文混杂的泥沙俱下之河。
再者，这形成了一个恶性的反馈回路。LLM生成的、看似专业却模糊甚至矛盾的内容，被大量发布在网络上，成为新的训练数据。新版本的模型在这些“污染”过的数据上训练，输出的混乱度进一步增加。同时，用户倾向于寻找支持自己既有信念（如“碳水是敌人”或“脂肪有害”）的信息。模型为了获得更高的用户满意度（如点赞、分享），其优化方向会不自觉地迎合这种确认偏误，生成更多强化某种片面观点的内容。于是，一个原本就复杂的科学议题，在算法的推波助澜下，被简化为非黑即白的阵营对立。
有人可能会反驳，认为工具中立，关键在于使用者如何筛选信息。这种观点忽视了“注意力争夺”的现实。在算法驱动的社交媒体上，温和、谨慎、充满限定条件的科学表述，在传播力上天然不敌极端、简单、情绪化的标题。一个“震惊！XX食物致癌”的帖子，其流量远超一份对食物与癌症风险进行剂量-反应关系分析的科学报告。LLM在此过程中，充当了将复杂科学“翻译”成爆款内容的便捷工具，加剧了劣币驱逐良币的现象。
因此，结论是，营养学知识的混乱感增强，并非因为AI让真相更难获取，而是因为AI放大并系统化了人类信息环境中原有的缺陷：科学证据的固有不确定性、商业利益的强力驱动、以及公众对简单答案的心理需求。LLM不是混乱的制造者，而是高效的混乱放大器和固化剂。要应对这一挑战，仅靠用户提高媒介素养是不够的，它需要科学共同体改进知识传播方式、平台调整推荐算法以奖励优质内容、以及开发能识别证据等级的下一代信息工具。这是一场关于知识生产与传播的社会技术系统性挑战。