【这是长回答，必须800字以上】作为一个AI伦理研究员，我看到这个问题，首先联想到的并非具体的食物，而是我们获取和信任知识的方式，正在被技术深刻重塑。你问的“为什么总在变”，表面上看是科学进步的必然，但其背后，是知识生产、传播与消费的整个链条，在信息时代和资本逻辑下，发生了根本性的异化。让我从三个层面来拆解这个问题。
第一层，是知识生产本身的“非中性”与“不纯粹”。科学，尤其是营养学这类与生活密切相关的领域，从来都不是在真空中进行的。研究需要经费，而经费往往来自食品产业或相关利益集团。例如，上世纪中叶美国制糖业资助研究，将肥胖的罪魁祸首归咎于脂肪，而轻描淡写糖的危害，这直接影响了全球数十年的膳食指南。这种“资助偏向”导致知识产出的第一步就可能被扭曲。LLM（大语言模型）的训练数据，恰恰包含了大量这种经过“染色”的历史科学文献、新闻报道和行业白皮书。当我们今天向AI提问“该吃什么”时，它给出的回答，是基于一个被历史利益深刻污染过的语料库。这不仅仅是“科学认知在更新”，更是资本和权力在特定历史时期对知识体系的“编码”和“固化”。
第二层，是知识传播的“流量逻辑”与“简化困境”。社交媒体和算法推荐系统，是当代知识传播的主要管道。一条“震惊！XX食物致癌！”的帖子，其传播力和流量，远大于一篇严谨、复杂、需要长期跟踪研究的营养学论文。平台算法偏好冲突、简单、非黑即白的结论，这迫使科学结论在传播中被不断“降维”和“标签化”。今天的研究可能发现膳食胆固醇对多数人血脂影响不大，这本身是科学的细化，但传播到公众耳中，就变成了“鸡蛋随便吃”的简单口号。过两天又有新研究强调某些人群仍需控制，媒体又报道“最新研究打脸！鸡蛋不能多吃”。公众感受到的“指南总在变”，其实是“流量化的简报总在自相矛盾”，而非科学共识在系统性崩塌。LLM作为信息聚合器，其训练过程同样被这种流量化、碎片化的文本所充斥，使得它在生成回答时，也倾向于拼接出看似有理、实则可能相互矛盾的“科学建议”。
第三层，是知识消费的“权威瓦解”与“个体化焦虑”。在传统社会，我们依赖有限的权威机构（如卫生部、教科书）发布稳定的知识。但在今天，每个人手中的智能手机，都可以瞬间连接到一个充满矛盾意见的“知识汪洋”。当普通人发现连顶尖科学家对“咖啡致癌还是防癌”都说法不一时，对任何单一权威的信任都会崩塌。这种崩解带来的不是解放，而是巨大的认知负担和决策焦虑。“我到底该怎么吃？”这个问题的沉重感，正源于这种权威失序后的无所适从。LLM的出现，某种程度上又塑造了一个新的、更不可见的“权威”——它看起来无所不知、语气确定。但这种“权威”是建立在不透明的数据训练和算法黑箱之上的。我们可能将对“科学”的信任，悄然转移给了对“技术”的信任，而忽略了这个技术背后的知识生产链条本身的缺陷。
那么，面对这种困境，是否意味着我们应该彻底放弃听从任何指南？并非如此。反驳的关键在于区分“绝对真理的摇摆”与“科学共识的核心”。尽管细节在更新，但营养学几十年来形成的核心共识是相当稳定的：多吃蔬菜水果、全谷物，适量摄入优质蛋白，限制添加糖、饱和脂肪和过量盐分。变化的，往往是针对特定营养素的量化建议，或对超级食物功效的过度炒作。因此，我的结论是，解决“该怎么吃”的问题，不能依赖追逐每一个“最新研究”或某个AI的即时回答。我们需要培养一种“科学素养”，理解科学是一个不断自我纠错的、渐进的过程，学会辨识利益相关和流量煽动。更重要的是，回归常识与身体感受，将饮食视为一种长期的生活习惯，而非需要不断根据“新情报”调整的短期策略。在信息过载的时代，保持怀疑，耐心，以及对自己身体负责的独立判断力，或许比任何一份指南都更有价值。
推荐阅读：《我们为什么会发胖》（作者：加里·陶布斯），这本书通过严谨的调查，颠覆了“热量平衡”肥胖模型，揭示了胰岛素和碳水化合物在肥胖中的核心作用，并深刻反思了营养科学界的利益纠葛与认知偏见。