هل يهلوس ذكاؤك الاصطناعي؟ خطر استخدام نماذج اللغة العامة للنصائح الغذائية

"يا ChatGPT، كم سعرة حرارية في طبق الدجاج المقلي المقلّب؟"

الإجابة تأتي فوراً وبثقة: "طبق الدجاج المقلي المقلّب النموذجي يحتوي على ما يقرب من 350 إلى 450 سعرة حرارية لكل حصة." يبدو معقولاً. بل يُفصّل الماكرو أيضاً. لكن هناك مشكلة: الرقم مُختلق. ليس مُقدّراً، ليس تقريبياً، بل مُولَّد من أنماط إحصائية في بيانات نصية بدون أي اتصال بقاعدة بيانات غذائية فعلية.

هذا ما يسميه باحثو الذكاء الاصطناعي هلوسة، وعندما يحدث في سياق التغذية، فإن العواقب تتجاوز مقالاً سيئاً أو إجابة معلومات عامة خاطئة. الناس يتخذون قرارات غذائية حقيقية بناءً على هذه الأرقام، وتلك القرارات تؤثر على صحتهم.

ماذا تعني "الهلوسة" في سياق التغذية

في مصطلحات نماذج اللغة الكبيرة، تحدث الهلوسة عندما يُولّد النموذج معلومات تبدو معقولة لكنها غير صحيحة من الناحية الواقعية. نماذج اللغة الكبيرة لا تبحث عن الحقائق في قاعدة بيانات. بل تتنبأ بالكلمة التالية الأكثر احتمالاً في تسلسل بناءً على أنماط تم تعلمها أثناء التدريب.

عندما تسأل ChatGPT عن محتوى السعرات الحرارية لطعام ما، فإنه لا يستعلم من قاعدة بيانات USDA FoodData Central أو يتحقق من NCCDB. بل يُولّد استجابة تشبه إحصائياً نوع الإجابة التي ستظهر في بيانات تدريبه. أحياناً تكون تلك الإجابة قريبة من الصحة. وأحياناً تكون خاطئة تماماً.

الخطر هو أن مستوى الثقة متطابق في كلتا الحالتين. عدد السعرات الحرارية المُهلوَس يُقرأ تماماً كالعدد الدقيق.

أين تُخطئ نماذج اللغة الكبيرة العامة في التغذية

أجرينا سلسلة من الاختبارات نطلب فيها من ChatGPT (GPT-4o) و Gemini و Claude تقدير المحتوى الغذائي لوجبات شائعة. ثم قارنا تلك التقديرات مع قيم مرجعية مُتحقق منها من USDA وقاعدة بيانات Nutrola المُراجعة من أخصائيي التغذية. كانت أنماط الفشل متسقة وكاشفة.

دقة مُختلقة

اسأل LLM "كم سعرة حرارية في ملعقة كبيرة من زيت الزيتون؟" وغالباً ستحصل على إجابة صحيحة: حوالي 119 سعرة حرارية. هذا لأن تلك الحقيقة المحددة تظهر بشكل متكرر في بيانات التدريب.

لكن اسأل "كم سعرة حرارية في تيكا مسالا دجاج منزلية مع خبز نان؟" وعلى النموذج أن يرتجل. في اختباراتنا، أرجع GPT-4o تقديرات تتراوح من 450 إلى 750 سعرة حرارية لنفس الوجبة الموصوفة عبر محادثات مختلفة. القيمة الفعلية، المحسوبة من وصفة قياسية مع بيانات مكونات مُتحقق منها، كانت 685 سعرة حرارية. إجابة واحدة كانت قريبة. أخرى كانت خاطئة بأكثر من 200 سعرة حرارية.

النموذج ليس لديه طريقة للإشارة إلى أي الإجابات هي عمليات بحث موثوقة وأيها تخمينات مرتجلة.

عمى طريقة التحضير

لدى نماذج اللغة الكبيرة نقطة عمياء جوهرية حول كيفية تحضير الطعام. "صدر دجاج مشوي" و "صدر دجاج مقلي في المقلاة بالزبدة" قد يحصلان على تقديرات سعرات مماثلة لأن النموذج يركز على المكون الأساسي بدلاً من طريقة الطهي.

في اختباراتنا، عندما سألنا عن "السلمون" دون تحديد طريقة التحضير، كانت الاستجابات تعود باستمرار إلى تقدير مخبوز أو مشوي حوالي 230 إلى 280 سعرة حرارية لفيليه 6 أونصات. فيليه سلمون 6 أونصات مقلي في المقلاة بملعقتين كبيرتين من الزبدة مع تزجيج ترياكي يحتوي فعلياً على ما يقرب من 450 إلى 500 سعرة حرارية. الفجوة كبيرة بما يكفي لتقويض عجز السعرات الحرارية بمرور الوقت.

هلوسة حجم الحصة

ربما يكون أخطر نمط فشل هو افتراض حجم الحصة. عندما تسأل LLM عاماً عن سعرات طعام ما، عليه أن يفترض حجم حصة. هذه الافتراضات غير متسقة وغالباً غير محددة.

"صحن من المعكرونة" قد يُقدّر بـ 300 إلى 400 سعرة حرارية. لكن صحن من؟ حصة قياسية من 2 أونصة من السباغيتي الجافة مع صلصة المارينارا هي حوالي 280 سعرة حرارية. حصة مطعم من 4 إلى 6 أونصات من المعكرونة الجافة مع الصلصة تصل بسهولة إلى 600 إلى 900 سعرة حرارية. يختار LLM رقماً في المنتصف ويقدمه كحقيقة.

تراكم الأخطاء في خطط الوجبات

يتصاعد الخطر عندما يطلب المستخدمون من نماذج اللغة الكبيرة إنشاء خطط وجبات كاملة. كل تقدير فردي يحمل خطأً، وتلك الأخطاء تتراكم عبر الوجبات والأيام. خطة وجبات تدّعي توفير 1800 سعرة حرارية يومياً قد توفر فعلياً 2200 أو 1400 حسب اتجاه الأخطاء.

بالنسبة لشخص يستخدم خطة وجبات لإدارة حالة طبية مثل السكري، أو لتحقيق أهداف أداء رياضي محددة، هذا المستوى من عدم الدقة ليس فقط غير مفيد. بل هو ضار محتملاً.

لماذا يختلف الذكاء الاصطناعي المُخصص للتغذية

الفرق بين LLM عام ونظام تغذية مُخصص هو بنيوي وليس تجميلي.

استجابات مُرتكزة على قاعدة بيانات

ذكاء Nutrola الاصطناعي لا يُولّد تقديرات السعرات من أنماط لغوية. عندما يحدد عنصراً غذائياً، يربط ذلك التحديد بإدخال مُتحقق منه في قاعدة بيانات غذائية. تحتوي قاعدة البيانات على إدخالات مصدرها من USDA FoodData Central، وقواعد بيانات التغذية الوطنية من دول متعددة، وإدخالات مُراجعة من أخصائيي التغذية داخلياً.

هذا يعني أن النظام لا يمكنه أن يهلوس عدد سعرات. الرقم يأتي من إدخال محدد وقابل للتدقيق في قاعدة البيانات، وليس من نموذج لغوي إحصائي.

التحقق البصري

عندما يصوّر مستخدم وجبة، يحدد نموذج الرؤية الحاسوبية في Nutrola عناصر الطعام الفردية ويقدّر أحجام الحصص بناءً على التحليل البصري. هذا الارتكاز البصري يوفر فحصاً لا يمكن لنماذج اللغة الكبيرة النصية فقط القيام به. النظام حرفياً ينظر إلى ما تأكله بدلاً من التخمين من وصف نصي.

شفافية عدم اليقين

نظام تغذية مُصمم بشكل جيد يعترف عندما يكون غير متأكد. إذا كان طبق غامضاً أو كان حجم الحصة صعب التقدير من صورة، يمكن للنظام أن يشير إلى عدم اليقين هذا ويطلب من المستخدم توضيحاً. نماذج اللغة الكبيرة العامة تقريباً لا تشير أبداً إلى متى تكون تقديراتها الغذائية منخفضة الثقة، لأنها لا تملك آلية لقياس ثقتها في الادعاءات الواقعية.

المخاطر الصحية الحقيقية

بيانات السعرات الحرارية غير الدقيقة من الذكاء الاصطناعي ليست مشكلة مجردة. بل تتجلى بطرق ملموسة.

فشل إدارة الوزن. خطأ مستمر بـ 200 سعرة حرارية يومياً سواء بالزيادة أو النقصان يغير نتيجة أي نظام غذائي. على مدى 30 يوماً، هذا خطأ بـ 6000 سعرة حرارية، ما يعادل تقريباً 0.77 كيلوغرام من دهون الجسم في أي اتجاه.

عمى المغذيات الدقيقة. نماذج اللغة الكبيرة نادراً ما توفر بيانات المغذيات الدقيقة، وعندما تفعل، تكون الأرقام أقل موثوقية من تقديرات السعرات الحرارية. شخص يتتبع تناول الحديد أثناء الحمل أو يراقب الصوديوم لارتفاع ضغط الدم لا يمكنه الاعتماد على تقديرات مُولّدة.

ثقة زائفة. الخطر الأكثر خبثاً هو أن المستخدم يعتقد أن لديه بيانات دقيقة بينما ليس كذلك. هذه الثقة الزائفة تمنعه من البحث عن أدوات أفضل أو إجراء تعديلات بناءً على نتائج حقيقية.

متى يكون من المقبول سؤال LLM عن الطعام

نماذج اللغة الكبيرة العامة ليست عديمة الفائدة للتغذية. هي فعالة لأنواع معينة من الاستفسارات:

• التعليم العام: "ما هي الأطعمة الغنية بالبوتاسيوم؟" أو "ما الفرق بين الألياف القابلة والغير قابلة للذوبان؟" هذه أسئلة معرفية حيث الإجابات التقريبية مناسبة.
• أفكار وصفات: "أعطني فكرة غداء عالي البروتين تحت 500 سعرة حرارية" يمكن أن تنتج إلهاماً مفيداً، حتى لو كان عدد السعرات الدقيق يجب التحقق منه.
• فهم المفاهيم: "اشرح ما هو العجز في السعرات الحرارية" أو "كيف يساعد البروتين في تعافي العضلات؟" هي مجالات تؤدي فيها نماذج اللغة الكبيرة أداءً جيداً.

الخط واضح: استخدم نماذج اللغة الكبيرة للتعلم عن التغذية. استخدم أدوات مُتحقق منها ومُرتكزة على قواعد بيانات لتتبعها.

كيف تتحقق من أي ادعاء غذائي للذكاء الاصطناعي

سواء كنت تستخدم روبوت محادثة أو أي أداة أخرى، هناك خطوات عملية للتحقق من البيانات التي تحصل عليها:

1. تحقق مع USDA FoodData Central. قاعدة بيانات USDA مجانية وعامة ومُتحقق منها مخبرياً. إذا انحرف تقدير ذكاء اصطناعي بشكل كبير عن إدخال USDA لنفس الطعام، فمن المرجح أن الذكاء الاصطناعي مخطئ.
2. تحقق من افتراضات حجم الحصة. اسأل أو تحقق دائماً من حجم الحصة الذي يستند إليه التقدير. رقم سعرات حرارية بدون حجم حصة لا معنى له.
3. احتسب طريقة التحضير. نفس المكون يمكن أن يتغير بمقدار 2 إلى 3 مرات في كثافة السعرات حسب ما إذا كان نيئاً أو مخبوزاً أو مقلياً أو مُقلّباً في الزيت.
4. كن متشككاً في الأرقام المُقرّبة. إذا أخبرك ذكاء اصطناعي أن وجبة تحتوي على "بالضبط 500 سعرة حرارية"، فهذا تقدير مُولَّد وليس قيمة مقاسة. البيانات الغذائية الحقيقية لها أرقام محددة مثل 487 أو 523.

الأسئلة الشائعة

هل ChatGPT دقيق لحساب السعرات الحرارية؟

ChatGPT ونماذج اللغة الكبيرة المماثلة ليست موثوقة لحساب السعرات الحرارية. هي تُولّد تقديرات بناءً على أنماط نصية بدلاً من البحث عن قيم في قواعد بيانات غذائية مُتحقق منها. في الاختبار، تباينت تقديرات السعرات من LLM للوجبات المعقدة بمقدار 200 إلى 300 سعرة حرارية عبر استفسارات مختلفة لنفس الطعام. للعناصر البسيطة والمعروفة مثل "بيضة كبيرة واحدة"، تميل التقديرات إلى أن تكون قريبة لأن البيانات تظهر بشكل متكرر في النص التدريبي. للوجبات المُحضّرة وأطباق المطاعم والأطعمة متعددة المكونات، يزداد معدل الخطأ بشكل كبير.

هل يمكنني استخدام ChatGPT لتتبع الماكرو؟

لا يُنصح باستخدام ChatGPT لتتبع الماكرو لأي شخص يسعى لتحقيق أهداف صحية أو لياقة محددة. النموذج لا يمكنه احتساب أحجام حصصك الفعلية أو طرق الطهي أو المكونات المحددة. كما أنه يفتقر إلى الاتساق؛ طرح نفس السؤال مرتين يمكن أن ينتج تحليلات ماكرو مختلفة. للوعي العام بما إذا كان طعام ما عالي البروتين أو الكربوهيدرات، يمكن لـ LLM توفير معلومات اتجاهية مفيدة. للتتبع الدقيق، تطبيق تغذية مُخصص مع قاعدة بيانات مُتحقق منها سينتج نتائج أكثر دقة واتساقاً بشكل كبير.

ما هي هلوسة الذكاء الاصطناعي في التغذية؟

هلوسة الذكاء الاصطناعي في التغذية تشير إلى عندما يُولّد نموذج لغوي بيانات غذائية، مثل أعداد السعرات وتحليلات الماكرو أو قيم المغذيات الدقيقة، تبدو موثوقة لكنها غير صحيحة من الناحية الواقعية. النموذج لا يكذب عمداً؛ بل يتنبأ بنص يبدو معقولاً بناءً على أنماط. النتيجة هي عدد سعرات يُقرأ كحقيقة لكنه لم يُتحقق منه أبداً مقابل أي قاعدة بيانات غذائية. هذا خطير بشكل خاص لأن المستخدمين ليس لديهم طريقة للتمييز بين تقدير مُهلوَس وآخر دقيق دون تحقق يدوي.

كيف أعرف إذا كان ذكاء التغذية الاصطناعي يعطيني بيانات دقيقة؟

تحقق من ثلاثة أشياء. أولاً، اسأل ما إذا كانت الأداة تسحب من قاعدة بيانات غذائية مُتحقق منها مثل USDA FoodData Central أو NCCDB، بدلاً من توليد تقديرات من نموذج لغوي. ثانياً، تحقق من أنها تأخذ في الاعتبار طرق التحضير، حيث يمكن لطريقة الطهي تغيير محتوى السعرات الحرارية للطعام بنسبة 50 إلى 200 بالمئة. ثالثاً، تحقق مما إذا كانت الأداة تحدد حجم الحصة الدقيق الذي يستند إليه تقديرها. ذكاء تغذية اصطناعي موثوق يجب أن يكون شفافاً حول مصادر بياناته ويجب أن يشير إلى التقديرات غير المؤكدة بدلاً من تقديم كل رقم بثقة متساوية.

هل من الآمن اتباع خطة وجبات أنشأها الذكاء الاصطناعي؟

خطط الوجبات المُولّدة بالذكاء الاصطناعي يمكن أن تكون مفيدة كأطر عمل أولية، لكنها لا يجب أن تُتّبع بشكل أعمى لأهداف طبية أو أداء محددة. كل تقدير سعرات في الخطة يحمل خطأً محتملاً، وتلك الأخطاء تتراكم عبر يوم كامل من الأكل. إذا ادّعت الخطة توفير 1800 سعرة حرارية لكن كل تقدير وجبة خاطئ بنسبة 10 إلى 15 بالمئة، فإن المدخول اليومي الفعلي يمكن أن يتراوح من 1500 إلى 2100 سعرة حرارية. للإلهام العام للأكل الصحي، خطط الوجبات بالذكاء الاصطناعي هي نقطة انطلاق معقولة. لإدارة التغذية السريرية أو برامج فقدان الوزن أو أنظمة غذائية للأداء الرياضي، يجب التحقق من أهداف السعرات والماكرو مقابل أداة مُرتكزة على قاعدة بيانات.