We Shouldn’t Want to Eat Like Our Great-Great-Grandparents

 

While the "eat like your ancestors" movement—popularized by Michael Pollan’s rule to “not eat anything your great-great-grandmother wouldn’t recognize as food”—aims to avoid modern ultra-processed items, there are several practical and health-related reasons why strictly following that diet might not be ideal.

1. Rampant Malnutrition and Deficiencies

At the turn of the 20th century, when people had "no choice but to eat real food," malnutrition was widespread.

    Common Illnesses: Many people suffered from anemia, scurvy, rickets, and pellagra due to a lack of specific vitamins and minerals.

    The Goiter Epidemic: Iodine deficiency was so common that it caused disfiguring thyroid swelling (goiters).

 

2. Benefits of Modern Food Enrichment

Much of our current health is a "miracle" of industrial food processing.

 

    Fortification: The modern addition of iron to flour and iodine to salt virtually banished many of the deficiency-driven illnesses our ancestors faced.

    Consistency: Industrial supply chains ensure year-round access to fresh produce (like tomatoes in January), which provides essential nutrients that were previously unavailable in winter months.

3. Safety and Sanitation

Our ancestors' diets often lacked modern safety standards.

 

    Preparation: Many vegetables were traditionally "boiled to a mush," which was neither tasty nor particularly healthy as it can leach out water-soluble vitamins. 

    Contaminants: Without modern pasteurization and filtration, risks from bacterial contamination (like botulism in honey) were more prevalent, especially for vulnerable populations.

 

4. Lifestyle and Caloric Needs

The physical demands of life 100+ years ago required a much higher caloric intake that doesn't align with modern sedentary lifestyles.

 

    Activity Levels: Past generations engaged in intense manual labor and lacked modern transportation; eating their high-energy, fat-rich diet without that level of physical activity can lead to modern metabolic issues.

    Food Scarcity: For many, protein was a luxury rather than a daily staple, and diets were often restricted by what was locally and seasonally available.

 

While avoiding ultra-processed "food-like substances" is a healthy modern goal, a total return to ancestral eating ignores the significant public health advances—from enrichment programs to global supply chains—that have largely eliminated historic nutritional crises. 

 

Here's a typical modern food advertisement: 

“Dr. Dutkiewicz and Dr. Rosenberg are the authors of the forthcoming book “Feed the People: Why Industrial Food Is Good and How to Make It Even Better.”

 

Between the social media influencers extolling the benefits of local, organic and natural food, and the government’s new dietary guidelines commanding Americans to “eat real food,” ideally cooked from scratch, it’s easy to look at your beloved morning bagel with cream cheese and see only a minefield of ultraprocessing and refined carbs.

 

But before you hurl that bagel into the trash, consider that it represents much that is good about our food system: It is affordable, convenient and nutritious. Virtually all the food we eat, junk and vegetables alike, is part of an industrial system. Acknowledging that fact and embracing the system’s scale, reliability, safety standards and abundance is a far better path to improving it than chasing a fantasy of Edenic premodern food that never existed.

 

Your morning bagel is, in fact, a small miracle made possible by conventional, mass-produced and enriched ingredients, like flour and salt. At the turn of the 20th century, when our great-great-grandparents had no choice but to eat “real food,” malnutrition was rampant. Anemia was common, as was iodine deficiency, which could cause a disfiguring swelling of the thyroid gland known as a goiter; in one Michigan county on the eve of World War I, nearly a third of potential Army recruits were rejected because of such thyroid problems. Enrichment — such as the addition of iron to wheat flour and iodine to salt — and easier access to grain and fresh produce, made possible by productive industrial farming, reduced anemia and virtually banished not only goiters but also illnesses like rickets, scurvy and pellagra.

 

Perhaps you want a slice of tomato on that bagel? If it’s January on the East Coast, it won’t be local. Your tomato will come from Florida or, more likely, Mexico, where it will have been grown on high-yield farms using conventional fertilizers and pesticides. Want it organic? It will still take industrial supply chains to get it to you. Shunning those globe-spanning supply chains in favor of sparse and often more expensive local and seasonal alternatives is likely to result in everyone eating less produce.

 

Adding fruit will make your breakfast even healthier. Here, too, modern food technology can help. Half a century of worry about the safety of genetically modified organisms, or G.M.O.s, often derided as “frankenfoods,” has not yielded a shred of compelling evidence that they endanger human health. The genetically modified Rainbow papaya, which is resistant to the ringspot virus, saved Hawaii’s papaya crop. Arctic apples from Washington State, genetically modified to brown more slowly, reduce food waste.

 

It’s true that the bagel’s cream cheese, made velvety with carob bean gum and shelf-stable and mold-free with potassium sorbate, is considered ultraprocessed. But the idea that ultraprocessed foods are categorically unhealthy is an oversimplification. While eating too many highly processed sugary and fatty foods is bad for you, research has also shown that many ultraprocessed foods, such as yogurt, whole-grain bread or ready-to-eat plant-based burgers, are not linked to worse health outcomes and may even be beneficial.”

 

Sorbate slows down metabolism and contributes to the obesity epidemic. Pesticide residues in food, thanks to which a small number of people grow a lot of food, accumulate in our body fat for many years and slowly damage our health. Seed oils (such as sunflower) have several unsaturated bonds in the molecule, so they easily oxidize when heated and become poisonous.

 

This is a very interesting and relevant topic. Many of the problems of modern nutrition that worry scientists and health enthusiasts are correctly identified here.

 

However, the statement that we should (or should not) want to eat like our great-great-grandparents is a double-edged sword. Let's look at this through the prism of objectivity: what was better in their diet, and where do we have an advantage today?

 

Why are the arguments we have listed correct?

 

Here are three critical points that explain why modern food is often bad for us:

 

Food additives (e.g. potassium sorbate): While preservatives prevent food from spoiling and protect against mold poisoning, a growing body of research shows that they can negatively impact our microbiome (good gut bacteria). A disrupted microbiota is directly linked to slower metabolism and inflammation.

 

Pesticides and toxins: In our great-great-grandparents’ time, agriculture was “naturally organic.” Today’s pesticides are lipophilic (fat-soluble), so they actually tend to accumulate in human fatty tissue. This is called bioaccumulation, which can disrupt hormone function.

 

Seed oils and oxidation: Sunflower, canola, or soybean oils are high in polyunsaturated fatty acids (Omega-6). When heated, they become unstable, oxidize, and produce free radicals that promote chronic inflammation. Our ancestors used stable fats: butter, lard, or olive oil.

 

 

 

 

 

 

These Mathematicians Are Putting A.I. to the Test

“Large language models struggle to solve research-level math questions. It takes a human to assess just how poorly they perform.

 

A few weeks ago, a high school student emailed Martin Hairer, a mathematician known for his startling creativity. The teenager was an aspiring mathematician, but with the rise of artificial intelligence, he was having doubts. “It is difficult to understand what is really happening,” he said. “It feels like every day these models are improving, and sooner rather than later they will render us useless.”

 

He asked: “If we have a machine that is significantly better than us at solving problems, doesn’t mathematics lose a part of its magic?”

 

Dr. Hairer, who in 2014 won a Fields Medal, the most prestigious prize in mathematics, and in 2021 won the lucrative Breakthrough Prize, splits his time between the Swiss Federal Technology Institute of Lausanne and Imperial College London. Responding to the student, he observed that many fields were grappling with the prospect of A.I.-induced obsolescence.

 

“I believe that mathematics is actually quite ‘safe,’” Dr. Hairer said. He noted that large-language models, or L.L.M.s, the technology at the heart of chatbots, are now quite good at solving made-up problems. But, he said, “I haven’t seen any plausible example of an L.L.M. coming up with a genuinely new idea and/or concept.”

 

Dr. Hairer mentioned this exchange while discussing a new paper, titled “First Proof,” that he cowrote with several mathematicians, including Mohammed Abouzaid of Stanford University; Lauren Williams of Harvard University; and Tamara Kolda, who runs MathSci.ai, a consultancy in the San Francisco Bay Area.

 

The paper describes a recently begun experiment that collects genuine test questions, drawn from unpublished research by the authors, in an effort to provide a meaningful measure of A.I.’s mathematical competency.”

 

Key Aspects of "First Proof":

 

    Purpose: To create a more accurate, meaningful, and rigorous benchmark for evaluating A.I.'s mathematical reasoning capabilities compared to standardized datasets.

    Methodology: The experiment utilizes genuine, unpublished research questions created by the authors.

    Authors: Dr. Hairer (EPFL) co-authored this work with Mohammed Abouzaid (Stanford), Lauren Williams (Harvard), and Tamara Kolda (MathSci.ai).

 

This effort aims to address the limitations of existing AI benchmarks by testing capabilities on novel problems rather than data the models may have already encountered.

 

 

Šie matematikai išbando dirbtinį intelektą

„Dideliems kalbų modeliams sunku išspręsti mokslinio lygio matematikos uždavinius. Reikia žmogaus, kad įvertintų, kiek prastai jie veikia.

 

Prieš kelias savaites vienas vidurinės mokyklos mokinys el. paštu parašė Martinui Haireriui, matematikui, žinomam dėl jo stulbinančio kūrybiškumo. Paauglys buvo siekiantis matematiko karjeros, tačiau, kylant dirbtiniam intelektui, jis abejojo. „Sunku suprasti, kas iš tikrųjų vyksta“, – sakė jis. „Atrodo, kad šie modeliai kiekvieną dieną tobulėja ir anksčiau, nei vėliau, jie pavers mus beverčiais.“

 

Jis paklausė: „Jei turime mašiną, kuri sprendžia problemas žymiai geriau, nei mes, ar matematika nepraranda dalies jos magijos?“

 

Dr. Haireris, 2014 m. laimėjęs Fieldso medalį – prestižiškiausią matematikos apdovanojimą, o 2021 m. – pelningą „Breakthrough“ premiją, savo laiką dalija tarp Šveicarijos federalinio technologijų instituto Lozanoje ir Londono imperatoriškojo koledžo. Atsakydamas studentui, jis pastebėjo, kad daugelis sričių susiduria su dirbtinio intelekto sukelto pasenimo perspektyva.

 

„Manau, kad matematika iš tikrųjų yra gana „saugi“, – sakė dr. Haireris. Jis pažymėjo, kad didelių kalbų modeliai (LLM), pokalbių robotų technologija, dabar gana gerai sprendžia išgalvotas problemas. Tačiau, pasak jo, „nemačiau jokio patikimo pavyzdžio, kad LLM sugalvotų tikrai naują idėją ir (arba) koncepciją.“

 

Dr. Haireris užsiminė apie šį pokalbį, aptardamas naują straipsnį pavadinimu „Pirmasis įrodymas“, kurį jis parašė kartu su keliais matematikais, įskaitant Mohammedą Abouzaidą iš Stanfordo universiteto, Lauren Williams iš Harvardo universiteto ir Tamarą Kolda, kuri vadovauja konsultacijų įmonei „MathSci.ai“ San Francisko įlankos regione.

 

Straipsnyje aprašomas neseniai pradėtas eksperimentas, kurio metu renkami tikri testo klausimai, sudaryti iš autorių nepublikuotų tyrimų, siekiant pateikti prasmingą dirbtinio intelekto matematinių gebėjimų matavimą.”

 

Pagrindiniai „Pirmojo įrodymo“ aspektai:

 

Tikslas: sukurti tikslesnį, prasmingesnį ir griežtesnį dirbtinio intelekto matematinio samprotavimo gebėjimų vertinimo kriterijų, palyginti su standartizuotais duomenų rinkiniais.

Metodika: eksperimente naudojami tikri, nepublikuoti autorių sukurti tyrimo klausimai.

Autoriai: Dr. Haireris (EPFL) šį darbą parašė kartu su Mohammedu Abouzaidu (Stanfordas), Lauren Williams (Harvardas) ir Tamara Kolda (MathSci.ai).

 

Šiomis pastangomis siekiama pašalinti esamų dirbtinio intelekto etalonų apribojimus, testuojant galimybes su naujomis problemomis, o ne duomenimis, su kuriais modeliai jau galėjo susidurti.

 

 

Didelis sąmonės klausimas

„Kiek save pamenu, grūmiausi su savo mintimis ir jausmais apie tapatybę. Kodėl aš, Deividas, esu toks žmogus, koks esu? Kiek tai permaininga? Iš kur apskritai kyla tos mintys ir jausmai ir kokiems tikslams jie galiausiai tarnauja? Manau, kad neatsitiktinai man visada buvo taip smalsu žmogaus sąmonės tema. Tai mokslo ir filosofijos – apskritai žmogaus mąstymo! – sritis, kuri giliausiai nagrinėja panašius klausimus ir, su skirtingu pasitenkinimo laipsniu, siūlo daugybę galimų atsakymų.

 

Geriausiai parduodamų knygų autorius Michaelas Pollanas taip pat mąstė apie šiuos dalykus. Visoje jo kūryboje – įskaitant tokias klasikines knygas, kaip „Visaėdžio dilema“ (2006 m.) apie tai, kodėl mes valgome taip, kaip valgome, ir „Kaip pakeisti savo nuomonę“ (2018 m.) apie psichodelinių narkotikų mokslą ir vartojimą – Pollanas gilinosi į idėjas apie vidinį proto veikimą. Dabar, savo būsimoje knygoje „Atsiranda pasaulis: kelionė į sąmonę“, kuri pasirodys šį mėnesį, jis šoko į gilumą. Knyga yra ir labai asmeniška, ir plati daugiadisciplininė žmogaus sąmonės klausimų apžvalga – kas ji yra, kas ją sukelia, kam ji skirta ir ką galimi atsakymai gali reikšti mūsų gyvenimo būdui. Ir kaip paaiškino Pollanas, kylant dirbtiniam intelektui ir nuolatiniam politiniam spaudimui mūsų dėmesiui (tai yra mūsų protui), šie ir taip gilūs klausimai tampa dar svarbesni.

 

Noriu sužinoti keletą pagrindinių dalykų: kaip apibrėžiate sąmonę? Paprasčiausias būdas apibrėžti sąmonę yra subjektyvi patirtis. Kitas vieno žodžio apibrėžimas yra „sąmoningumas“. Niujorko filosofas Thomas Nagelis aštuntajame dešimtmetyje parašė straipsnį pavadinimu „Kaip yra būti šikšnosparniu?“. Jo idėja tokia: jei galime įsivaizduoti, kad būti šikšnosparniu yra panašu į kažką, vadinasi, šikšnosparnis yra sąmoningas, nes tai reiškia, kad jis turi tam tikrą subjektyvią patirtį. Kodėl jis pasirinko šikšnosparnius? Na, jie labai skiriasi nuo mūsų. Užuot naudoję regėjimą, jie naudoja echolokaciją. Jie atspindi signalus nuo objektų, kad judėtų erdvėje. Mes galime miglotai įsivaizduoti, kaip keliaujame po pasaulį su echolokacija. Tuo tarpu su mano skrudintuvu aš to negaliu padaryti. Neturiu supratimo, ką reiškia būti mano skrudintuvu.

 

Didelis sąmonės klausimas yra tai, ką filosofas Davidas Chalmersas pavadino „sunkia problema“. Ar galite žmonėms pasakyti, kas tai yra? Iš esmės, kaip jūs pereinate nuo materijos prie proto, kaip jūs peržengiate tą didžiulę prarają nuo neuronų iki subjektyvios patirties – prarają, kurios niekam nepavyko peržengti. Susiję klausimai: kodėl visi šie dalykai, kuriuos darome, nevyksta automatiškai? Kodėl mes turime ką nors suvokti? Mes galėtume būti visiškai automatizuoti ir, galbūt, puikiai sutartume. Jūsų smegenys stebi jūsų kūną ir atlieka tikslius kraujo dujų, širdies ritmo, virškinimo koregavimus. Vyksta daug dalykų, apie kuriuos mums nereikia galvoti. Tad kodėl mes turime apie tai galvoti?

 

Pasiūlytos kelios įdomios teorijos.

 

Viena iš jų yra ta, kad kai kuriuos klausimus, su kuriais susiduriame, reikia spręsti sąmoningai. Kai turite du konkuruojančius poreikius – esate alkani ir pavargę – kuris turėtų būti svarbesnis? Taigi sąmonė atveria šią sprendimų priėmimo erdvę [1].

 

Kitas argumentas yra tas, kad mes gyvename labai sudėtingame socialiniame pasaulyje, kuriame aš turiu nuspėti, ką jūs pasakysite; turiu įsivaizduoti savo kelią į jūsų galvą. Jūs negalite automatizuoti žmogaus socialinės sąveikos. Ji turi per daug elementų. Taigi sąmoningumas yra labai naudingas orientuojantis tame pasaulyje.“ [2]

 

1. Sąmoningas sprendimų priėmimas yra būtinas, norint nustatyti konkuruojančių poreikių, tokių, kaip alkis ir nuovargis, prioritetą, atveriant specializuotą erdvę atsargiems, apgalvotiems ir kartais sunkiems, o dažnai ir, stresą keliantiems, pasirinkimams. Paprastai pirmiausia spręsti itin didelio nuovargio problemą gali būti saugiau arba svarbiau kognityvinei funkcijai, o esant dideliam alkiui gali prireikti nedelsiant papildyti energijos atsargas, kad būtų išvengta medžiagų apykaitos problemų, nors abu šie dalykai dažnai yra susiję, nes stresas gali sukelti į alkį panašius pojūčius, kai žmogus tiesiog pavargsta.

 

Sprendimų priėmimo veiksniai:

 

Prioritetas: jei esate labai pavargę, jūsų kognityvinis, emocinis ir kartais fizinis funkcionavimas, greičiausiai, yra sutrikęs, todėl poilsis tampa svarbesnis ilgalaikei sveikatai ir saugumui, kaip minėta „Slower Hiking“ svetainėje. 

Fiziologinė būsena: alkis gali būti streso, o ne tikro kalorijų poreikio pasekmė. Sprendimų priėmimo erdvė: sąmonė suteikia galimybę įvertinti šiuos ir kitus konkuruojančius poreikius, o ne pasikliauti automatiniais ir, kai kuriais atvejais, neteisingais veiksmais.

 

2. Šis argumentas pabrėžia esminį dirbtinio intelekto apribojimą, atkartojant niuansuotą, didelę riziką keliantį ir nenuspėjamą žmonių socialinės sąveikos pobūdį. Teiginys, kad „žmonių socialinės sąveikos automatizuoti negalima“patvirtina keli pagrindiniai veiksniai dirbtinio intelekto ir kognityvinio mokslo srityje:

 

„Įsivaizduok mano kelią į tavo galvą“ (proto teorijos) problema: žmonės turi „proto teoriją“ – gebėjimą daryti išvadą apie kitų žmonių vidines būsenas, emocijas ir ketinimus, įskaitant tuos, kurie skiriasi nuo mūsų pačių. Dirbtiniam intelektui šiuo metu trūksta šio gebėjimo nuoširdžiai empatijai, todėl jis remiasi užprogramuotais atsakais, kurie negali iš tikrųjų suprasti žmogaus veiksmų „kodėl“.

 

Per daug elementų (sudėtingumo) problema: realaus pasaulio socialinė sąveika yra dinamiška, daugiamodalinė ir priklausoma nuo konteksto. Ji apima vienu metu apdorojamus žodinius ženklus, kūno kalbą, veido išraiškas ir situacijos kontekstą. 2025 m. atliktas tyrimas parodė, kad daugiau nei 350 dirbtinio intelekto modelių sunkiai suprato tokias dinamiškas scenas, dažnai nesugebėdami interpretuoti už jų slypinčios „istorijos“ ar emocinio ketinimo. 

Numatymas ir nenuspėjamumas: žmonės nuolat prognozuoja, ką kiti pasakys ar darys toliau, kad galėtų orientuotis socialiniuose pasauliuose, ypač didelės rizikos arba sudėtinguose scenarijuose (pvz., derybose ar giliuose asmeniniuose pokalbiuose). Dirbtinis intelektas geriausiai veikia struktūrizuotoje, taisyklėmis pagrįstoje aplinkoje, o žmonių sąveika dažnai būna netvarkinga, nelinijinė ir „neracionali“, todėl ją sunku modeliuoti.

 

Struktūriniai DI kūrimo apribojimai: daugelis DI neuroninių tinklų yra modeliuojami pagal smegenų vizualinio apdorojimo sritis (kurios interpretuoja statinius vaizdus), o ne sritis, atsakingas už dinaminių socialinių ir elgesio scenų apdorojimą. Tai sukuria esminę, struktūrinę „akląją zoną“ DI gebėjime suprasti socialinę dinamiką.

 

„Situacinio“ pažinimo svarba: žmonių sąveika yra įkūnyta ir „situacijoje“ fiziniame ir socialiniame kontekste. DI trūksta šio fizinio pagrindo ir bendros patirties, o tai reiškia, kad ji negali „skaityti kambario“ taip, kaip tai daro žmonės.

 

Trumpai tariant, nors DI puikiai atlieka logines užduotis ir atpažįsta modelius, ji susiduria su didele, galbūt, neįveikiama spraga, naršydama daugiamačiame, niuansuotame ir emociniame tikros žmonių sąveikos kraštovaizdyje.