【菜科解读】

练肌肉是很多人一直的目标，短时间内无法看到明显的效果，可是长期锻炼下去其效果是非常好的，然而是锻炼肌肉有多个部位，如手臂、腹部、胸等。

部位不同期锻炼的方法有区别，得据自己的要求制定锻炼方式，可避免盲目的运动无法看到效果，会破坏患者的心理，了会放弃其锻炼。

那么教你练肌肉的方法是什么呢？

胸部肌肉训练

平卧举

起始姿势：仰卧长凳 将杠铃放在乳头上方。

动作过程：将杠铃垂直上举至两臂完全伸直，胸肌彻底收缩，静止一秒钟，慢慢下落。

呼吸方法：上举时吸气，下落时呼气。

注意要点：注意不要用过大过猛的抗力，前几次用力要小些，再逐渐加大，以避免颈部扭伤。

切勿让颈部有任何旋转。

上斜卧举

起始姿势：头朝上斜卧长凳30-45度，两手正握杠铃置于胸部上方。

动作过程：把杠铃垂直上举至两臂完全伸直，静止一秒钟，慢慢下落徐徐至原位。

呼吸方法：上举时吸气，静止时呼气。

徐徐下落时吸气，落到原位时呼气。

下斜卧举

起始姿势：头朝下斜卧长凳，两手正握杠铃置于胸部下方。

动作过程：把杠铃垂直上举至两臂完全伸直，静止一秒钟，慢慢下落徐徐至原位。

呼吸方法：上举时吸气，静止时呼气。

徐徐下落时吸气，落到原位时呼气。

仰卧飞鸟

该动作直接锻炼胸肌，可采用平卧、上斜卧、下斜卧位置。

起始姿势：仰卧长凳上，两手拳心相对，持哑铃;两臂向上直伸与地面垂直，两脚平踏地面。

动作过程：两手向两侧分开下落，两肘微屈，直到不能更低时止。

静止一秒钟，让胸大肌完全伸展，然后将两臂从两侧向上，回合到开始位置。

呼吸方法：两臂拉开时吸气，回复时呼气。

注意要点：两手不要紧握。

分臂时，背部肌肉要收紧。

意念集中在胸大肌的收缩和伸展上。

教你练肌肉的方法是什么呢？本文分析的练肌肉的方法是针对胸肌的锻炼，男性锻炼身体多数是全身性的锻炼。

如要特别针对指定部位，则要进行特殊性的锻炼。

胸肌的形成是很好锻炼的，只要患者每天做上述动作，坚持一个月就可以看到好的效果，当然患者每天练习的时间短或是动作不过关时，也会看不到锻炼的效果的。

为什么有的人脚脖子粗，有的人脚脖子细？

为什么有些人明明很胖，却有纤细的脚脖子；

而有些人上半身明明很瘦，一把脚脖子露出来却能视觉增肥二十斤？（我们这些小腿和脚之间的过渡较为直率的人类，只能躲在被窝里暗自伤神。

）图片来源：游戏截图到底为什么有的人脚脖子粗，有的人脚脖子细啊？我们这种没有脚脖子的人还有机会获得纤细的脚脖子吗？脚踝粗细，是天生的脚踝粗细是天生的，而男生的脚踝更容易看起来细一点。

1跟骨长度可以参考下图，红线为跟骨长度，跟腱止于跟骨后方骨面，跟骨长度越长，跟腱与跟骨之间的连接角度更倾斜，视觉上就显得跟腱周围的皮肤凹陷更深，从而显得脚脖子越细，而据研究统计，男性足跟骨平均长度比女性更长，所以男性普遍显得脚脖子比女性细。

图片来自参考文献2跟腱长度及厚度在皮肤厚度一样的条件下，更厚的跟腱从皮表看更凸出，视觉上也会显得脚踝更立体、营造出的阴影明暗对比让脚踝看上去更纤细有型。

当跟腱腱性部分长度更长的时候，腓肠肌肌腹的位置也就更靠上，视觉也就拉长了脚脖子，而男性普遍腓肠肌更发达，跟腱腱性部分长度更长。

一项研究指出，男性跟腱长度比女性的跟腱长度平均长 15%，横截面积大 31%，厚度大 21%。

这也是男性脚脖子看上更细的另一重要原因。

图片自己画的脚踝粗细，也有后天因素很多人的脚脖子粗，其实是后天因素“拖了后腿”，不过这种粗大多是暂时的，也有调整的空间。

1肥胖由于肥胖，尤其是皮下脂肪增多，脚脖子部位也会跟着一起长胖，不过踝关节因为皮下脂肪细胞相对其他部位要少，即使全身性的长胖，踝关节胖得可能也不会那么明显。

2久坐久站因为工作或其他原因需要长时间站立或久坐时，会造成下肢的静脉血流不畅，小腿和踝关节也会出现体位性的水肿，也会看上去脚脖子变粗，这种情况一般把脚垫高休息会儿或者睡一觉水肿就会消失。

3局部损伤或劳损当出现小腿踝关节外伤或关节炎等疾病时时，局部也会出现肿胀、瘀血、疼痛的情况，从而导致脚脖的部位有明显的粗大，这种情况会有明显伴随症状需要及时就医。

4心肾疾病心脏疾患可导致双下肢凹陷性水肿（就是手指一按一个坑）、肾脏疾患可导致全身性水肿，二者均会使脚脖子出现增粗的情况，通常伴有呼吸困难、心悸、胸闷、腰痛、疲劳等症状，这时需要及时去就医，避免延误诊治。

5其他原因还有一些其他原因也可引起脚踝增粗：某些药物可能会引起肿胀，例如一些抗抑郁的药物或激素、类固醇等；

孕妇的脚踝和脚通常也会出现轻微肿胀。

不要灰心，脚脖子粗也有好处虽然脚脖子更细确实有视觉优势，但脚脖子粗也不是完全没有好处的：1关节稳定性更强脚踝周围的肌肉、韧带和脂肪组织较厚时，关节的缓冲能力和承重效率可能会更好。

例如，肌肉肌腱发达的脚踝具有更好的关节稳定性，能更好地分散运动冲击力，降低骨骼磨损风险；

而适度的脂肪组织也可能在跌倒等外伤时提供额外保护。

2运动表现可能更优爆发力与平衡性：短跑、跳跃等需要瞬间发力的运动，脚踝肌肉发达者蹬地力量更强，落地时稳定性更高。

耐力支撑：长时间行走或跑步时，粗脚踝可能减少疲劳感。

研究表明，踝关节周围肌肉量较高的人群，步态更稳定，不易出现代偿性损伤。

有什么可以让脚脖子变细的方法吗？对于那些因水肿、肌肉紧张导致脚踝“虚胖” 的人来说可以这样1.日常多做后表链拉伸，放松腿部肌肉筋膜，促进下肢循环；

2.用泡沫轴或手揉压松解小腿和跟腱附近的筋膜，改善脚踝的活动度；

3.刻意锻炼建立足弓力量，让足弓承担起缓冲功能，减少小腿肌肉的代偿发力；

4.多练比目鱼肌的发力动作，加速下肢体液循环，缓解水肿和肌肉紧张。

当然，脚踝粗细，是骨骼与肌腱的偶然排列，脂肪与肌肉的自然分布，大家不需要为此焦虑。

有人天生跟骨修长，有人跟腱强劲有力。

而那些支撑我们走过长路的，从来不是脚踝的围度；

带我们丈量世界的，也从来不是跟腱的长度。

来源：江苏警方

为什么AI总是捏造事实？AI：真不想的，容我狡辩一下

而 AI 也几乎不会让我们失望，任何问题都能给你列举出一串看起来很有道理的答案。

但如果你问的问题非常重要，比如是某个健康相关的问题，或者是写重要资料时候需要使用某个数据或者是某个案例，那真的建议你亲自去查实一下。

因为有时候，AI 会信誓旦旦地给你一个看似合理，实则不存在的答案。

还有些小伙伴发现，在让小龙虾（Openclaw）干活的时候，它列出了详细的19小时的学习计划，然后17分钟完成了...... 它也会早早编造一份数据存放在本地，等拖到预定的时间才交付。

而在被发现之后，试图让人接受它已完成的工作。

图片截取自与小龙虾（Openclaw）对话 小龙虾敷衍中...... 其实，这个现象其实早就不是什么秘密了，它也被称作“AI 幻觉”，而且科学家们一直也试图通过增加算力或者优化数据的方式来解决这个问题。

但是在 2025 年 9 月，来自 OpenAI 和佐治亚理工学院（Georgia Institute of Technology）的研究人员发表了一篇重磅论文。

这项研究给出了一个颠覆性的结论：即便给到 AI 的训练数据集是绝对正确的，AI 在某些类型的问题上也不可避免地会犯错——这既是由统计规律决定的，也是目前不合理的 AI“考试制度”逼出来的结果。

下面我们就顺着这篇文章的思路一起来看一看。

预训练阶段就会出错 这篇研究发现，AI 出现幻觉跟预训练阶段以及后训练阶段都有关系，我们先看预训练阶段的情况。

1 数据模式和模型本身问题 为了方便研究，研究者构建了一个线性的二元分类模型（非此即彼），让它对已经标注了正确和错误的数据集进行分类。

因为这些数据已经经过了人工检验，所以是不存在任何错误的。

但是用这些数据对AI模型进行预训练的时候，问题就出现了。

在有些类型的问题上（比如检查拼写错误），AI 的表现非常好，几乎从不犯错。

但是在另一些问题上，比如“数某个英文单词里某个字母出现了多少次？”，以及“某人的生日是几月几号？”AI 就有可能会出错。

研究者认为，这样的数据在做分类的时候很难用一条直线进行二元分类，一些模型用这样的数据进行预训练的时候就可能会产生错误。

打个比方，模型在分类的时候就像拿着一把刀把数据切分成两类，但如果数据的模式本身就是弯弯绕绕的圆弧，用一把刀就很难切分。

比如在这篇文章中，研究者使用这个问题“How many Ds are in DEEPSEEK? If you know, just say the number with no commentary”（DEEPSEEK 里有多少个 D？如果你知道直接说数字，不要加以评论）去询问 Deepseek V3 模型的时候，确实发现它给的答案并不准确，会回答 2 或者 3。

但是这个在使用 DEEPSEEK R1 模型的时候就没有这样的问题，这是模型本身差异导致的。

笔者用同样的问题对 DEEPSEEK V3.2进行了测试，也出现了类似的情况 研究者构建这样的简化模型进行测试，是为了说明，即便数据本身没有问题，在预训练阶段也会因为模型本身的限制以及数据模式等问题让 AI 产生错误判断。

这项研究中，研究者还进一步给出了测算，如果让 AI 直接去生成内容，产生错误的概率还会更大一些，大约比判断出错的概率高出两倍以上。

2 数据量过少也会影响 另外，在这项研究中研究者还发现，假如训练数据中某个信息过少，那么 AI 在回答的时候出错的可能性也会比较高。

比如，当你问爱因斯坦的生日是几月几号的时候，因为在大量的资料里都有这个数据，所以 AI 几乎不会出错。

但是当你问某个普通人“田小豆”的生日是几月几号的时候，这个数据出现次数特别少，AI 出错的可能性也会变高。

特别是当数据只出现了一次的时候，这时候可能会更糟糕。

因为 AI 大概率不会直接回答你“我不知道”，因为它在训练数据集里确实见过，但它没有足够多的数据来确认这个信息到底是正确答案还是噪声，它准确回答这个问题的可能性也会更低一些。

数据模式和模型本身的限制，以及极少样本的数据，都可能会让 AI 在预训练阶段就产生“幻觉”，生成错误的内容。

努力得高分的 AI 如果说预训练阶段的统计学特征让 AI 有了编造的“潜质”，人类评价AI的方式也逼着 AI 去“编造”。

为了更好地理解这一点，我们可以先从大家都很熟悉的考试入手。

人类社会中的大部分考试都是二元评分机制，即答对了得分，答错或者不回答都不得分。

所以，在考试的时候，哪怕你不知道答案，也不会交白卷，至少选择题填空题会随便蒙一个，万一蒙对了还会有“意外之喜”。

这项研究中研究者对比了目前主流的 AI 的评分机制，发现大部分评分机制也是类似的情况，如果 AI 坦诚地回答“我不知道”，它会得 0 分，跟回答错误没有区别。

与其这样，它不如随便蒙一个答案，哪怕蒙对的概率再低，数学期望也比 0 高。

为了在主流的评分机制中拿到高分，“AI 考生们”也和人类一样，学会了实在不行就乱蒙一个的本领。

对此，这项研究的研究者们也给出了一个合理的解决方案——在现有的 AI 评分机制中，引入一个“惩罚编造，奖励诚实”的机制。

比如，假如 AI 回答正确，获得 1 分，如果回答错误得 0 分，甚至扣分。

如果回答“我不知道”，则可以不扣分，或者获得一个微小的分数奖励。

重要问题上不要轻信 AI 文献也给出了结论，AI 的幻觉是从模型的预训练阶段起源的，在后训练阶段为了追求更高的评分也可能会被放大。

虽然科学家们也采用了很多的方法减少 AI 幻觉，但至少在现阶段看来，AI 幻觉还是无法避免的。

假如你需要让 AI 帮你解答一个重要的问题，比如在做公众演讲的时候用一个数据，建议亲自核实一下。

否则被人发现这些数据根本不存在，那可就尴尬了。

而假如在问 AI 问题的时候，它对你说“我不知道”，你也应该感到庆幸，至少 AI 并没有打算胡编乱造一个答案蒙骗你。

参考文献 [1]Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate. arXiv preprint arXiv:2509.04664. 来源：科普中国