【力量訓練的「訓練量」該如何設定？】

跑者的訓練量俗稱「跑量」，單位是「公里」，所以月跑量三百是指一個月總訓練距離300公里。在力量訓練圈的「訓練量」（Training Volume）常是「總反覆次數」 （Total Repetition）的同義詞；而「月總量」就是指一個月的總反覆次數，像我們會建議初跑者的月跑量最好不要超過100公里一樣，在做重訓時，有沒有一個區間可以讓大家參考呢？下面是《The System》的作者群建議：

#以下為譯文：
以剛接觸訓練的新手來說，月總量最好從750次（總反覆次數）開始；而菁英運動員的上限設在1,600次。在前蘇聯時代，我們親眼看到他們運動員以更高的月總量進行訓練。然而，我們後來也發現這跟他們使用加強運動表現的補給品有關，那使運動員能更快恢復。

總反覆次數是指在單一個週期中（這裡是指中週期）所有基本力量動作重複次數的總合。因此總反覆次數750的意思是在不同的訓練強度與動作中總共累計的次數，但這個數字不包括輔助訓練的動作。

從帳面上來看，750這個數字分配到一個月十二到十六次課表當中，看起來似乎很小，但我們這們所定的750這個數字比較像是「基本量」，而非下限，如果總反覆次數低於750下，就不會為運動員的成長帶來實質的影響。表 4.14 中的數值並不是意味著高水平或菁英運動員在四週內的總反覆次數永遠不會有低於1,000次情況發生，那只是維持成長的基本量。對運動員的恢復能力影響最大的是訓練量，因此這些範圍中比較需要注意的是上限的數值。若月總量超過上限值，恢復能力將快速到受到侵害，而且侵害的速度比任何其他因素都快。

一位菁英水準的運動員可以在一個月的時間裡完成1,000次以下的訓練，就算在恢復期也經常發生。然而，訓練新手若超過1,000次的上限，大都要承擔受傷或嚴重過度訓練的風險。

許多教練擔心他們的運動員練不夠，所以無法有效獲得力量和爆發力的進步。他們不想因為目標定得太低而有所保留，這讓他們感覺是「浪費」了一個月的訓練時間。剛開始採用這個方法來訓練時有這種感覺很自然，我們系統中的每一位教練也都曾經歷過相同的掙扎。

美國的力量教練已經把「訓練要用盡全力」當作一種信念，訓練完還有餘力好像就會覺得不夠認真。但請相信我們。我們說的方法很少失敗，也幾乎沒有過度訓練的風險，這些區間已被證明能最有效地幫助運動員進步。

在調整運動員的訓練量時，需要考慮到他們的技巧、經驗、過去的醫療史、訓練史、性別、實際年齡與訓練年齡。

我們過去的慘痛教訓可以讓你少走許多彎路。當你在訓練量的拿捏上猶豫不決時，原則是寧少勿多。寧可因量太少沒進步，也不要犯下過量訓練的錯誤。

總訓練量不包括輔助訓練或是特別針對「局部效果」的練習次數。那些動作主要是為了強化特定肌肉或是使全身力量動作能做得更好的輔助性訓練，所以我們不會把它們算在總訓練量中。
最受我們重視的力量訓練動作不只對身體的負擔很大，技術要求也很高；正因如此，我們才會嚴格限制訓練量。

雖然輔助訓練不會被計算在總訓練量裡，但你不要因此失控，開始加練很多你想練的輔助動作。永遠記住：效率第一。

#原文如下
The absolute floor of volume for a novice athlete is 750 total exercise repetitions per month, and the ceiling for the elite athlete is 1,600 total reps. During our time in the former Soviet Republics, we witnessed athletes performing even higher monthly training volumes. However, as we found later, that was often with the benefit of performance-enhancing substances that allowed for more rapid recovery.

In a single cycle, the total number of repetitions pertains to all exercises performed in the key movements. This means 750 total repetitions are spread between the different exercises among the range of training intensities we want to emphasize.

On the surface, these can seem like small numbers when we consider they may be spread out over 12 to 16 training sessions. That 750-rep total is really more like the basement rather than the floor of total volume—any less than 750 will not budge the needle on gains. That does not mean advanced or elite-level athletes will not have cycles that dip below 1,000 reps. These ranges should be more prescriptive of the ceiling of higher volumes to avoid exceeding. Pushing monthly volume beyond these ranges erodes recovery more rapidly than any other factor.

An elite-level athlete can use a month with a total volume of under 1,000 reps, as will often be the case when returning to training. However, a novice athlete can rarely exceed the 1,000-rep ceiling without risking an injury or a significant overtraining effect.

Many coaches worry their athletes will not do enough work to promote gains in strength and power. They do not want to “waste” a month by aiming too low on total volume and leaving some gains in the tank. That is a natural feeling when adopting this method, and each of us went through the same mental struggle.

Strength coaches in America are not hard-wired to accept less than maximum. However, trust us when we say that without fail, these ranges have proven to be the most effective in generating progress with almost no risk of overtraining.

Fine-tuning where your athletes fall in a volume range takes skill, experience, and consideration of their medical and training history, biological and training age, and gender.
The bloody trail of our mistakes can save you a lot of added stress: When in doubt, it is always better to err on the side of less volume than too much.

The total volume number does not include accessory work or exercises of “local effect.” Those exercises are more targeted muscle strengthening or exercises to support the main movements.

We are mainly concerned about the most physically taxing exercises that demand more of an athlete’s attention to technique—hence, the volume restrictions.

Although the accessory work is not included in the volume calculations, you still cannot go wild, adding as much as you want. Always remember this: efficiency first.
(以上摘錄自原文第132~133)
--
若有發現翻譯不到位或有問題的地方，非常歡迎也希望各界指正！

💁🏼‍♀️養肝 護肝 膽肝細胞再生👍🏻

🇩🇪德國原裝 保肝聖品
Sanct Bernhard 水飛薊精華

容量：90粒
🉐️特價💰850元 含國際運費
（原價$1100）

國內運費65-80元可併
➕1、私訊 或Line：@miu6833e
✈️空運約4週到貨

肝臟在代謝過程中起著重要作用，它可以排毒身體，調節脂肪代謝，促進消化。然而，今天肝臟每天都會處於汙染的環境，如壓力，污染物，防腐劑，酒精等‼️

✨水飛薊素是奶薊的天然活性成分。水飛薊素促進肝臟的再生能力和自我修復能力，從而形成消化所必需的膽汁。

⭐️水飛薊的作用
✅全草-用於腫瘍及丹毒
✅果實及提取物-用於肝臟病、脾臟病膽結石、黃疸和慢性咳嗽。

✅清熱解毒，保肝、利膽，保腦，抗X射線。對急性或慢性肝炎、肝硬化、脂肪肝、代謝中毒性肝損傷、膽石症、膽管炎及肝膽管周圍炎等肝、膽炎症均有良好療效，可使肝臟病患者自覺症狀和某些生化指數如血清膽紅素、凝血酶原、谷丙轉氨酶等迅速改善。

✅水飛薊提取物具有保護肝臟的作用，它能阻礙有害毒素進入肝臟，並可清除肝臟內的毒害物質，同時修復受損肝細胞。對急性或慢性肝炎、肝硬化、脂肪肝、膽石症等疾病均有良好的療效。在歐洲主要應用於輔助排泄功能，潤腸通便。

⭐️高劑量的水飛薊提取物
🔺含有天然活性成分水飛薊素
🔺水飛薊素促進肝臟的再生能力和自我修復能力
🔺加強消化功能，促進肝細胞的代謝
🔺促進肝臟和膽汁代謝，幫助肝臟解毒

🌿成份
每粒膠囊含有200毫克的高劑量的水飛薊提取物30-40:1（含40％的水飛薊素）

💢適用人群
各種急慢性肝炎、膽囊炎、肝硬化及酒精肝、脂肪肝症狀的人群。

⭕️服用方法
早晚各一次，每次一粒。

🇩🇪品牌介紹
Sanct Bernhard 藥草園-成立於1903年，超過110年的自然療法。是一家用草本植物做成的個人護理產品和營養補充品的公司，他們自己擁有很大的莊園來栽種各種草本植物，由大師級工匠創造的科學藥草園，並投入不少研究設備。

他們對植物和草藥功效的了解，經過好幾代人的驗證，並以最新的科學發現輔助，發表不少有貢獻的科學論文，通過所有歐洲有機品質的最高認證。

長期的經驗，熟練的員工，最先進的生產工藝和精細的控制確保所有的產品都符合最高標準。

👍🏻德國保健產品是當前全球研發水準最尖端、產品最誠信、質量最安全的保健品，其以品質純正，藥效顯著聞名世界，是當前全球公認的最具誠信、最安全可靠的產品。無論在科研領域還是製造工藝領域都在歐洲名列前茅。凡是標有“德國製造”的產品，早已經被世界解讀為“品質保證”的同義詞了。

AI 如何為公司創造更多價值？專家：2 個缺陷，要先由人類來修補

2021/05/13
採訪‧撰文
盧廷羲
張凱崴

美國人工智慧國家安全委員會（NSCAI）今年 4 月建議，國防部每年應至少分配 3.4% 的預算投入科技領域，並提撥 80 億美元研發 AI。企業方面，微軟（Microsoft）4 月宣布，將以 197 億美元收購語音辨識開發商紐安斯通訊（Nuance Communications）；後者是雲端與 AI 軟體的先驅。

從企業到國家，都愈來愈重視人工智慧，知道要想辦法運用 AI 創造更好的生活。不過，目前 AI 發展到底處於什麼階段？我們又該如何應用？

美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授張凱崴形容，目前人工智慧技術已經可以幫助人類完成很多事，像是疫情來襲，電腦可以從大數據中篩選條件，自動搜尋、判讀潛在病例，幫助醫生大幅減少檢查時間，但 AI 也並非萬能，要先認知它的局限。他研究如何讓 AI 更符合人性，獲得 2021 年的史隆研究獎（Sloan Research Fellowships）。

AI 局限1. 資料寬廣度不足時，就會複製人類偏見

張凱崴認為，電腦在學習的時候，是依賴「彙整數據資料」來判斷，並沒有真正思考，如果資料來源太狹隘、不夠多元，資料寬廣度不足，電腦判斷就會出現偏差，「你跟電腦講清楚 input（輸入）、output（輸出），提供足夠的數據資料，它可以對應、學得很好，但還有很多面向 AI 做不到。」

舉例來說，亞馬遜（Amazon）2014 年推出智慧音箱（Amazon Echo），使用者口頭下指令給語音助理 Alexa 就能放音樂、查資訊。然而，有些人口音較罕見，或是用字較特殊，智慧音箱的資料庫沒有「不同口音」「不同用詞」的檔案，就可能失靈，這是當前 AI 的其中一大問題。

張凱崴進一步解釋，AI 另一項挑戰是，它無法清楚分辨「不曾出現」與「不能出現」（無法出現）之間的區別，只是從資料統計出要學的東西，無法像人類一樣進行邏輯思辨。

AI 的運作方式，第一步是輸入資料，第二步是分析，但這過程容易出現偏見。例如電腦在理解「總統」這個字，會去看四周有什麼字詞，來學習總統這個詞，由於許多總統都是男性，電腦就會「覺得」總統是男性。

這也是為什麼，如果讓 AI 學習，在它的認知裡，女性「不可能」當美國總統（因為沒有資料紀錄）。「你可以跟人類說，任何職業、性別都是平等的，但對電腦來講，這很困難，」張凱崴說明，一旦資料的寬廣度受限，電腦就容易產生偏見。

就像在自然語言處理（Natural Language Processing，讓電腦把輸入的語言變成有意義的符號）領域，張凱崴說明，AI需要知道代名詞指的是「哪個名詞」，才能運算下去。但如果資料受限，使用男性的「他」，電腦可能判斷這個代名詞是指總統、總理、執行長；但換成女性的「她」，由於數據不足，電腦就會混亂，出現系統性誤差。

他再舉一例，美國人工智慧研究組織 OpenAI 提出「生成式預先訓練」系統（GPT，Generative Pre-training），推出到 GPT3 版本，屬於書寫類 AI，電腦能夠揣測人們說完上一句話，下一句可能會講的句子，自動完成後半段。

好比有人上一句寫下「我正在和教授聊天」，系統可能推導出「我們在研究室討論學術問題」，因為電腦藉由蒐集來的語料資料中判讀出「教授」和「學術」具高度相關。但研究也顯示，GPT2（前一代版本）系統也從資料中學習到許多偏見，像是如果句子前半談論白人男性，系統傾向產生正面評價；如果句子前半是黑人女性，系統竟會產生負面句子。對企業來說，許多組織接觸 AI，想讓它們取代部分工作，首先需要留意資料的廣度、多元性，才能減少電腦犯錯的機會。

AI 局限2. 即便條件相同，也無法每次都做出正確判斷

「其實，現在的 AI 就像一台原型飛機，還缺乏穩定性。」張凱崴說，現行的 AI 就好比萊特兄弟（Wright brothers）剛發明飛機，看似可以做很多有趣的事，但「可以飛」跟「飛得很好」，有一大段落差。

紐西蘭的簽證系統曾鬧出笑話。人們上傳簽證照片，AI 掃描後，確認是不是本人，但當時系統沒有估算到某些亞洲人眼睛比較小，一名亞裔男子被判定「沒有張開眼睛」，因此照片無效。

張凱崴說，在這個例子中，凸顯出 AI 的穩定性不足，「系統沒有考慮到不同人種的差異，很死板地認為你眼睛沒張開。」所謂的缺乏穩定性，指的是 AI 沒辦法在相同條件下，每次都做出正確決策，這也是使用 AI 時，須留意的第二個挑戰。

他再舉例，許多模型可以準確分析，一則影評對電影的評價是正面或負面。然而研究顯示，有時只要將影評中一些字換成同義詞，例如把電影（movie）換成影片（film），或改寫句子，即使意思並未改變，系統卻把原本判斷為正面的影評標註成負面。這顯示AI系統還未真正了解語言的含義。

在設計這些程式時，人們必須注意到 AI 可能有局限，設定的資料範圍要更完整，考慮這些因素，就能減少偏見、落差，進而加強穩定性。

餵指令給 AI 要多元化，嘗試「換句話說」、刻意混淆

經理人雖然不一定具備 AI 方面的專業知識，但只要掌握觀念，再透過 AI 領域專才協助，也能優化系統。張凱崴指出，最直接的方法是，設計 AI 模型時，要把來源群組不同的資料分門別類測試，在測試階段讓群體多元化，並確保不同特色的使用者，用起來都沒有問題。

舉例來說，一套 A 系統擁有來自各地的使用者，如果設計者是台北人，設計系統的思維容易以台北生活為主，很可能因為當地習慣不同，導致花蓮使用者操作不順。

另一個方法，則是用不同的「語意」，去測試 AI 有沒有徹底學會一個概念。例如，有一套餐廳評鑑的 AI 系統，只要蒐集、整理使用者意見，就能判斷每個顧客對於餐廳的評比是高分或低分。那麼要如何確認這套系統的穩定性？張凱崴建議，可以利用「抽換詞面」的方法。

比如，把詞彙換成同義字，再看 AI 是否能運算出相同結果，「你可能會發現，原本評比結果是食物很美味，但如果美味換成比較困難的詞，AI 就會分不出這則評比是好是壞。」因此在訓練模型時，可以將詞彙隨機抽換成同義詞，增加 AI 的詞彙量。

第三種方式更進階：改變句型、重寫句子。張凱崴指出，同樣一句話，如果換成不同說法，電腦可能判讀錯誤，將「因為發生 A 事件，所以導致 B 事件」，改寫成「B 事件發生了，是因為 A 事件的緣故」，明明兩句話意思一樣，但 AI 很可能因為穩定性不足，搞混兩者的差別。如果要鞏固 AI 的穩定性，可以使用自動改寫的方式，增加資料的多樣性。

張凱崴表示，經過這些測試，讓 AI 接受更多元化的訓練，得到更廣的學習範圍，往後碰到同義詞、相似資訊，才能有效判讀。

張凱崴總結，AI 還在快速發展，或許可以創造更多工作機會、新的職位，但現行階段，它只是輔助角色。AI 並非魔術盒子，使用它就一定有更好結果，人們還是要保持高度耐心，先認識它的缺陷，才能在技術更迭下，發揮出最好的結果。

張凱崴

台灣大學資訊工程系碩士、美國伊利諾大學（UIUC）電腦科學博士。美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授，研究領域包括人工智慧、機器學習、自然語言處理。2021 年獲得史隆研究獎（Sloan Research Fellowship），研究團隊開發的運算方法，使人類語言處理的程序更有效率、更多元，同時兼具公平性。

附圖：優化AI系統的3方法

資料來源：https://www.managertoday.com.tw/articles/view/62902?fbclid=IwAR2jI1bhg1anqct0AZZR_3LKKJqIsvG0wz2whSN8iniROZApHt-_qpD7dis