0.1 一个假定: #
- 每个主题下面有海量的内容和主题。
0.2 不可靠先验 #
历史上有重大分歧的节点，是否就是认知的关键节点？如何测试这个观点，以及如何利用这个观点？ #
1. 如何让用户有明确的认知主题 #
- 用户可以创建主题，建立认知区隔位来创建主题 2021-06-18 09:32:23 星期五
- 系统自动标注出实际上的内容主题，而不是预期的内容主题 2021-06-18 09:35:52 星期五
- 有类似word cafe 主题
如何保证内容的质量度
2. 每个主题下，需要有好的一对一比对学习的呈现 #
问题 1.如何能挑出历史上最重要的分歧节点。对应地，人类历史上的经典是怎么选择出来的？ #
把引用，反对，操作，用户历史等引用为待分析数据。
需求 2. 如何确保每个分歧节点的精确表达 #
引入重写，重写要尽可能保留它的核心要义
作者重写还是他人重写？
最终要选出能够反映核心的认知主题。
CISC 指令由于每个时钟周期可以执行更多的指令，因此RISC是没法替代的
现在的CPU，CISC是采用微码操作实现的，相当于内部是RISC架构。因此不会更快。 就算有CISC指令，编译器也很少采用。CISC在实际中少有收益。
#
CISC 指令由于每个时钟周期可以执行更多的指令，因此RISC是没法替代的
- 现在的CPU，CISC是采用微码操作实现的，相当于内部是RISC架构。因此不会更快。
- 就算有CISC指令，编译器也很少采用。CISC在实际中少有收益。
各种观点的集合应该作为一条整理完毕的对照性观点 #
CISC 指令由于每个时钟周期可以执行更多的指令，因此RISC是没法替代的
- 现在的CPU，CISC是采用微码操作实现的，相当于内部是RISC架构。因此不会更快。
- 就算有CISC指令，编译器也很少采用。CISC在实际中少有收益。
如何让用户最大化信息增益 #
- 采用基于推荐的信息组织方式
最大化用户信息输入带宽，是在已有知识锚点的基础上的推荐系统 最大化用户学习时长，还是最大化用户连续学习天数，还是最大化学习熵增？这个信息熵如何衡量？
