数学的本质是演绎证明，是一个基于推断的极其复杂的规则游戏。
而机器的计算模式则是遍历型、经验型的，即通过大规模数据来穷尽所有可能。
人类在解决数学问题时，用到的不只有计算能力，还有各种各样的认知技能。比如理解题干，需要将文字或图标转换为算术运算符；确定解题思路，需要进行推理，从已知的公理中找到最佳策略；具体的运算过程中，必须利用工作记忆来完成运算；保持成绩的稳定性，就需要将已学到的知识和规则迁移到同一类型的问题中去
STUDENT（Bobrow1964）系统，输入一段规定好描述方式的数学题，然后把自然语言（linguisticform）通过模式匹配映射到对应的函数关系表达。数学要取得好成绩，先得自然语言阅读理解能力过关。
想要提供高品质的数学搜索服务，比如输入数学题，就能精准还原出数学模型、解题步骤以及答案，并不是一件简单的事。
如果解题类应用的数学水平始终在及格方面徘徊，连看懂题和正确率都无法保证，还怎么能指望AI系统从学生们的答卷中分析出失分原因并指导其进一步学习呢？
从成功的本质来讲，成功来自于个人工作、生活中所创造出的价值被认可的感觉。如果你觉得你活得有意义，你就成功了。
盲点：需求背后的需求
痛点：解决用户因需求未被满足后失落带来的恐惧
爽点：即时性满足、虚拟自我的满足
今日头条：
待解决的问题：从海量内容中找到用户喜欢的内容
输入：用户画像和内容特征
计算逻辑：按一定规则计算喜欢度
输出：将内容按喜欢度从高到低排序
产品经理要参与产品的需求、生产，运营等环节，要定义产品、连接用户，带好团队。这要求产品经理要有市场判断能力、用户研究能力、需求分析能力，产品规划与设计能力，项目管理能力等等。
相对于零散的、分散的、无关联的知识概念和观点，知识体系是高度结构化的、相互关联的、众横交错的知识网络。
信息→ 知识点 →结构化的知识→知识体系
一本书大部分的内容都是信息，在众多信息中有一部分被检验为真的内容可以压缩提炼为知识点，把这知识点按照一定的逻辑顺序进行分类和编排形成知识结构，众多结构化的知识，交叉编排，互相关联从而形成知识体系。
可证伪性：可以被证明是错的。
科学理论一般是可证伪，且尚未被证伪的。
所有的树叶都是绿色的。可证伪，不可证实
存在鬼，不可证伪，可证实
善有善报，恶有恶报，不可证伪，不可证实
你将来会死，不可证伪，可证实
你200年内会死，可证伪，可证实
科学知识体系的六元结构
1、事实前提(Antecedent Fact)：事实、理论事实和已有理论难于解释的新事实即反常事实和反常问题。现象、问题
2、基本观点(Basic Viewpoint)：对已有事实和反常事实本质的概括，可能是归纳的，也可能是假设的，提供了对事实的解释或认识方法。原理、公理、假设
3、特有概念(Characteristic Concept)：特有的、不同于其他知识体系中的概念集合，是在基本观点和观念的启导下引入的。
4、主导规律(Dominant Law)：作为概念之间的关系，主导规律揭示了事物的内在的本质联系，是基本观念的更进一步的表达、发展和具体化。定理、定律
5、元知识(Metaknowlege)：关于知识的知识，关于知识体系如何构建的规律性知识，包括研究问题与获得知识的技巧与方法等。
6、典型应用(Exemplary Use)：运用基本观点、概念，特别是主导规律，解释和说明一些现象，解决存在的问题，开拓实际的应用，预测未来的可能性。
知识是关于知识对象的图景，是关于对象的存在、结构、演化与相互联系图景的一种主观的重新建构。
载体：事物本体、书、磁、电
数据：载体数字化的结果，符号、语音、图片、视频
信息：数据在特定场合下的意义，能指->所指
知识：知识=信息+关联
对信息的加工、整理、解释、挑选，形成了对于被研究对象的逻辑关联，也就是形成了普遍性、系统性和规律性的东西，这种信息关联的系统结果才能称之为知识。
智能：使用符号的能力，将符号用一定的关系连接起来的能力。知识得以构建的元知识
