2019手机的风向标到底在哪里？全面屏？一体式无孔无按键机身？听得众网友头昏脑胀，每个词汇都很高大上，可是这些设计只能算外观升级并没有改变手机，当然也就算不上最大的风口，那么到底2019什么会是手机的最大风口呢？随着年前三星、华为、OV等宣布将会在未来几年推出折叠手机，无疑折叠手机成为了手机厂商炙手可热的香芋。

折叠手机如果在几年前来说肯定是一个概念产品。随着三星年前的一次新品展示会，将折叠工程样机公布于世以后，折叠手机就再也不是概念产品。三星折叠手机是目前唯一见到实机的品牌。没想到的是这几天小米林斌却突然的放出了一张小米折叠手机的工程机视频，看来小米也不再死磕性价比，也要开始搞研发加入折叠手机阵营。

年前国内一线品牌华为、OV几乎同时宣布进军折叠手机，唯独只有小米没有说，没想到的是小米没说却做了。据小米爆料王林斌介绍，这款小米折叠手机是一部双折叠手机，也就是双面能折叠一次，总共三面，很像我们平时被子的折法。不要小看这款小米折叠手机，绝对是小米凭实力打造，而且这部手机集结了众多黑科技于一身，也见证了这么多年小米在手机技术上面的积累。

按照林斌说的为了实现这款手机的双折叠功能，小米总共攻破了包括柔性折叠屏技术、四驱折叠转轴技术、柔性盖板技术和MIUI的适配等一系列难题后，小米才开发出了这款手机的工程样机，从林斌的这些专业名词来看这款手机确实是集科技与智慧于一身。虽然林斌向网友争取这部手机的命名。可最后小米制造出来的也只是一部样机，到底什么时间上市林斌并没有做出回应。

林斌发布完这部手机的视频后也是引来了网友的热烈讨论，最多的就是米粉对于这部手机的期待与支持，纷纷表示雷总给力，小米给力。还有一部分网友则很实在的追问林斌这部手机售价会是多少？目前三星与MOTO都宣布自己的折叠手机售价肯定会达到一万元以上，不知道这部小米折叠手机上市以后会不会继续发扬小米性价比的精神。

还有一部分网友表示：小米又吹牛，这款折叠手机就是供应链技术PPT手机，虽然技术领先，可是上市肯定没时间。就算有时间上市也肯定抢不到，从排队抢购到真机入手没有两年周期绝对做不到，看来网友是对小米的抢购机制深恶痛恨，那么你对于小米的这部手机有什么看法呢？

【本文为科技Mentor原创文章，虽然作者文章写得不会令每个人都满意，但是作者每天都在深耕捕捉最新资讯，争取把最新最潮的科技资讯带给大家。喜欢作者的点赞加关注哦！】

选自GitHub

Bayesian Methods Research Group

机器之心整理

在 Deep|Bayes 夏季课程中，授课人将讨论贝叶斯方法如何结合深度学习，并在机器学习应用中实现更好的结果。近期研究表明贝叶斯方法的利用可以带来许多好处。学生将学到对理解当前机器学习研究非常重要的方法和技术。他们还将体会贝叶斯方法和强化学习之间的联系，学习神经网络的现代随机优化方法和正则化技术。在课程之后，授课人还设置了实践环节。

项目地址：https://github/bayesgroup/deepbayes-2018视频地址：https://youtube/playlist?list=PLe5rNUydzV9Q01vWCP9BV7NhJG3j7mz62PPT 地址：https://drive.google/drive/folders/1rJ-HTN3sNTvhJXPoXEEhfGlZWtjNY26C

教师

多数讲师和助教都是贝叶斯方法研究团队的成员以及来自世界顶级研究中心的研究者。很多讲师曾经在顶级国际机器学习会议例如 NIPS、ICML、ICCV、CVPR、ICLR、AISTATS 等发表过论文。贝叶斯方法研究团队已经开发了一系列的大学课程，包括贝叶斯方法、深度学习、优化以及概率图模型，拥有大量的教学经验。

学生

该夏季课程面向：

本科生（最好已完成至少两年的大学课程），以及拥有很强数学背景、具备足够机器学习知识（包括深度学习）的硕士生。想要扩展知识和技能的机器学习领域或相关领域研究者和行业专家。

学习本课程的必备基础

机器学习的扎实基础，熟悉深度学习。数学：熟练线性代数和概率论（很重要）。编程：Python、PyTorch 和 NumPy。Deep|Bayes 2018 夏季课程中使用英语，因此学生应该熟悉技术英语。

我在 Deep|Bayes 能学到什么？

贝叶斯方法为什么（在机器学习和日常生活中）这么有用？随机性到底是什么？隐变量模型。如何训练模型识别在训练前未知的模式？可扩展的概率模型。为什么将概率推断问题转换为优化问题是有用的？强化学习和贝叶斯方法之间的联系。如何训练随机计算图？自动 Dropout 率的微调。神经网络会过拟合吗？（会的）随机优化。如何以比计算一个点的函数值更快的速度来优化函数？

该课程的目标是展示在深度学习中使用贝叶斯方法可以扩展其应用范围，并提升性能。尽管机器学习中有很多不同的问题设定，但贝叶斯网络的概率推断可以用相似的方式来解决它们。你，心动了吗？

课程主要内容

整个课程涉及贝叶斯学习的方方面面，从最基础的贝叶斯原理到比较难的变分推断和马尔可夫链蒙特卡洛方法。以下展示了整个课程的主题列表，机器之心将简要介绍部分课程内容。

第一天：

贝叶斯方法简介贝叶斯推理隐变量模型和 EM 算法EM 算法

第二天：

随机优化简介可扩展贝叶斯方法变分自编码器狄利克雷隐变量

第三天：

变分推断高级方法变分推断视角下的强化学习强化学习分布式强化学习

第四天：

生成模型对抗学习扩展再参数化的技巧

第五天：

高斯过程贝叶斯优化深度高斯过程马尔可夫链蒙特卡洛方法随机马尔可夫链蒙特卡洛方法

第六天：

贝叶斯神经网络和变分 Dropout稀疏变分 Dropout 和方差网络信息瓶颈

整个课程需要六天才能完成，且每一天的的课程量都非常大，因此机器之心只简要介绍最基本的贝叶斯方法和隐变量模型，其中贝叶斯方法是整个课程的核心思想，而隐变量模型又是生成模型等很多高级方法的基础。

贝叶斯方法简介

我们首先围绕「盲人摸象」的例子来介绍贝叶斯定理，然后简单描述频率学派和贝叶斯学派的区别。

1 贝叶斯定理：

首先贝叶斯定理的基本形式为

即后验=似然度 x 先验/证据

形式化的样子是

现在我们开始讨论「盲人摸象」问题。

一群「盲人」在摸一头大象，试图猜测摸的是什么东西，然而没有一个人猜的是正确的。在不确定的世界里，这就是我们在用概率论理解世界时的样子。

为简单起见，我们把问题设置得简单一些：一群「盲人」在摸一头大象，并且知道这是一头大象，他们希望根据摸到的东西猜测大象的重量。

贝叶斯方法是怎么解决这个问题的呢？

我们假设这些盲人之间会互相交流观察结果，并且都拥有一定的共同常识，也就是对大象重量的最初猜测：

然后他们可以这样：

第一个人的观察结果是摸到了尾巴，以及尾巴的长度 y1，然后重新猜测大象的重量；

第二个人将第一个人的猜测作为先验，并且观察结果是摸到了肚子，以及肚子的面积 y2，然后再次猜测大象的重量；

第三个人同理，根据第二个人的猜测，继续观察、猜测……

在此过程中，他们一开始的共有常识、大象的猜测重量即先验 P(x)，第一个人的观察结果即似然度 P(y1|x)，观察结果本身出现的可能性就是证据 P(y1)，最后就得到的是 P(x|y1)，也就是根据观察结果 y 得到的大象重量为 x 的可能性（概率分布）：

而第二个人在此基础上，将能得到 P(x|y1,y2)：

第三个人将能得到 P(x|y1,y2,y3)……

好了，随着观察报告的增加，这头大象的重量也越来越藏不住了（峰值变得尖锐）：

当然，授课人在课程中会很详细地把概念一步一步讲清楚，包括条件分布、联合分布、边缘分布之间的关系，以及乘积规则、和规则的介绍，可以把上面这个例子涉及的各个概念串联起来，帮助学生理解得更加透彻。

2 频率学派和贝叶斯学派的联系和区别：

频率学派不假设任何的先验知识，不参照过去的经验，只按照当前已有的数据进行概率推断。而贝叶斯学派会假设先验知识的存在（猜测大象的重量），然后再用采样逐渐修改先验知识并逼近真实知识。但实际上，在数据量趋近无穷时，频率学派和贝叶斯学派得到的结果是一样的，也就是说频率方法是贝叶斯方法的极限。

以上就是贝叶斯方法的基础理论部分的大致内容，之后还有生成、判别模型的区别，贝叶斯训练过程以及贝叶斯方法优势的讨论。

隐变量模型

前面简要介绍了贝叶斯方法的核心思想贝叶斯定理，而在这一章节中，Dmitry Vetrov 重点介绍了隐变量模型。隐变量模型是很多复杂方法的基础，例如在变分自编码器这一生成模型中，我们希望将图像压缩为一系列的隐变量，这些隐变量表示了图像的高级语义信息，例如图像主体的倾角、颜色和位置等。

这一部分我们会根据 Dmitry Vetrov 介绍的内容讨论隐变量模型的直观概念、KL 散度、混合分布和变分下界等。

如前所述，VAE 最大的优势即中间编码的短向量代表了图像的某些语义特征，但又因为我们不能明确地知道具体是哪些图像特征，因此我们可以把这个短向量称之为隐变量。直观上来说，完全从整体上一个个像素生成图像是非常困难的，因为我们需要考虑的可能性太多。而如果先决定要生成图像的特征，再根据这幅蓝图生成图像就会容易很多。

VAE 正是这样，先学习如何将图像正确地压缩为一组隐变量，然后再学习如何根据隐变量生成图像。当模型完成学习后，我们给定任意一组隐变量，模型都会尝试生成正确的图像。这也就是隐变量模型的直观概念。

KL 散度一般作为两个分布间距离的度量方法，它常用于生成模型的损失函数。以下展示了 KL 散度的直观理解，即分布 Q(z) 与分布 P(Z) 之间越重合，那么 KL 散度就越小，两个分布之间的距离就越近。

在离散型变量的情况下，KL 散度衡量的是，当我们使用一种被设计成能够使概率分布 Q 产生的消息的长度最小的编码，发送包含由概率分布 P 产生的符号的消息时，所需要的额外信息量。KL 散度有很多有用的性质，最重要的是它是非负的。KL 散度为 0 当且仅当 P 和 Q 在离散型变量的情况下是相同的分布，或者在连续型变量的情况下是 『几乎处处』相同的。

随后 Dmitry Vetrov 展示了隐变量建模的案例，如果我们有一些服从未知高斯分布的样本，那么我们可以用最大似然估计或点估计等方法将该未知分布的均值和方差推断出来。

而现在如果我们假设有一组采自不同高斯分布的样本，且我们需要估计这些高斯分布的参数。这个问题看上去不能解决，但如果我们知道哪些样本是从具体哪一个高斯分布中采样，这个问题就比较容易解决。

但是如果我们不知道样本是从哪个高斯分布中采样的，那么我们就只能使用隐变量模型。它主要的思想即先估计这些样本属于哪一个高斯分布，也就是将样本映射到隐变量「均值」和「方差」。然后再基于隐变量完成对三个高斯分布的建模。

随后顺着这个想法，我们可以构建一个混合高斯模型，并希望将数据编码为隐变量 Z，再根据该隐变量完成建模。如下所示当我们不知道隐变量 Z 的情况下，最大化从 Z 中采样出样本 X 的概率，就能推导出最大化变分下界，这也是变分自编码器最核心的表达式。

变分自编码器中最大化变分下界（ELBO）就可以作为整个模型的优化目标，或者说整个模型的损失函数。在上面的案例中，最大化这个变分下界就代表着找出一些高斯分布，且每一个样本都最可能属于某个高斯分布。

整个课程介绍了非常多的理论知识，尤其是关于贝叶斯学派的各种理论。如果读者对数学比较有自信的话，可以详细学一学该系列教程。

扫描下图二维码，参与Arm人工智能开发者全球峰会↓

在腾讯科学家张潼离职之际，一位匿名知乎用户突然唱起科学家之于科技公司的无用论，推广人工智能不能秒级落地就是无用的观点，以下是该用户的精彩言论摘录：

观点一：

有很多研究成果最后落地成为了产品，可这也讲究个天时地利人和，不是什么都能落地。不然一年几万篇论文，不得个个落地，人类30年后不得移民火星了。

按照观点一的思路，我们至今没有移民火星，怪科学家们论文没有落地成产品，这个锅科学家背。

观点二：

对于业务数据，我们一般是不轻易给这些Lab（实验室）的，特别是转化数据、用户数据什么的。发论文么，又不是什么特别好的论文，或者能引领某个方向，有巨大突破，非常酷炫的论文。

按照观点二的思路，论文没有巨大突破，不够酷炫，就不配从业务团队拿数据。科学家真是给产品部门添麻烦了。

观点三：

做了半年下来，发现，诶，线上ctr/cvr/gmv啥的，都没涨，还跌了，那年底的PPT该咋写？业务部门对接的员工咋想？本来希望抱上大腿上个高大上的东西来晋升，年底喜滋滋地拿年终奖。业务部门的经理总监怎么想？给了人力物力，啥都没搞出来，叫我的PPT咋写。

按照观点二的思路，同学的年终PPT很重要，比公司的创新发展重要多了，再说呢，研究都是高大上的东西，是用来晋升的，怎么能失败呢？你失败了是你的事，我的问题是：年终ppt怎么写？

如果接受了以上这三个观点，需要向这位在产品部门或者业务部门负责技术的小伙伴致以深切的同情与慰问，科学家真没有用，应该收回他们的工牌，开除他们。赶紧，从工业界回学术界吧。

这三个观点，深度、真实地道出了产品部门员工的不易，展示出产品端工作的艰辛，委屈满腹、压力山大。

既然这么不容易，《亲爱的数据》提供四个抢功劳秘籍，能帮你的就这些了。

秘籍一：内部数据不分享。

在数据难以共享的情况下，人工智能实验室定是巧妇难为无米之炊。

秘籍二：用AI，功劳不归AI。

设置两个算法，第一个是深度学习的算法，第一个算法的结果作为第二种算法的输入，而第二种算法并不属于人工智能的算法。最终的效果好的话，功劳不归第一种，归给第二种的算法。如果业务方原有的算法被人工智能的算法吊打，那岂不是显得我辈无能。把深度学习的算法包裹在产品端原有算法里，反正也分不清功劳算谁的。口诀一定要记清：一定要把人工智能的算法用上，但是谁有效，反正分不清楚。

秘籍三：更换模型评估标准

机器学习的算法说到底是在解一个优化的问题，模型用来优化目标函数，但是如果把模型用在另一个目标函数上，效果肯定大打折扣。口诀一定要记清：评估标准一变，谁也没招？

秘籍四：手工规则显神通

在运营阶段，手工的规则破坏性也很强，上了模型之后，在用手工的规则减弱深度学习算法的效果。

反正就是不合作、不配合、不信任、不给人工智能实验室机会，那么AI技术一定推不下去。

但是，全公司真的只有产品部门不容易吗？为什么人工智能的算法得不到认可呢？

《亲爱的数据》采访了BAT某知名实验的科学家步惊云（化名），看看他对这个问题的看法？

步惊云博士认为：“有时，业务和工程端的工程师对算法理解不透彻，用错方法或者没有科学地使用。也有时，部分工程师对算法不理解，生搬硬套，或者是用得不对路，得不到理想的结果，所以指责人工智能的算法没有用。还有时，在用人工智能的算法之前，没有考虑清楚这个算法是否适合业务场景。

步惊云博士强调：“需要清楚的理解，理论和结果是有假设的，假设不适用于场景的情况肯定存在。如果学术素养不够，在正确理解理论方面是有困难的，论文有用的地方在哪里很难被找到，更不要说要应用了。”

步惊云博士还提到，一些企业的技术人员喜欢跟风。跟风跟久了，对没有听过的方法不敢使用，一些业务工程师甚至武断地认为没有人用的就是不好的。这个风气，步博士自己也深有体会，例如两年前他曾经积极推过一种深度学习方法，在初期也是遭遇没人敢用的境况。两年后，谷歌和亚马逊开始向着这个方向发力，甚至发表阶段性的文章。随后，一些产品端技术人员一窝蜂而上，到处都想用这个方法，现在看来如果早点（两年前）用起来，可能会创造更大的优势。造成跟风的部分原因和部分工程师对算法不理解，在判断技术趋势方面的能力还需要培养有关。也许跟风在以往是比较好用的方法，但是「人工智能时代，今时不同以往」。跟风无法创造领先优势。再加上对新的方法不理解，进而产生不信任，是会在企业内部出现恶意抵制实验室创新的情况，加大人工智能落地的难度。

西语有云：怨言是人类祷告中最真诚的部分。《亲爱的数据》认为，这位知乎匿名用户的吐槽非常的诚恳。这反映了两个方面的问题：一方面，创新所遭遇的抵制，比想象的还要大，人工智能在企业内部落地应用比想象的还要难。这种年度吐槽比年终总结暴露出来的问题有价值多了，值得管理层深思（建议年底的总结会改成年底吐槽大会）。

另一方面， 这个抱怨是真实的反面教材，清楚地表达了在技术视野有限的情况下，技术人员对于创新工作的反感与抵制。科技企业内部资源分配过程是动态竞争的，如果谁都不愿意为支付创新的成本，那么创新也就无处容身。所有的创新早就已经暗地里标好了价格。

创新对于科技公司来说有多重要，就不需要在此赘述了。一家科技企业不创新一时半会是看不出来的，等到全世界人都看出来无力创新的时候，会发生什么事呢？ 2019年1月3日是乔布斯注册成立苹果公司的42周年纪念日。蒂姆·库克宣布苹果手机卖不动了，苹果的股价马上来了一波回应，第一天，先跌掉2个京东市值，第二天接着跌，跌掉两个小米的市值。

技术的套路太复杂，商业想要与技术和谐共振创造价值，是需要每一位员工心中种下“创新关我事，切莫高挂起”的想法。也要从企业层面给与空间和资源，在员工年底PPT不知道怎么写的时候，可能需要人力资源出台对于创新行为如何考核的具体办法。员工的吐槽告诉我们，想完全依靠看不见的手在企业内部调节创新所需要的资源和环境，是靠不住的。

技术的世界太复杂，我们来看看江湖。

据说有一段时间，令狐冲在练吸星大法的时候，半路被卡住了，因为吸星大法源于北冥神功，学习难度很大，练不好还有一定的危险，就是内力反噬之险。令狐冲虽然有男主角光环，但是也同样遇到了这个问题，也就是一直没有办法消化吸收而来的内力。但是他没有抱怨吸星大法没有用，没有讥笑吸星大法的发明人，比如说：“没有让人一统天下的武功都是废物。”“吸星大法没有巨大突破，不够酷炫”……后来，因缘际会之下，一位少林方丈指点令狐冲，让他加练了另一部武林秘籍《易筋经》。令狐冲得到《易筋经》的传承，以百川汇流的法门，将异种真气导入正轨，解决了吸星大法反噬的问题。此时，令狐冲迈向另一个武功境界。

还有，灵鹫宫主人天山童姥。她的武功每过三十年要返老还童一次，变成小孩……按道理内功的增长怎么可能倒退，就好比上了新技术，深度学习模型的结果怎么比用老技术还差，真是想不通……（完）

亲爱的数据

出品：谭婧

美编：陈泓宇

三星和华为发布了折叠手机之后，整个手机圈都在讨论和热议折叠手机的未来发展，OPPO、vivo、小米这三大国产厂商也同样跃跃欲试，但是联想集团的董事长杨元庆却公开在世界移动通信大会上批判折叠屏手机，说它们都是PPT产品，甚至都没有超越联想3年前的概念机。

华为Mate X和三星Fold是目前世界上技术最先进的折叠手机产品，尽管它们身上还有许多不成熟的点，但已经算是整个手机圈的技术榜样了，杨元庆在媒体采访视频中公开diss所有折叠手机都是PPT手机，他认为不实用无法量产的东西没有发布的必要，华为和三星的折叠机甚至还不如联想三年前的概念机炫酷。

在某社交平台上有不少实名认证的华为员工对杨元庆这番话感到不满，热评第一赞说“联想只会想，但我们做出来了，这就是差距”，还有百度员工说了句“真酸”，联想在科技互联网行业里的口碑印象又下降了一些，虽然联想曾经也和华为并称“国产机四天王”，但今非昔比了。

折叠手机确实都存在产量低价格高的问题，但实际上三星和华为就没有想过要卖多少台，这只是一次向世界展示技术秀肌肉的一次契机，最低限度也得让消费者明白现在的手机行业究竟发展到什么地步了？下一个风潮和方向又是什么？华为和三星是有这个硬实力带好头的，联想还是少说话多做事吧。

相关搜索

• 联想折叠手机
• 苹果折叠手机
• 折叠手机最新消息
• 折叠手机图片大全
• oppo折叠手机
• 三星超薄折叠手机

每一个产品经理都有一颗拯救世界，改变世界的心，大多人经过一番挣扎后，最后变成了产品汪。

近几年，产品经理这词刚在国内兴起，大家对这一职业还没有清晰认识，外人眼中：产品经理？做到经理级别了，手底下一定管理很多人；行内人眼中：工资高，掌控产品，懂技术......产品经理究竟是做什么的？工资是不是像大家说的一样工资高呢？

这份产品经理薪酬报告汇集了智联招聘、前程无忧等28514官方招聘渠道的个职位，我们从岗位、学历、工作年限、所在地区等4个维度统计了产品经理的薪资水平情况，尽可能真实全面的反映出产品经理的真实薪资水平。

（数据由人才加负责统计整理，仅供参考）

通过不同地区的薪资对比可以看出，中国一线城市中，工作年限1-2年、3-5年和6-9年的本科产品经理在北京地区的薪资最高，广州地区的薪资在四大城市中排名最低。

以下为具体数据对比：

从数据可以看出：产品经理在国内一线城市中起步工资不低，属于收入比较可观的岗位，不少人会拿产品经理的工资和能力和程序员比较，那么，产品经理究竟是做什么的呢？

产品经理是一个很泛却有很大想象空间的岗位，产品经理的成长更多是自我修炼为主，它更多的是能力，而不仅仅是技能。

总体来说，产品经理是为用户打造正确的产品，规划、设计产品，对产品研发过程的控制，最终把产品推广出去的一个过程。

具体职责，大概有以下几个方面：

1、市场调研：产品经理研究市场，了解客户需求、竞争状况及市场现状，最终发现创新或改进产品的潜在机会。 制定产品定位。

2、产品定义及设计：产品经理确定新产品需要做哪些事情。即产品实现目标。产出(PRD)来进行描述(产品的愿景、目标市场、竞争分析、产品功能的详细描述、产品功能的优先级、产品用例、系统需求、性能需求 、销售及支持需求等)。

3、项目管理：产品经理是整个项目的协调、拍板及负责人。

4、产品宣介、推广：产品经理和内部同事如老板、销售、市场、客服等沟通产品的优点、功能和目标市场，及产品运维等等。

5、产品生命周期管理：制定产品发布->成熟->退出市场整个生命周期，其中包括产品的升级优化等。

相对于程序员来说，产品经理一般在产品最开始的时候介入方向讨论、决策领域，职位本身还是有相当的专业性，是大型公司缺口较大的职位，岗位本身富有挑战性和创造性。

做产品就是拍电影，优秀的产品经理等于电影导演，程序员就是演绎电影的演员，优秀的程序员等于那些片酬超高的演员。一个产品经理与其所在的整个行业的位置所决定，而不是去跟程序员比，所以，程序员和产品经理工资高低这样的比较其实没有什么意义。与其强调工资，不如努力修炼自己，提高自己的技术和能力。

在教育信息化已经进入2.0时代的今天，提到信息化教学，很多人的理解还停留在多媒体授课上，认为在课堂上播放音视频，用PPT上课就是教育信息化了，更有甚者简单明了，教育信息化=PPT授课。

1多媒体教学更注重形式改变

在课堂上普及多媒体教学，无疑是一个巨大的进步。相较于过去传统的授课方式，多媒体授课更加生动形象，学生们不仅在课堂上可以观赏生动的音视频资源和丰富图片，调动学习兴趣，使用PPT授课相较传统课堂也更加有条理，要点清晰，学习效率提升。

但是本质上来说，多媒体授课并没有改变过去灌输式学习的根本，依然是老师传授知识，学生被动接受，只不过传授形式更加生动了些，学生们的个性特点以及创造思维依然得不到有效地开发和提升。

2教育信息化 从形变到质变

不同于多媒体教学，教育信息化更多的是依托大数据技术，着重每一个学生的个性化发展。教师不再是课堂的主体，学习方式也不再是单向灌输，教育信息化旨在建立以学生为中心的学习模式，通过先进的技术手段，帮助每一个学生实现个性化提升和翻转学习，教师只起辅助和引导作用。

传统课堂主要以教师讲授、学生被动学习为主，教育信息化让传统教学方式发生了翻转。教师可利用微讲师微课制作工具一类的微课软件进行课堂导入视频/课件制作，课堂上先让学生观看短片，并适时提出问题让学生带入思考从而引入课程目标。观看结束教师进行详细讲解，并与学生互动讨论课程内容，积极带动学生自主思考、学习。

教育信息化可以说是对传统教学模式的一种颠覆，它不只是教学形式的改变，而是从本质上重新定义了老师和学生的角色。先进的资源和技术不仅将老师从过去沉重的备课、上课、批改作业中解放出来，让老师有更多时间关注孩子的个性化成长；也帮助学生告别过去书山题海的鏖战模式，专注自己短板，真正实现哪里不会学哪里。

3教育信息化 不应是形象工程

尽管理念先进，政策也大力支持，但是教育信息化在各地实施的过程中依然出现了效率低下的问题。由于认识不足，不少学校在引进过程中只重“形象”，不重应用，设备、网络配置齐全，看起来光鲜亮丽，实际上老师和学生在使用过程中并没有受到多大益处，用不了多久就束之高阁了。

出现这种现象的原因，除了学校和老师重视不足外，市场上的不少教育信息化产品品质的缺失也是重要原因。一方面学校和老师要加强对信息化产品的培训和应用，另一方面，市场上也要鼓励优秀教育信息产品的研发和推出，竞争淘选出真正适合老师和学生的优秀信息化产品。

4教育信息化 让技术服务教育

信息化教学不等同于多媒体教学，更不等同于PPT授课。技术只是手段，教学理念和教学方式的革新才是根本。微讲师系列产品注重通过技术帮助教师提高工作效率、打造高效课堂；培养学生自主学习的习惯与能力。

编者按：“增长黑客”是互联网创业者Sean Ellis发明的一个术语，指的是一个介于技术和市场之间的新型团队角色，主要依靠技术和数据的力量来达成各种营销目标，而非传统意义上靠砸钱来获取用户的市场推广角色。不过这个词的流行是Andrew Chen的功劳——曾在Uber当过增长副总裁的他写了一系列文章来介绍增长黑客。不过相对于增长黑客的单打独斗，增长团队则是集体协作。那么什么是增长团队？为什么要建立增长团队？增长团队与增长黑客的区别在哪里？增长团队的关注点应该是什么？就这些问题，Andrew Chen用50张片子的幻灯片来释疑。

建设一支新的增长团队很难。你得找出宏观的组织性问题——如何适应营销、产品等职能——以及微观方面的，如怎么去衡量这些团队的成功。这是一个棘手的主题，也是目前很多团队正在思考的东西。

几个月前，我给Uber的增长团队上了一些课，就自己从不同的组织结构中学到的东西谈了谈，内容可以分为这5大类别：

为什么要建立一支增长团队？“增长黑客”与增长团队的区别在哪里？增长与营销/产品/其他的区别在哪里？增长团队的焦点应该放在哪里？我正在创立或者加入一支增长团队！我应该有哪些期望？为了回答这些问题，我和Brian Balfour基于Reforge的材料（这方面的话题可以到他们的网站去了解更多的实用参考材料）做了一份演示片。

以下就是演示片，希望能对你们有所帮助。

上图：今天我想讲几个建设公司的增长团队所需要的关键主题。首先，是为什么需要建设这么一支队伍。然后是个人从业者与组织所需的不同技能集——以及跟现有的像产品和营销等职能所需技能集的不同。最后，是团队应该聚焦什么地方以及如何在早期产生影响。

这些主题的想法源自若干地方——跟Slack、Dropbox、Hubspot、Pinterest等的增长团队负责人的交流和讨论，但也包括了我在Uber的个人体会。

上图：你们当中很多人也许还记得Uber曾经是这样的。

这支增长团队起初是由Ed Baker在2013年创立的。它曾试验过很多不同的组织配置——我在它成立了几年后加入，在那里呆了3年，并且把自己的很多时间用在推动平台乘客端的增长上面。

上图：我在Uber的时候，有很多出色的项目都是在增长团队发起的。我的中国同事（China Growth）取得了不可思议的进展——当然美国和其他地方也有不错的发展。

巅峰的时候包括中国增长团队在内的整个增长团队规模达到了500人以上。对于这家公司来说这是一个令人吃惊充满活力的时段。我从中获益良多并且对今天能够分享其中的一些想法感到兴奋。

这些年来Uber的变化很大。我们变更过logo好几次。但我认为Uber仍然有好些东西可以传递给生态体系的其他人。

先从基础讲起……

关键问题#1：为什么要建立增长团队？

上图：为什么要建立增长团队？我们知道很多公司都有正式的增长团队，有的则是由增长PM/营销人员等组成的非正式团队。

上图：上图是建立了增长团队的公司，从这些公司的行业跨度和新鲜性就可以看出增长团队的普及度。

我们也听说了很多董事会都在让他们的CEO要往增长团队的建设去投入。为什么会出现这种情况？

产品死亡周期

上图：讨论产品死亡周期的最简单方式。

不幸的是，这往往就是我们的产品交付和发布方式。有人有愿景，有人开发了一些功能并且进行了发布。一开始产品可能有点冲劲，但是当增长放缓时，却不知道该作何着手。他们跟一些客户交谈，问对方想要什么，然后再次尝试。他们又增加了一些功能，重新发布，于是这个周期周而复始。

这个周期跑得太多之后，突然之间，你就死了。

酒好还怕巷子深

上图：事实表明，做了未必就能吸引客户。更好的产品，更多的功能未必相当于增长。

很多推动更多用户获取、留存、互动的关键杠杆有时候并不在大多数出色的产品领导的工具包里。对增长很关键但往往不被视为产品核心的技能可以列一长串：广告技术集成，注册渠道A/B测试，优化通告发送，测试价格点，测试聚类曲线等。是，偶尔有人都懂这些——但是很罕见！

此外，没人可以驱动这个。相反，你需要将其注入到你的组织目标和DNA里面。你需要在公司的更大框架内集中这些努力。

增长是工具，工具是解决不同类型问题的流程

上图：因此，我们寻求建立一个增长的框架，这是一个门类，本身就是一个组织结构。

不同的流程

我们把“设计思维”与“敏捷工程”视为不同的组织结构、工作流、哲学与技能集体系。这些是公司内部工作机制的关键。

同样地，我们也可以把增长团队当做一个体系来建设。

上图：产品增长是一门把科学方法应用到业务KPI上面的学科。

这为提高指标提供了一个基础系统，不管这些指标是收入、获取、留存、互动还是其他的关键业务指标。

增长流程的主要步骤

上图：就像你对科学方法的预期一样，增长流程的主要步骤包括理解数据、建立识别特定流程之所以会出现的假设，对那些想法进行优先排序，进行试验，然后重复这个循环。

这样一来，如果你认为自己的活跃用户数低的话，就可以分析数据，然后了解到你需要更多漏斗顶端的用户获取，接着假设付费广告和推荐的组合也许管用，再去执行计划来验证想法。

相对于开发更多用户不想要的功能然后指望会出现魔术般的增长，这种做法要好得多，有针对性得多。（也许你还是应该开发那些功能，但原因不要是为了增长！）

关键问题#2：增长黑客与增长团队之别

上图：第二个主题。谈谈“增长黑客”与“增长团队”之间的区别。这一点很重要。

孤胆英雄注定失败

上图：在增长技能集的早期阶段是没有团队的。会有一些个人和初创企业创始人把必要的想法、工作流和策略组合到一起。其中一些家伙会以玩笑的口吻自称为“增长黑客”。

随着技能集的发展，有一件事情开始变得明朗，那就是如果想发挥真正影响，尤其是在更大/更复杂产品的背景下发挥影响，你得把一群人组织起来。

增长是一项团队运动

上图：因此增长团队就应运而生，其哲学是你想要的不是有所有手段的孤胆英雄以及一群帮助者。相反，你需要建立一个有着广泛技能集的组织。

增长是一项团队运动，为了对你的KPI实施科学方法，你需要一堆能帮助你的人。

大多数使命需要跨职能配合

上图：对于增长团队的大部分使命来说，你需要很多不同的职能角色的帮忙——从产品、营销、工程，到数据、运营、财务等。你要把来自独立团队的所有这些家伙整合起来成为一个增长组织。

增长团队的5种潜在角色

上图：这些角色都是干什么的？

增长经理（Growth PM）：负责试验路线图的产品经理增长工程师（Growth engineer）：聚焦技术决策和执行试验的工程师增长营销师（Growth marketer）：具备特定渠道（付费营销、SEO、电子邮件等）专业知识的全能营销人员。增长数据分析师（Growth da）：聚焦于建立洞察（用户生命周期的宏观方面以及特定试验的微观方面）的分析师增长设计师（Growth designer）：领导UX的设计师，同时强调速度你可能还得涉及到其他的职能——比方说在Uber，很多围绕着激励开支的决定必须把财务或者定价方面的人员纳入。而且你总是得把运营放进来去考虑其影响。

例子：增长团队——NUX（新用户体验）

上图：视你要解决的问题而异，增长团队的构成可能会略有不同。对于新用户体验来说——这可能包括了增加注册转化，甚至可能还包括集成进广告里面——你也许会特别强调工程师。你可能想要Android和iOS工程师。此外甚至还包括营销绩效的人，一些数据分析师去看看指标等。

例子：增长团队——SEO（搜索引擎优化）

上图：另一方面，如果你在做SEO的话，就未必需要工程师了。这更多是与优化网页结构、内容去向等有关。这种情况下，你可能会强调SEO营销、数据以及web全栈工程师。

没有完美的组织结构

最终的目标是要根据你的洞察和假设定义问题，并且配置好团队成员来解决特定问题。不同的团队也许强调不同的技能，视其他团队的使命不同，增长团队所适应的宏观组织结构也许也许有一些复杂性。

跨职能团队结构

上图：一个常见的结构是把增长团队当作一组pod，每一个都对应各自职能。比如增长经理向产品等汇报，所有的人组成增长团队。很多产品团队都是这个样子，所以相对比较适合。

独立团队结构

另外一种做法是像Facebook和早期的Uber增长团队，其结构类似一个业务部门。那些角色得向总经理汇报。这种结构的好处是团队内部有很大的独立性，但是拆分各种组织也会带来复杂性，有时候还会引起冲突。

混合结构

上图：显然你也可以选择混合模型。

关于增长团队3个要回答的关键问题

上图：太多初创企业都是从“我需要一个增长团队!”开始，然后随便建立一个组织而没从根本上去思考过。最终，你得从你要解决的问题开始。从KPI、你产生的洞察开始，然后再去执行。你要按照问题领域和想要的执行类型配置人员。组织结构要根据这些来设计。

关键问题3：增长跟营销/产品/魔法/等等有什么不同？

上图：我经常会被问到这个问题。难道增长和营销不是一回事儿吗？难道增长跟产品不是一回事儿吗？难道让大家都负责增长不行吗？

在这个环节里，我们将审视一下它们的不同。

增长与营销

首先，说到营销与增长，其中有很多方面是你想要解决的：

品牌营销活动内容营销电子邮件付费营销病毒式传播/推荐功能新的用户体验用户对用户通知......所有这些你可以采用一堆不同的配置，但大概而言通常归为3类职能：

品牌增长营销增长产品通常很显然的是，品牌最后还是要归结到营销。类似地，像NUX和产品生成通知最终都要落到增长团队身上。但一些中间手段，像SEO/付费营销/电子邮件等，也都有可能出现。这些我都见过。Facebook把很多效果营销放到增长团队里面。Uber就是这样开始的，但最终都放到了营销上。可能的配置有很多。

增长与产品

上图：如果核心产品团队有工程师、设计师和PM，那增长团队也有这些角色，有什么区别呢？一切都要取决于他们做什么。产品团队聚焦于创造核心价值。随着时间转移去增强产品/市场匹配。这意味着在核心的互动周期中要把心思放在每一次小小的交互上面——这是一个寸距之赛，积小胜为大胜。

另一方面，增长团队应该专注于传播核心价值——要让尽可能多的家伙体验到那种价值。

在让用户尽可能频繁体验到核心价值上面可以进行妥协——你可以想象把这件事情放到另外一个团队，但如果解决方案往往需要经常反复/量化驱动的话，也许就应该由增长团队去做。

3种所有权模型

上图：你还得决定所有权模式。有两个极端：增长即服务（GaaS）以及自动化。以及介乎其间的一切。

“增长即服务”这种模式下，团队在技术上并不拥有任何功能或者代码库。他们跳到了产品的最高价值部分，进行他们的分析和优化，交付一堆的改进，然后继续。团队要保持温柔，这一点很重要，因为他们是客人，但他们保持轻量也很重要。如果增长团队最终拥有他们碰到的每一块代码的话，那他们最终就会陷入到一切的维护模式当中。

另一方面，完全的所有权模式意味着增长团队可以拥有新的用户漏斗、通知、广告技术、A/B测试平台、支付流，以及许多其他数字胜过直觉的关键领域。这样可以管用，但然后团队需要恰当地配置人员。

不同模型的优缺点：GaaS——优点是敏捷，缺点是容易冲突；自治——优点是可控，缺点是会臃肿；混合——优点理论上是各取所长，缺点很难划清团队之间的界限。

上图：每一种模式都会有各自的优缺点。Uber各自模式都试过，不过慢慢地开始拥有产品越来越多的部分。但是你得根据自己的约束、组织和产品需求决定选择哪一种。

关键问题#4：增长团队的关注点应该是什么

一旦增长团队建立起来之后，其关注点应该放在什么地方？就像之前讨论过那样，他们的使命和工具包应该跟营销或者产品团队使用的那些有所不同。尤其是在团队的早期阶段，应该有一些唾手可得的东西选用。

尽管直接跳到用户获取或者看看流失情况很容易，但是从更高的角度去看看这个体系还是很有帮助的。先从优先级框架开始。

确定优先项目的框架

上图：最终有3样关键的东西需要进行权衡——有一个尤其棘手：

投入。执行需要付出多少的设计/工程/营销资源？成功。取得成功的可能性有多大？提升。这个比较棘手——如果管用的话，对整体增长会产生多大的影响？每一次增长试验最终都是根据这三样东西的排名选择出来的优先事项，慢慢地，你的增长团队在如何选择方面就会变得很明智。但我还想就增长团队可能会出问题的地方提供一些注意事项。

选择增长项目最常见的反模式是把影响到0.01%用户的功能改进+50%...

12月16日，北京——2018年 UCan 下午茶技术沙龙在望京浦项中心 W1 Platform 顺利落幕。本次活动主题为“回归云核心，服务大数据和AI的分布式实践”，演讲嘉宾们围绕云的“分布式实践”进行了深入的讨论和精彩的分享，为到场的数百名开发者带来了一场技术盛宴。虽然北京的气温已经在冰点之下，但会场依然座无虚席，这也体现了大家对云计算核心技术的热情，和对实践案例干货的孜孜追求。

云计算 + 大数据：天生一对

本次活动，Kyligence 副总裁，Apache Kylin PMC，刘一鸣先生为大家分享了 Kylin on Cloud 的最新进展，以及 Kyligence 领先的智能大数据分析技术。

近10年来，大数据在各行各业中取得了迅猛发展，涌现出大量创新技术，例如 Hadoop、Spark、Kylin 等，这些作为新一代技术平台，被大量企业广泛应用于存储和处理海量数据，分析和挖掘其中的价值，促进业务的发展。而云计算所具备的无限拓展和按需的特性，为大数据应用提供源源不断的计算和存储资源，也使得大数据成为一个完美的云计算应用。

Kyligence Cloud 是 Kyligence 公司基于云端的大数据托管服务，以 Apache Kylin 为核心，基于云架构，解耦计算和存储资源，提供云原生的大数据分析平台，助力企业大数据分析平滑上云，支持高并发、高性能与企业级安全等场景。使用 Kyligence Cloud，客户可以在云端快速构建可无限扩展的大数据集群，实现对 PB 级数据的交互式 OLAP（多维）分析和关键业务查询的亚秒级响应，助力业务分析师快速发现数据内在价值，驱动商业决策。

回归云核心 —— 服务大数据和 AI 的分布式实践云计算，赋予 IT 资源可伸缩的力量，从而可以整合算力，为各种新技术提供表演的舞台，同时也为社会积蓄了丰富的资源，为大数据、人工智能提供底层技术的支撑。大数据技术则将通过对数据的存储、加工、处理、分析，在为人们发掘数据价值的同时，也为人工智能提供了丰富优质的数据资源。

未来 Kyligence 希望能与客户一起，实现以大数据和云计算作为双重引擎，加快企业数字化转型，以数据驱动企业的商业决策和业务发展，提升企业在大数据时代的发展新动能和竞争力。

Kyligence

领先的智能大数据分析技术及解决方案供应商

想要获得“长腿讲师”的PPT吗？

我觉得找一个靠谱的老大比写天花乱坠的PPT要来得实际些。这则留言确实代表了身边很多码农，包括曾经的自己的真实心声：做技术、写代码才是正经事，才是安身立命的根本，PPT都是虚头巴脑的形式化产物。

职场中也确实存在一些人，代码没写几行，PPT弄得贼溜，方法论和高大上的名词满天飞。典型的码农一般会远离这类人，背后还叫人家“PPT王子”以划清界限。如果一个老大向下管理不是足够细致，没有明察秋毫，这类人也会混得不错，但毕竟是少数，有些涉及到职场价值观的事情，今天暂不展开讨论。今天想讨论更多的是埋头写码的“真码农”，真的是找一个靠谱的老大比写PPT更实际吗？

不得不说，找一个赏识你，支持你的伯乐老大灰常重要，在他那里你似乎永远有一席之地，永远不用证明自己。这个我在#那些你想永远追随的老大们#中也有讲过，但这样的老大可遇不可求，遇上是你的命好，所谓“得之我幸，失之我命”。何况再好的老大也只能陪你人生一程，每个人要去的地方很难完全一样，当年给你很大帮助的老大也可能有自己要去的地方。将自己的职业生涯完全绑定在一个老大身上，毕竟是一件高风险的事情。年轻的时候你一无所有，会死心塌地的追随一个老大，等你慢慢羽翼丰满，也会想着自己独立出来闯，也会成为让别人想追随的老大们。从这个角度来说，找一个靠谱的老大只是一个阶段的问题，你最终还是需要打磨自己的硬实力。

回到写PPT这个事情来说，它的价值只是为了证明给别人看嘛？肯定不是，我在#码农述职PPT怎么写#中，只是介绍述职类PPT你可以按照做“证明题”的思路来准备，但整个做PPT的过程肯定会给你带来很多其它的东西，何况我们还有更多分享类PPT呢。那PPT到底会给我们带来什么呢？

影响力的提升：不得不说，职场是看结果远大于看过程的。你埋头把写码打磨得再精致，影响的也只是你的模块，跟你模块交互的上下游。而如果你把如何写出更优雅的代码，为什么你会这样设计这个模块，分享给大家，那你就可以影响到更多的人。从结果上来看，一个既会写好代码，又乐于分享的人，对整个团队的贡献一定会大于只埋头写代码的人。

码农圈里有个段子：最好的编程环境不是什么Visual Studio、Eclipse，或者后端码农喜欢装酷的linux Vi，而是Power Point。因为PPT可以带来更大的价值，小到个人可以系统沉淀分享给团队，大到PPT汇报拉到上千万的投资，都是在PPT这种“编程软件”中产生的。PPT能力是一项很重要的沟通能力，有人说写公众号是一种高质量的社交，因为你可以通过公众号建立一个自己稳定的副本，跟志同道合的人做深度交流。这方面我深有感触，写公众号的过程收获了不少很多鼓励和点评，甚至在认识我的人面前，我似乎也多了更多的标签。其实PPT分享也是一样，很多技术大牛得到更多人的追捧，就是因为做了一场高质量的分享。在这个个人品牌时代，你需要有更多自己的声音，何况职场中你能影响多少人会直接决定你的天花板到底在哪里。因此用PPT去建立你的影响力，去影响你的团队、你的公司是每个职场人都必须要思考的问题。教学相长：如果说建立影响力是一个较长才能看到效应的事情，那PPT分享，教学相长会给你带来立竿见影的效果。

我们在做PPT的过程中经常会遇到这样的情况，字多，字很多，字非常多，字多的令人发指。那么怎么来处理字多的PPT呢？

本期话题：让字多的PPT也能好看有条理

我们来看一页令人发指的PPT页面。

总结来说，这页PPT就是介绍了小米MIX3。而这满屏的字让人根本不想了解小米MIX的任何信息。接下来我，我们就以这一页为案例，讨论如何把字多的PPT变得整洁有序。

在开始修改之前，我们首先要了解一个流程，这个流程适用于任何PPT。尤其是大段文字的PPT。

这个流程比较简单：

内容信息提炼与分割 → 进行内容切割 → 确定风格 → 匹配相关元素

1.内容信息提炼与分割

提炼内容信息不是删除文字（因为很多时候，都要求必须把文字全放上）而是将文字中的重点和非重点区分开。将不同自然段切割成统一的部分。

简单提炼一下，这段话，分别说了：MIX3外观，MIX3配置，MIX3参数，MIX3技术，MIX3故宫特别版。

肯定会有小伙伴说，你这找的案例，肯定容易分割，怎么可能刚好遇到呢？不识的看法是，无论是什么文章，想要说明一个问题，必须要有分割。

怎么样算是完整的一小部分，它应该是包括“论点+论据+结论”的，所以按照这种方式去找正常的说明类文章，一找一个准。

如果是文学性文章，就当成阅读理解做就可以啦。

2.内容进阶分割

这一部分主要说的就是把简单分割内容分页放置。简而言之就是把未知的问题转化为解决过的问题，从而换种方式解决问题。

分页放置之后，我们就能得到若干页字少的PPT，再去改PPT，是不是会方便很多？

内容的分割还包括同一页面中的文字重点与非重点之间的分割。

一般情况下，有五种方法进行分割，分别是：①加粗字体 ②更改颜色 ③更改字体 ④添加线条 ⑤添加色块。在接下来的案例分析中，将反复用到这五种分割方法。

当然内容的分层不仅仅是文字，还有图片的分层，这一点，我们到后面讲。

3.确定风格

到这一步，PPT才算进入正式制作环节。在做任何PPT前，都需要首先确定PPT的风格。

我们的这份案例，可以直接参考小米官网的设计风格。或者直接使用科技风格。

例如外观方面的设计：

两张配色来自于实物内的取色，参考小米官网的设计风格，有比较强烈的科技感。

确定了整体风格，我们再去做其他的页面。就不会纠结于用哪些元素，只做速度也会提升。

4.匹配相关元素

相关元素的使用只有一个要求，要为整体设计风格服务。元素包括了，线条，面，图标等等。

以上提到的元素都要注意颜色的搭配，不然会破坏掉整体风格。

外观页已经确定了。接下来我们做配置方面设计。

配置的第一部分是简略的叙述了小米MIX3的各项突出优势。我们根据内容表述，将内容分割成六个小部分。分别是CPU，快充，AI键，前后置摄像头，慢动作，DxOMark得分。

六个部分，分别摆放之后，进行主次分割：

这部分的分割用到了，增大字体，再给配置方面的介绍加一句文案，然后利用加粗分割，我们看一下效果：

这样的分割有两个优点：第一是加强了主次之间的分割；第二是减少了字数，使整个页面更为简洁。

内容安排完毕后，我们再加上准备好的素材。加以装饰，增加页面的充实性。看一下效果：

原本的大段文字，被切割成不同部分，再加以装饰，很完美~

接下来的具体参数部分是我们日常场景里遇到的比较多的大段文字。同样的方法，我们来分割内容，然后按上面的步骤重新设计一下。

首先是分割大段内容，总共分成了十个部分，我们把它分列两侧。就像这样。

找到相应的图标装饰，图标可以自己做也可以直接在office中插入或者去“阿里巴巴矢量图标网站”下载然后加上背景装饰：

接着，我们再放上这部分的标题，或者小米MIX3的标题。在找一些元素进行装饰，然后我们看效果：

完成了。是不是很简单？这里，还有一个知识点（敲黑板），就是图片的分层。

背景其实是两张图片的组合加了一层蒙版，将亮度较高的图片亮度降低，方便显示前端的文字，是整个页面更加丰富。所以，大家遇到比较好的图片但是颜色比较复杂时，可以用这种方法。

由于篇幅限制，不再详细的解析制作过程了。先看一个用的比较多处理方法。以故宫特别版为例：

这里用到了添加色块分割，强调了“故宫特别版”，大段文字缩小放在下方。很多大段文字都可以这么处理。

文字多的页面，简单来说就是文章开始说的流程：

内容信息提炼与分割 → 进行内容切割 → 确定风格 → 匹配相关元素

提供的案例里，关于“技术”不识没有制作，给大家留个练手的机会，怎么来处理这一段。大家可以试试。