# 2014：SM-17 算法 最新的 [SuperMemo](https://supermemo.guru/wiki/SuperMemo) 算法，可基于它的設計，用來總結自己的系統發展史。它也可以用來編寫[間隔重復](https://supermemo.guru/wiki/Spaced_repetition)的反事實歷史。如果沒有恐龍，人類可能不會出現，或者可能會有不同的外觀。然而，即便進化樹上恐龍一脈全部消失，人類在哺乳動物這一脈上的演化并不受太大影響。 以類似的方式，我們可以在[間隔重復](https://supermemo.guru/wiki/Spaced_repetition)和[算法 SM-17](https://supermemo.guru/wiki/Algorithm_SM-17) 的出現中展示一個看似決定性的關聯事件鏈。這可以用來證明 [Biedalak](https://supermemo.guru/wiki/Biedalak) 或 [Murakowski](https://supermemo.guru/wiki/Murakowski) 對[間隔重復](https://supermemo.guru/wiki/Spaced_repetition)的歷史比 [Ebbinghaus](https://supermemo.guru/wiki/Ebbinghaus) 更重要。Anki 比 Pimsleur 更重要。[Gary Wolf](https://supermemo.guru/wiki/Gary_Wolf) 比 William James 的影響更大。 盡管如此，[間隔重復](https://supermemo.guru/wiki/Spaced_repetition)的影響力尚未達到頂峰，仍處于早期階段，且受到各種外力的左右。具體而言，不容小覷的競爭對手層出不窮，唯有銳意創新，[SuperMemo](https://supermemo.guru/wiki/SuperMemo)才能維持它在間隔重復的核心地位（比如[神經創造力](https://supermemo.guru/wiki/Neural_creativity)） 以下是我如何使用為這篇文章所寫的歷史構件來解釋整個[算法 SM-17](https://supermemo.guru/wiki/Algorithm_SM-17)： - 長期保留的關鍵是[計算最優間隔](https://supermemo.guru/wiki/The_birthday_of_spaced_repetition:_July_31,_1985) (1985) - 由于間隔取決于[記憶復雜性](https://supermemo.guru/wiki/Memory_complexity)，我們首先需要將[項目](https://supermemo.guru/wiki/Item)分為不同[難度](https://supermemo.guru/wiki/SuperMemo_1.0_for_DOS_(1987))類別 (1987) - 我們通過[繪制遺忘曲線](https://supermemo.guru/wiki/Employing_forgetting_curves_in_spaced_repetition_(1991))找到最優復習時間，并找出[保留率](https://supermemo.guru/wiki/Retention)下降到可接受水平以下(1991)的時刻 - 為了在稀疏的數據中找到最優時間，我們需要使用近似手段，有助于得出[遺忘的指數性質](https://supermemo.guru/wiki/Exponential_nature_of_forgetting) (1994) - 由于[遺忘](https://supermemo.guru/wiki/Forgetting)的速度取決于[記憶穩定性](https://supermemo.guru/wiki/Memory_stability)，整個算法的設計必須以[雙組份記憶模型](https://supermemo.guru/wiki/Two_components_of_memory)為核心（1988）。缺乏對這一模型的考慮可能是競爭性[間隔重復](https://supermemo.guru/wiki/Spaced_repetition)算法的開發者所犯的主要錯誤，例如一個利用[神經網絡方法](https://supermemo.guru/wiki/Neural_networks_in_spaced_repetition)的間隔重復算法（1997） - 雙組分模型的關鍵力量是使[計算復習時的記憶穩定性增長](https://supermemo.guru/wiki/SuperMemo_Algorithm:_30-year-long_labor) (2005) 成為可能 - 該算法必須通過收集重復的數據來建立記憶模型。它必須能夠[適應現有信息](https://supermemo.guru/wiki/First_adaptable_spaced_repetition_algorithm:_Algorithm_SM-4) (1989) - 在有數據之前，從[通用記憶公式](https://supermemo.guru/wiki/Search_for_a_universal_memory_formula)開始是有幫助的（1990） - 更多小調整和改進可以帶來[天壤之別](https://supermemo.guru/wiki/First_data-driven_spaced_repetition_algorithm:_Algorithm_SM-8)（1995），例如，遺忘后間隔、[絕對難度](https://supermemo.guru/wiki/A-Factor)、快速多維回歸，等等。 - 需要實現[通用度量](https://supermemo.guru/wiki/Universal_metric) 以在未來算法中微調優化參數（2018） 就這樣，一步一步，[算法 SM-17](https://supermemo.guru/wiki/Algorithm_SM-17) 傲然矗立于[間隔重復](https://supermemo.guru/wiki/Spaced_repetition)的進化樹頂端。