进入AI领域做产品 —— 我的自学之路_ai做产品

一．前言

        不知不觉，已经为了准备进入AI领域，积累输入了100天的时间。

        4月参与了GPST的产品经理培训，将时间全部投入在了产品方法、认知的重新梳理上。从5月开始，全情投入到AI知识的学习中，从Python入门到机器学习原理，从计算机视觉通识再到行业理解…

        随着知识网络的一步步扩充，在一次保存思维导图的过程中电脑发生了长时间的卡顿，之后，把内容复制到Word统计了字数——6万字。这个数字在让我有些许惊讶和小愉悦之后，我开始产生了压力，因为它再次催促我，你得着手输出了。

        做产品经理这份工作将涉及大量选择，本质上，是需要“输入→内视→输出”的环节更多，所以为了更好的去进行“输出”，学习“输入”（AI基础认知、产品认知、技术通识）以及“内视”（认知框架）的重要性就不言而喻了。

        所以，这份内容是关于一个要进入AI领域的产品经理，所需要积累的“输入”的归纳，以及搭建“内视”框架的过程。（第二份输出也已经完成——《出行服务 + AI —— 一次模拟的创业》）

        最后，很感谢众多无私分享内容的朋友，本文中绝大部分的知识点、观点以及对现象的描述，均来自于对分享内容的理解转化，当然其中也包含了很多个人的思考、见解，总之无限的感恩。

二．初心

        每个人的人生走向，概括来说分为“被动”与“主动”。

        被动，大多数情况下没有想清楚，或者回避去想，自己为何处在这条路上，并且在惯性下难以停下，并跑了好远好远…

        主动，大多数情况下要求自己想清楚了，再找去找到那条路，全力以赴的奔跑…

        我认为自己的前24年人生，是被动的。

        那段时间，应该，和大多数人一样吧，在被要求或通知要做某件事情的时间点，去做某件事。比如大三时被学校通知去参加校招，受环境影响，下意识就认为当下要找工作，然后稀里糊涂去面试，再然后就去了上海做游戏产品，甚至并不清楚为什么要做产品。

        回想，有机会做出这个决定只是因为从健身房锻炼出来之后，经过教学楼看到很多人在外面拥挤，就过去凑了热闹，看到一家还算大的游戏厂商在校招，感觉自己对游戏还挺感兴趣，遂参加笔试，最后在自己拿到的几个Offer中感觉这个似乎更有意思，遂去了上海…感觉…

        我开始被惯性推动，全力以赴地工作了一年半，但接着，因为团队的巨大变动以及其中复杂的环境因素，让我的惯性神经和三观受到了强烈的冲击，我开始在痛苦中迷失。

        从那时候起，我开始了大量的阅读，企图去从中寻求答案，当高密度的阅读以及在痛苦中的思考持续了半年之后，很多事情开始变得清晰，认知也仿佛被激活了，最终，确定了离开的念头。

        接下来的一年，我选择继续全力以赴把事情做好，坚持为这几年的努力画上一个句号。

        在这个过程中，也开始意识到自己的“被动”和“下意识回避”造就的“惯性人生”，我越来越无法忍受这种“惯性”和“模糊感”，越来越想尽可能获得“主动权”去活的通透，越来越想弄明白一个问题——人生的意义是什么？

人生的意义

我想要什么

        我想要的，最本质的是什么？在不停地发问下，得出的结果是——满足感和意义感。

        从小到大，每当我“遇到”后感觉喜欢的事情，我会比一般人更渴求在其中获得成功，从中得到满足、得到激励让我欲罢不能，这或许就是我当下认知所得出的，对于我个人而言，所谓幸福的最重要的因素吧。

如何能得到

        在思考这个问题的时候，一个观点让我认同且接受，大意是：

找到你愿意不厌其烦地投入时间的事情，在你追求卓越的过程中它会回馈给你巨大的满足，同时你也找到了所谓的热爱

        这让我认定了，获得满足感和意义感，必须要找到那件能够让我热爱的事情。而在追寻的过程，即是我当下所认为的，我人生的意义。

        这也和梯度下降函数类似，是选择像BGM一样按照既定模式，还是选择像SGM自由选择、横冲直撞，本质都是在不断选择方向、自我迭代，希望趋向那个最优解吧，而那个趋向最优解的过程，即人生的意义。

找到热爱的事情

选择方向

        AI这个念头在思考这件事情之前就已经存在于我的脑海中，在我处在迷茫的那段时间，这个概念不断闪现，曾是臆想中自己未来的一种可能性。所以，当我要做出选择时，立马想到的方向即是AI，进而开始对AI深入了解。

        通过了解，我确认了三点，基于这三点我决定向AI这个方向进发：

• AI很有价值，并且有巨大的发展空间，能促进人类的进步：
• 做AI产品，更有机会去提供给他人更大的价值，从而能让自己能得到更多回馈；
• 参与AI的团队，更有机会遇到优秀的人，激励自身的进步。

选择领域

        我了解到，AI在中国目前大致有3个领域发展较为迅速——基于机器学习的分析预测、计算机视觉、自然语言处理等。

        综合考虑下，选择了计算机视觉，因为：

• 相较其他，对视觉相关兴趣更强；
• 人获取信息的70%以上来自于视觉，正因为视觉人才能感知丰富多彩的世界。同时，这个世界本质是基于视觉进行设计的，而计算机视觉遵循了这个规则，所以我认为让计算机先去看懂世界意义更大；
• 计算机视觉落地的场景相对广泛，有更多的机会。

选择细分领域

        计算机视觉中细分的方向非常多，精力有限只能取其一作为切入点，在人脸识别、OCR、图像搜索等技术中。

        最终选择人脸识别，因为：

• 人脸识别技术目前很多企业涉足，有更多的机会；
• 人脸识别技术比较成熟，已经进入了商业落地阶段，更注重产品创造的用户价值以及商业价值，对于互联网产品经理来说是一个比较好的切入点。

小结

        确认初心十分重要，因为这条道路势必充满了艰难险阻，如果心不坚神不定，在过程中受到了否定、批判、打击、寒冬等外界因素影响，用幻想建立的空中楼阁轻易就会倒塌，在这人生这条漫长的道路上也很容易会半途而废并再度迷失，可是注意力以及时间是宝贵的，要把它们放在你认为最有意义的事情上。

        而人生的意义是自己赋予的，尽量去找到自己存在的意义并为此努力进步吧！AI会归纳演绎不断进化，那么作为人呢？人的认知在前行的过程中不断进化，从而带来不一样的选择，最后命运的阴差阳错或许是最迷人的事情吧！

        想清楚的过程或许十分煎熬，但一旦想清楚了之后，我告诉自己——为此负责，并绝不后悔。

三．AI概念认知

了解AI

什么是AI

        AI是实现推断的概率可以无限逼近100%，最终替代人类做判断、完成任务，甚至超越人类思维和判断能力的科学技术。

AI产品

        互联网时代的产品经理构建的是基础设施，在人与人、人与物、人与数据的关系上搭建桥梁，实质上是优化了信息存储和互通的方式，因此产品经理主要关注的是入口及流量的走向。

        AI实际上给人类带来的是技术创新驱动下的产业升级，本质上是关注产品本身的价值。

        AI产品，本质上是全面优化和提升上述所有场景中现有的技术手段，从而实现用户的体验升级和解决方案的效率升级。

核心要素

        算法、数据、算力3要素是构成AI的根本，3要素的突破是当下AI得以迅速发展的原因，AI 产品经理需要对3要素有深刻的认知以便更好的去进行设计。

算法

概念：
得到输入后能够输出预测、分类结果的AI模型，相当于土壤。

意义：

• 近些年来算法框架的不断成熟及开源社区的发展大幅度降低了执行算法的门槛；
• 对于AI 产品经理而言，设计的产品要和公司现有的算法研发能力相匹配，例如避免设计一些 过于超前或落后的产品功能。这需要AI 产品经理对主流的算法模型和框架有基本的认知，并可以做到对各种算法在不同场景下的使用效果进行量化评估。

算法大类：

• 浅层机器学习；
• 深度学习；
• 增强学习。

数据

概念：
作为输入内容提供给AI模型，相当于养料。

意义：

• 互联网和移动互联网的迅猛发展在数据层面提供了AI学习的基础；
• 对于AI 产品经理而言，要在产品设计之初就考虑到数据从哪来、数据质量怎么保证、数据治理的工作怎么开展等问题。

数据采集方法：

• 各种传感器；
• 摄像头；
• 麦克风；
• 触摸屏；
• 网络数据采集器。

计算能力

概念：

• 作为把输入数据在AI模型中运算后输出结果的工具，相当于锄头；
• 只有用锄头（算力）在土壤（算法）中施加养料（数据），才能结出果实（结果）。

意义：

• 以 GPU、TPU 为核心的大规模集群计算系统的发展及硬件成本的逐步降低基本扫清了计算能力的障碍；
• 对于AI 产品经理而言，要从需求出发，衡量产品的功能所需求的算法模型需要怎样的系统架构支撑，并能够评估硬件开销。

AI芯片：

• 通用性芯片GPU：
  • GPU是单指令、多数据处理，采用数量众多的计算单元和超长的流水线，主要处理图像领域的运算加速；
  • GPU无法单独工作，必须由CPU进行控制调用才能工作；
  • CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。
• 半定制化芯片FPGA：
  • FPGA适用于多指令，单数据流的分析，与GPU相反，因此常用于预测阶段，如云端；
  • FPGA是用硬件实现软件算法，因此在实现复杂算法方面有一定的难度，缺点是价格比较高。
• 全定制化芯片ASIC：
  • ASIC是为实现特定场景应用要求时，而定制的专用AI芯片；
  • 除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动设备端。
• 类脑芯片：
  • 类脑芯片架构是一款模拟人脑的神经网络模型的新型芯片编程架构；
  • 这一系统可以模拟人脑功能进行感知方式、行为方式和思维方式。

云计算技术：

• 概念：
  • 简单的云计算概念即是将任务分解给无数服务器计算后再将结果合并返回；
  • 高弹性、高效、高性价比；
  • 利用云计算可以大大提升AI学习时的运算效率。
• 服务类型：
  • 基础设施即服务 IaaS：
    • 提供最基础的物理计算机资源服务，最底层的纯计算机资源服务，计算、网络、存储上的虚拟化以及弹性。
  • 平台即服务 PaaS：
    • 提供具备相应开发环境的计算资源服务，应用层面的弹性。
  • 软件即服务 SaaS：
    • 提供应用软件相关的资源，用于可以直接使用应用软件和数据库。

核心领域分类

图像和视觉处理

计算机视觉 CV：
        将图像、视频信号转化为机器可理解的信息的过程，相当于人的眼睛。

机器视觉 MV：
        用机器代替人眼来做测量和判断。

生物特征识别：
        利用人体所固有的生理特征（指纹、虹膜、面相等）或行为特征(步态、击键习惯等)来进行个人身份鉴定的技术。

虚拟现实 VR：
        利用计算机生成一种模拟环境，使用户沉浸到该环境中。

增强现实 AR：
        是一种实时地计算摄影机影像的位置及角度并加上相应图像、视频、3D模型的技术。

混合现实 MR：
        是VR的进一步发展，该技术通过在现实场景呈现虚拟场景信息，在现实世界、虚拟世界和用户之间搭起一个交互反馈的信息回路，以增强用户体验的真实感。

即时定位与地图构建 SLAM：
        将一个机器人放入未知环境中的未知位置，让机器人在移动中逐步描绘出此环境完全的地图。

语音和文字处理

自然语言处理 NLP/语义理解：
        NLP及NLU是理解和处理文字的过程，相当于人的大脑。

语言识别 ASR：
        将声音转化为文字的过程，相当于人的耳朵。

语音合成 TTS：
        将文字转化为语音的过程，相当于人的嘴巴。

人机交互 HCI：
        产品形态的语音助手。

认知和推理

机器学习 ML ：
        根据过往经验生成具有泛化能力的模型，在遇到新的问题时能做出精准判断。

AI产业链

基础层 —— 上游

概述：
        这一层的企业，从AI领域底层的需求为导向，为下游提供基础设施建设。所以这一层的产品经理对于底层技术框架、技术原理、实现理解的权重更高。

数据层：
        各行业/场景的一手数据获取。

计算能力层：

• 云计算开发；
• GPU/FPGA等硬件开发；
• 神经网络芯片开发。

技术层 —— 中游

概述：
        这一层的企业，是以技术算法迭代为主导，提供AI基础功能软件供客户（2B）调用的，所以这一层的产品经理对于商业技巧、技术原理理解的权重更高。

通用技术层：

• 计算机视觉CV；
• 自然语言处理NLP等技术领域研究。

算法层：

• 机器学习；
• 深度学习；
• 增强学习等各种算法开发。

框架层：

• TensorFlow；
• Caffe；
• Theano；
• Torch；
• DMTK；
• DTPAR；
• ROS等框架或系统开发。

应用层 —— 下游

概述：
        这一层的企业是最多的，它们利用AI在行业场景中寻找落地点，用AI赋能产品，所以这一层的产品经理对于行业、业务理解的权重将更高。

        我认为，相较于以上两层，这一层是对于非全栈互联网产品经理转型的较优切入点。

解决方案层：
        如自动驾驶、智能家居等场景应用开发。

应用平台层：

• 行业应用分发和运营平台；
• 机器人运营平台等应用平台开发。

AI发展

国内AI市场

        我国AI市场规模在2017年就已经达到237亿，较上年增涨67%，其中计算机视觉市场规模最大，占34.9%。随着2018年AI开始进入商用元年，预计在2019，市场规模超越700亿。

        以此可预期，AI这个我将要依附的经济体正在以一个飞快的速度崛起。

发展与瓶颈

        第一次谈到发展这个话题，则要分享我近期对“发展”的理解，我们都在谈论发展的历史、瓶颈、技术边界…但是把它们列出来了之后，我发现很少有人去把这些点其中的关系描述出来。

        也许是大家都已经在认知中非常熟悉其中关系所以一笔带过，但是我第一次理解这个概念——“限制条件”之后，利用它将“行业发展历史、发展趋势、瓶颈、技术边界”之类的零碎点串联到了一起。

        一切事情是否会“发展”在于“限制”它们的“条件”，是否成熟了而已。

       基于这个认知，我可以去分析很多已经发生的事情的因果关系、去预期很多没有发生的事情的可能概率…比如老生常谈的AI因为3要素限制的突破得到发展，再比如医美技术的成熟让很多人突破了其外在条件对其目标追求的阻碍…

       对于我来说，将它们串联的目的只有一个—— 让我面对问题时，更好地去选择以及取舍。

       所以关于串联，我特别想引用张竞宇老师在其书中提到的，乔布斯的一次关于“电视行业的瓶颈”采访，看乔布斯是如何串联的：

       “电视行业的创新困境是由于市场推广策略导致的。”—— 限制条件是什么

       “电视行业中“补贴”的商业模式，给每个用户一个机顶盒。（很低廉的月消费甚至免费）”—— 进一步定义限制条件

       “结果导致了用户面临的尴尬局面：自己的HDMI高清接口被不同的机顶盒占满了，而且每种机顶盒配套的UI都不一样，遥控器有一大堆。” —— 限制条件对“用户价值”的影响

        “因为这样的商业模式，导致没有人愿意单独购买机顶盒了。（顺便列举具体的公司佐证）”—— “用户价值”对“商业价值”的影响

       “唯一能改变这种局面的方式就是‘回到原点’，将所有的机顶盒都拆掉，换成一个具有唯一UI的机顶盒。但是目前无法实现这样的局面，因为我们改变不了目前主流的推广策略，而这与技术、远见无关。” —— 解决方案，试图突破根本的限制

       “手机之所以和运营商合作推广，是因为手机的GSM即移动电话标准是全球统一的。但是电视不一样，每个国家都有自己的标准和政府监管方案。” —— 最根本的限制无法突破的原因，形成边界

再回顾一遍：发展历史 → 发展趋势 → 出现瓶颈 → 找寻限制条件 → 定义限制条件 → 剖析限制条件带来的影响 → 分析限制条件如何突破 → 分析无法突破的原因 → 形成边界

纵观访谈中乔布斯的应答逻辑，乔布斯串联了每一个关键节点：

你不可能从现在预测到未来，只有回头看时，才会发现事物之间的联系。所以你必须相信那些生命中的点点滴滴，将会在你未来的生命里，以某种方式串联。你必须始终相信一些东西——你的勇气、宿命、生活、因缘，随便什么，它们将给你追寻内心真正所想的自信，带你走离平凡，变得与众不同。”

发展趋势：

        关于“发展趋势”与“当下的发展”其实是有一些歧义的，我的观点是“发展趋势”是事情演变最本质的走向——弱人工智能走向强人工智能。

        “发展趋势”因为各种“限制条件”出现而达到暂时的瓶颈，而“当下的发展”更像是对瓶颈的突破——去突破一个个限制条件。

关于瓶颈：

基于“弱人工智能走向强人工智能”这个发展趋势，可以进行分解：

• 当下是“弱人工智能”时代；
• 当下朝着“强人工智能”这个方向努力，而“强人工智能”包含以下要求：
  • 强智能化——具备独立进行迅速、强力解决问题的能力、推理能力：
    • 机器/深度学习。
  • 强人性化——突破语义鸿沟，具备感官、真实情感、自我意识，通过图灵测试：
    • 计算机视觉；
    • 语义理解；
    • 语音识别/合成。
• 当下对于以上要求的能力不足，限制了“强人工智能”的发展，并处在了“弱人工智能”这个瓶颈中：
  • 低级的推理能力 —— 大量的计算、监督、限制环境；
  • 知识面局限；
  • 看不透彻；
  • 听不明白；
  • 说不利索；
  • 不像真人…
• 这些限制条件带来的影响是：
  • “用户价值”方面：因为AI整体来说并不聪明，用户的信任感并不高，体验也并不好，导致消费的意愿不强，产生的数据不够多；
  • “商业价值”方面：因为消费的意愿不强，企业没有利润和投资的支撑，生存受到了考验，即推动AI发展的动力源就会变得低效，算法迭代速度不够快；
  • “投入”方面：投入即是“科研”以及“投资”，因为市场的热情不高，导致投资人更加谨慎，资金的涌入更少。而科研方面因为没有市场的刺激，意愿变弱…
  • 而对于瓶颈的突破——即是需要付出长期、巨大的努力来对一个个限制条件进行单点爆破，最后将它们有机串联在一起、融合在一起。

当下的发展 —— 用户角度：

人性化：

• 单纯的简单、精准交互将逐渐不能满足用户需求，用户对AI的期望以及标准将逐步提升，将会需求更人性化、更便宜的服务。
• 将AI变得更聪明、更像人，能在更开放、复杂的环境下解决问题，除了推动深度学习的迭代、视觉、语音的突破之外，将语音与视觉结合来交付体验是消费级市场的更大期望。

例子：

• 智能家居：
  • 现在仍然是较为被动的服务体系，需要用户大量干预，例如需要根据用户的主动开关来唤醒或是做出反应，体验不自然，能提供的服务也多局限在单点，串联感很弱且智能感不足。
  • 提供更智能的内核并结合视觉与语音，基于用户的生活方式来提供精准、快速、人性化的服务将值得期待。
• 自动驾驶：
  • 现在的自动驾驶场景，AI以及用户的视觉注意力在外部；
  • 当自动驾驶技术达到完全成熟之后，出行场景将完全改变，AI和用户的注意力将会回到内部，AI将利用更智能的内核并结合视觉与语音为这个场景提供人性化服务。

当下的发展 —— 企业角度：

智能化：

• 当下越来越多传统行业的企业开始重视AI，并进行数字化，利用机器智能来赋能其垂直业务来代替劳动密集化，2B业务的成长速度将非常快；
• 但是基于用客户、用户的升级需求、标准，要想刺激他们消费来提升利润，AI企业就要迎合这个上升的标准做出创新，基于无监督的方向迭代深度学习算法，把服务变得更加智能，并提供更棒的用户体验；
• 领域的突破与融合正在进行中。

商业化：

• 基于“智能化”中提到的压力，现在AI企业将从技术为王转到变现为王，如何找到场景、理解场景、融入技术、落地产品并创造营收已经势在必行；
• 技术能力随着开源以及渐渐趋同，市场已经开始要求AI企业横向拓展规模，纵向下沉业务，在单一业务领域创造的利润难以支撑其高估值；
• 所以AI企业在证明自身价值吸引资金之外，还有一个意义是通过资金实力来刺激“学产结合”、人才加盟，只有这一环做好了，才能推动限制突破，没有资金一切将成为空谈。

云端化：

• 大数据+AI算法+云计算 三位一体，越来越多传统企业注重收集线上线下数据、打通、分析，并利用云计算为大数据提供存储和分析；
• 整个世界产生的数据将越来越趋向数字化，因为没有数据的指导企业就会与时代脱节，这一压力下间接为AI的限制突破提供了不断壮大的基础力量。

思考

思考一个问题，如果AI的风停了，怎么办？

        2018年的技术成熟度曲线，可以看出深度学习开始从“期望膨胀的顶峰期”下滑。

        并且，不久或将进入“泡沫化的谷底期”，AI这股风的力度也将逐渐减弱，不禁会产生一个疑问—— 如果风停了，怎么办?

当下的趋势：

• 还是回到刚才“限制条件”的思路，“风”即是“当下的趋势”，“当下的趋势”是试图对“限制条件”的突破；

• “当下的趋势”是附着在经济上，受到经济周期的制约的；

• 产生“当下的趋势”，更本质的原因是因为概念的潜在价值可能会为资本方带来非常高的回报。

企业：

• 组织是附着在“当下的趋势”上，顺势获得更大的价值的；
• 风停了，资本下行撤出，某些企业没有资本的支撑而没落。

个人：

• 人是附着在企业上，利用企业为自身赋能、实现愿景的；
• 风停了，必定是尝试突破某一“关键条件”时短期看不到希望；
• 对于个人来说，首先思考我们具体身处在何处，再去考虑“关键条件”与我们身处位置的关系，去思考更本质的原因是什么，做到心中有数。

我的观点是：“遵循初心即可，风口是人为的、易变的，但是世界运行的价值规律是不易变的”：

• 对于组织来说，能把握风口、找到正确商业模式落地并抓住用户，那么风停了组织依然无惧，因为它依然可以持续为用户提供很高的价值从而长盛不衰；
• 而对于个人来说，本质也是价值，我需要关心自己作为AI产品经理的世界观、个人价值是否也在不断进化，而最核心的是——初心是否经得住考验以及变迁。
• 最后，引用旷视CEO印奇的观点：

“历史上所有沉淀下来的伟大公司，都是那些能够跨越多个商业周期的公司，一定是着眼长期，建立核心竞争力，聚焦产品本质。”、“商业的逻辑亘古不变，大道至简，不会被人为的风口改变，只是你愿不愿意承认而已。”

小结

        这一章开始对AI是什么、对促成AI发展有哪些关键的因素等有了初步的认知，这是学习一件新事物的开端必不可少的环节，它也搭建“内视”框架的起点。

        随着对AI的不断了解，也对AI即将构造的未来世界越来越心生向往，能够参与其中去为其添砖加瓦也将是一次长线以及浩大的工程，所以，坚持终身学习并不断进化吧！

四．产品认知

经济

        为什么聊产品认知会先谈论经济？因为我最近认为，做一切的事情、一切努力，都只不过是在创造经济机器中的一个小零件…我用这个思路帮助我想清楚我在哪里、我创造零件的价值、我的零件如何升级等一些问题…

        什么是经济？以我目前的理解，经济的本质是人，人设定了这个世界的经济规则、供需关系、价值交换…

        如互联网是一个超大的经济体，无数行业如节点一样依附在上面，行业中多个供需循环环环相扣形成产业链，而大环节中又能拆分为更小的环节，小环节保证了大环节的运转，小环节中的节点维持了小环节的运转…

        技术（AI）是作用于产品本身提升产品价值的，交付的产品/服务与获得的利益则构成了无数小环节中的一环，而产品经理即是小环节中的一个节点，保证了小环节中供需循环的良好运转…

        所以，从个人、团队、组织、产业链、行业、经济体甚至更大体系的角度来审视当下的事情，往往会有不同的思路，对自己所做的事情的本质和意义也会有更深刻的理解…

关于性价比

        基于上一段的认知，性价比是促进供需循环的一个关键的因素，即是供需双方的关键决策因素，所以产品经理在设计产品/服务时对这个概念有自己的理解会很有帮助，下面分享一下我的理解。

性价比组成

对于组织：
        即如何通过最低的“成本”来“最快”地从用户那里获得最高的“商业价值”，尽可能提高性价比。

对于用户：
        即如何通过最低的“价格”来“最快”地从组织提供的产品/服务中获得最高的“用户价值”，尽可能提高性价比。

效率

       在这个公式中，我把效率单独拎了出来，因为我认为效率对性价比的放大作用是关键的，因为效率是组织与用户“共赢”的关键参数。

        例如在电商竞争的趋势中，服务趋同的情况下时效成为提升用户体验的关键，对于用户来说只关心获得产品/服务的时间，时间越短用户体验越好。

        而对于组织来说不但要优化组织的服务效率，更要想方设法影响并提升整个供应链的效率（最近了解到的信息，新零售面临的瓶颈即是来自于供应链的低效），对于整体而言都是多多益善的。

价值组成

商业价值：

• 本质上是组织获得利益的多少，或者是获得利益的潜力有多大；
• 其次，商业价值是用户价值的衍生，以组织切实为用户创造了用户价值为前提；
• 能提升利益以及潜力的指标非常多，各种KPI例如DAU达到多少、下月用户数量达到多少…每个组织都有其长短期利益目标，我认为当下做的这件事情能完成或促成这个利益目标，就具备商业价值。

用户价值：

• 本质是用户的什么问题，得到了解决、满足的程度。

产品价值：
        在刚才提高的“性价比”的概念，我认为比较适用于产品经理用来指导日常工作中的选择，比如这件事做了对组织对用户的帮助有多大。

        而“产品价值”这个概念又是什么？我自己理解为横向对比竞争对手后组织具备的竞争力，用户其实是权衡了A、B、C…的“产品价值”后，选择最高“产品价值”的产品，再从中获得“用户价值”的，这就涉及竞争关系。

俞军老师的产品价值公式则很好的描述了这个关系：

• 关于新体验和旧体验则，我可以用自己的性价比概念来理解（并不想单纯理解为单点体验，比如使用手感之类），用户获得的产品/服务的“性价比”有多高，也即：

• 而对于替换成本，将其展开对产品的理解会很有帮助：
  • 竞争对手供应链能力：
    • 竞争对手如果已经建立了十分高效、流程化的供应链，那么无论是提供产品/服务的速度还是自身的迭代速度，都将占据领先地位。
  • 竞争对手的品牌知名度：
    • 根据定位理论，竞争对手已经在用户的心智中占据了一个极其有利的地位，在这个情况下新产品要进行硬碰硬，很难取胜。
  • 竞争对手的营销投入水平：
    • 一个理论提到，如果你的营销成本没有超过对手3倍，那么在现有市场进行同纬度竞争，很难取胜；
  • 竞争对手的用户，对其产品/服务的投入程度：
    • 时间成本；
    • 金钱成本；
    • 情感成本；
    • 确定性：确定性形成依赖、粘性甚至成瘾；
    • 网络效应：某些产品如微信，越多用户使用则产品价值越大，要想让一个用户转换到新的即时通讯软件，那么就要说服这个用户的朋友一起转换…这个难度不言而喻。

        所以，产品经理理解这个概念，能在帮助组织的产品在市场上获得优势地位时，提供思考的方向。

        上次看到一个问题，甲方让你做一个和微信一样的产品你该怎么办，即可用这个思路去进行说服…同时最关键的点是清晰明白地去了解其组织的目标和意图，手段是第二步，甲方大概率属于对其组织意图不清晰而提出的错误手段。

AI 产品经理和其他产品经理有何不同

        对于这个问题，或许每个AI 产品经理都有自己的见解。我自己思考多次后，最近一个版本的见解是——当下的关注点不同。

        本质上他们都是产品经理，都是要做出一个又一个正确的选择之后，为用户有效率地提供用户价值，进而为组织有效率地创造商业价值。

        但是，他们依附的经济体处在不同的生命周期导致其当下关注点不同。

互联网技术发展处于成熟期：

• 互联网技术现在已经非常的成熟，产品的设计思路最主要受限于想法，再到商业模式；
• 从一个好的想法出发，发现用户痛点；
• 之后传统行业产品经理、互联网产品经理核心关注点是业务模式、商业化思路，如何利用营销手段来最大化利润；
• 其次才是考虑如何最大程度兼顾用户体验；
• 随着AI达到阶段性瓶颈，对于技术在当下趋于成熟之后，AI产品经理的关注点将和传统、互联网产品经理趋同。

AI技术处于发展初期：

• AI技术仍是处于发展的初期，产品的设计思路先是受限于想法，再到技术，再到商业模式；
• 从一个好的想法出发，发现用户痛点；
• 之后AI 产品经理的核心关注点首先是产品实现——如何在正确理解场景、痛点的情况下很好的融合技术实现产品化；
• 其次才是考虑如何从产品化演变到商业化；
• 当然，以上的观点都是基于整个大环境的一个极端的假设——AI产品基本没有成功落地，互联网产品大都成功落地。

产品经理的价值再理解

        之前提到产品经理作为循环中小环节中的一个节点，正常来说一个节点的作用是有限的，但是产品经理是作为一个特殊的节点而存在的——串联者：获取信息→调动组织内有限资源→产品→用户…将几乎所有事情串联起来…

        下面分享我从开篇提到的，“输入→内视→输出”的角度，对AI 整体价值的一个分解。

判断信息

对输入信息的初步判断、筛选，以及积累：

• 判断或筛选：
  • 判断：批判性思维，判断信息的准确性、精确性、逻辑性、公正性…
  • 筛选：基于信息的合理以及对于当下的相关程度，得出合理的信息内容，为下一个环节提供帮助。
• 积累：
  • 对行业的认知：通过对身处行业的信息不断积累后，将更能明白如何利用这个行业的价值；
  • 对技术边界的认知：通过对技术思想的不断积累后，将更能明白什么能做，什么不能做，什么以后能做；
  • 对用户的认知：通过对用户反馈的不断积累后，将更能明白如何去寻找那个用户体验与技术的交叉区域，去为其提供更棒的用户体验。

抓住要点

将信息中最本质、对于当下最关键的点提取出来进行处理，力求做正确的事情，体现在：

• 产品方法论：通过对积累内容的串联，形成框架，在遇到新问题时也能像AI一样快速内视，然后给出最优的解答；
• 定位产品本质：找到最合适的场景，最核心的需求，设计与之匹配的解决方案；
• 定义业务边界：基于判断的信息划定什么能做、什么不能做，在能力范围内做到聚焦。

整合资源

跨部门沟通：
        首先定义跨部门沟通的意义，产品经理作为那个串联者，不可避免要协同各个资源点（人即是资源点）去实现目标，如何顺利的协同即体现了产品经理的价值所在；

        所以做跨部门沟通，以下几点我认为很重要：

• 建立信任：
  • 乐于助人这一点非常好用，我的前直属领导在让我尝试担任主管的时候，告诫我这是他建立信任并进而能够承担更大责任的关键手段…
  • 首先乐于助人必须衡量对方的本质需求；
  • 其次衡量自身的能力、时间、精力，没问题的话找机会主动去帮助对方；
  • 这样，即是不断的在对方的人情银行里存钱；
  • 最关键的是，我们什么时候想取出来，都行…
• 了解沟通对象：
  • 我一般这么做——请吃饭/请抽烟/请喝饮料；
  • 这件事情的核心价值在于——培养感情，其次要价值在于——获取信息；
  • 培养好了感情，本来难推动的事情也许不再困难…获取了关键信息，行事也许将不再如履薄冰…
  • 人的精力是有限的，所以我也不建议每天疯狂的去贴各种人，只需要去连接当下要做的事情的关键人物即可，比如做某个功能模块涉及的产品、程序、美术、测试…
  • 投其所好自由发挥吧，亲身经历非常好使，曾经一个对于其他产品都特别难搞的特效负责人就是我用烟和饮料搞定的…投其所好的威力不言而喻…
• 永远以组织目标为导向：
  • 作为产品，如果自身就非常清楚组织目标，同时提出的需求也是努力去达成目标的，那么对于要沟通的对象来说，说服力将更强…

关键节点：
        即使建立了信任，也非常熟悉对于的资源点，但是事情往往也并不是一帆风顺的。

        因为——节点是活的，会有其情绪、立场、甚至是既得利益等。

        那么节点受阻的时候，这个节点将成为所谓的“关键节点”，它是存在问题的，如何迅速处理问题并打通节点，将进一步体现产品经理的价值。

• 定位问题：
  • 问题是什么？
    • 确定问题本质是什么，从现象一步步推到源头究其本质，保证这件事情是真实存在的；
  • 问题可控程度：
    • 确定了问题真实存在，那接下来就把问题的范围确定，聚焦后再去想解决方案；
    • 了解当下的问题是属于什么类型；
    1. 可以控制 —— 迅速聚焦到解决方案上；
    2. 不可控制，但可以影响 —— 借助外力将事情过渡到可控制的范围，再到解决方案；
    3. 不可控制 —— 尝试借助外力来过渡到可控范围或是另寻他法绕过。
  • 问题紧急程度以及对于手段：
    • 紧急重要 —— 强迫，我赢你输：
    1. 可控：这件事情我志在必得，推得动我就会强推，不管那么多的；
    2. 不可控：推不动找能推动的人来推，总之必须马上推过去。
    • 不紧急重要 —— 合作，双赢：
    1. 可控：了解、尊重对方需求，并想办法满足，大家的目的都能达到；
    2. 不可控：满足对方，但是要利用对方的资源将事情过渡到可控范围，进而达成目标。
    • 紧急不重要 —— 让步，你赢我输。妥协，各输一半：
    1. 选择让步还是妥协的关键在于——是否有长期合作的价值。
    • 不紧急不重要 —— 逃避，双输：
    1. 这件事情无关痛痒，直接忽略。

交付价值

执行力，把事情做正确：
        我经常被评价为有执行力的人，但是我在被“惯性”推动的时候完全没有去考虑这件事情，如果我的一些表现即是所谓“执行力”的体现，那么这些点是什么？

现在有时间去回顾后，得出以下几点：

• 首先是“恐惧”：
  • “恐惧”一直是对我非常强的驱动力，梁宁提出“恐惧”即是回避；
  • 我会因为非常想回避一些事情，去保持高敏感度、压力去驱动自己；
  • 这些我回避的事情：回避指责、回避落后、回避等待…
• 其次是“无惧”：
  • “恐惧”和“无惧”本身是矛盾的，且“恐惧”是一直存在的；
  • 而这里的“无惧”想表达的意思是，在面对各种外在因素的挑战之后，依然有条不紊地继续去完成目标。
• 再次是“手段”：
  • 清楚理解目标；
  • 制定计划；
  • 分清条理；
  • 时间管理；
  • 最后，让“恐惧”和“无惧”去让1234飞快地运转…

获取回报

        当做到以上的事情之后——扮演好“串联者”的身份，其实已经能够更好地去平衡“风险”和“回报”了。接下来看结果，市场会给组织反馈，组织会给个人反馈。

小结

        这一章聊了我对产品经理的一些不成熟的理解，在认识“AI”后再重新认识“产品经理”的原因是，要努力成为一名优秀的“AI 产品经理”。

五．AI设计流程

        讨论AI设计流程可以有多个角度，比如第一个角度是产品的从0到1——找到场景得出产品概念、产品雏形，第二个角度是产品从1到100——基于确定的产品概念衍生出有“价值”的子产品。

        而我的角度是，基于前两个角度的共性归纳通用的方法流程。

        接下来分4个部分来归纳AI设计流程——提出假设、技术预研、产品设计、验证假设，其中主要涉及对技术通识的理解归纳，所以设计流程中许多产品设计的环节暂时不拓展了。

六．提出假设

        这个阶段包含需求分析（对应“用户价值”）以及市场分析（对应“商业价值”），本质它们都是对“产品价值”提出的假设，既然是假设就要有标准和手段去进行验证，这一章谈假设、标准，在后面的章节谈验证手段。

        验证假设，本质是为了通过评估清楚风险与回报的关系，来提高成事的概率，需求确定（低风险）且非常有盈利可能性（高回报），才能投入成本去推进这件事情，进而提出一个合理的开发目标。

假设

        机会假设 —— 某个场景下，某类用户具有相同的困难。

        需求分析 —— 从自身出发去分析这个假设的可能性，即“自证”。

用户需求场景

用户描述

        用户是谁，他们是否能划分一类典型群体？

需求描述

        这类典型群体，面临的具体问题是什么？

场景描述

        这个具体问题，是发生在哪些情境、时刻下的？

痛点剖析

真实度

• 用户面临的这个问题是否可能是痛点？
• 痛点是否是幻想出来的，是否有依据？
• 痛点的涉及面有多广，是普遍问题还是个别问题？
• 痛点来源:
  • 痛点是来源于自身还是外界的某种压力？
    • 为什么存在这种压力？
    • 痛苦链条是什么？
  • 用户的痛点来源于人性的哪一点？
    • 态度/行为——现象；
    • 目标/动机——表象；
    • 人性——本质：
    1. 贪:贪心，因为喜好而产生无厌足的追求，占有的心理欲望；
    2. 嗔:嗔恨，对事物厌恶而产生嫉妒、愤恨、恼怒的心理和情绪；
    3. 痴:
       1). 无知，对事物不了解，愚昧无知；
       2). 痴迷，对事物全情投入，痴狂。

率频

• 字面意思就是，这个痛多久发作一次，并基于这个频率采取不同的策略；
• 高频，可以打包卖流量，比如天天刷的抖音；
• 低频，可以做高客单价，比如一辈子一次（？）的婚礼。

强度

强度分辨 —— 得出假设“低”或“高”：

• 需求不满足是否能忍受？
• 如果得到的假设是，用户能忍受，则划定为低强度，大概率伪需求；
• 如果得到的假设是，用户无法忍受，则划定为高强度，进行下一步论证。

强度值假设 —— 划定到高强度了，那么具体多“高”：

• 继续刚才的问题，用户不能忍受的话，是否自己想方设法解决？
• 产品/功能没有问世前，用户自己的解决方案是什么？
• 这些解决方案，用户是否是遭遇后立即想到的？如唤醒点一般的存在；
• 如果得到的假设是，用户对此比较被动，那么强度或许没那么高；
• 如果得到的假设是，用户立即想方设法解决，那么强度或许是很高的，同时我们还能从用户的替代方案中获得灵感。

付费意愿假设 —— 涉及到金钱后，用户是否依然主动：

• 如果我们提供了解决方案，用户愿意为其买单吗？
• 如果用户愿意买单，他们愿意付出什么样的代价来解决这个问题？
• 如果得到的假设是，用户对此比较排斥，那么需要思考产品定位、信任的问题；
• 如果得到的假设是，用户对此接受，那么进一步论证。

阻碍假设 —— 如何消除，阻碍用户花钱的因素：

• 感觉到痛的人是否有采购决策权？他是客户还是用户？
• 感觉到痛的人的采购决策会受到谁的干扰？画出干系人之间的关系图
• 如何避免这个干扰？

痛点以及解决方案是否合法合规？ —— 岛国VS天朝

        论证到了这一步后，进行了一系列阻碍的假设，也理清了各个干系人的关系图，对事情是否能做，以及难易程度也心中有数了…

市场分析

• 市场的空间有多大？
• 我们可能面对的是一个什么样的市场环境？ —— 现有、细分、全新
• 产品/功能在市场上的主要竞争对手都有谁? —— 基于现有、细分后的假设
  • 对手优劣势都有哪些？
  • 对手市场占有率如何？
• 相比对手，我们的优势是什么? —— 之前的“产品价值”概念；
• 用户选择我们的理由是什么? —— 首先假设“产品价值”得分为正，其次基于“产品价值”概念，量化优势项；
• 我们预期的投资回报率是多少？

量化标准

        在提出一系列的假设之后，通过“自证”把成事的概率提高了一些，但仍需“他证” —— 通过设定一些列可检验的标准，并接受真实用户的反馈，继续让概率波动，并修正它。

可量化的标准：

回答用户假设，如：

• 典型用户究竟是谁？

回答需求假设，如：
- 这个需求真的是典型用户的痛点？
- 痛点有多真实？
- 痛点频率具体如何？
- 痛点强度有多强？
- 当前我们AI提供的服务，是否能否解决用户的问题？
- 用户是否真的愿意付费去解决问题？

回答场景假设，如：
- 场景是否真的适合？
- 场景中用户对我们提供的AI服务的最低要求、最低标准是什么？
- 我们AI提供的服务，能够超出用户预期的体验是什么？

回答市场假设，如：
- 我们究竟，面对的是一个什么样的市场环境——现有、细分、全新？
- 我们的竞争对手在哪里？
- 我们的竞争对手的服务,用户满意度如何?

关于增长中的一些假设，如：
- “激活率”是否是产品持续增长的关键因素？——整体改进产品体验的意义；
- “易用性”是否是用户留存的关键因素？ —— 简化流程、降低理解成本的意义。

        在精益的方法中，往往一个实验只进行一次风险最大的假设验证，得到经过检验的认知太重要了。

        当然，关于这些指标需要注意的是其可执行、可使用、可审查。回顾之前自己主导的一款产品，全无假设、功能导向、计划导向…想起一句话“焉有不败之理”。

小结

        产品思维博大精深，而且根据其总结的方法论拓展性极强——可以应用于任何事情上。

        比如择偶——她的痛点是什么？如何满足她？我有哪些对手？她为什么会选我？她知道我的痛点吗？她满足我了吗？我为什么会选她？…

        所以，努力习得并转化前辈们总结的经验，形成自己的产品方法论非常重要，因为培养了迅速、精准的内视能力从而造就了更强的做选择的能力…

七．技术预研

这个阶段将对AI的两大领域进行技术通识的归纳，内容主要集中在计算机视觉部分。

目的

        在需求分析并知道“我想要什么”之后