近幾年，從亞馬遜， Facebook，到谷歌，微軟，再到國內的BAT，全球最具影響力的技術公司都將目光轉向了人工智慧（ AI ）。2016年 AlphaGo 戰勝李世石，把公眾的目光也聚集到了人工智慧。創新氛圍最活躍的中國，已將人工智慧定位國家戰略，2017年11月15日，中國新一代人工智慧發展規劃暨重大科技項目啟動會在京召開，公布我國第一批國家人工智慧開放創新平台，包括：百度-自動駕駛工智能開放創新平台；阿里雲-城市大腦人工智慧開放創新平台；騰訊-醫療影像-人工智慧開放創新平台；科大訊飛-智能語音人工智慧開放創新平台。現在中國的所有互聯網公司，不論大小都在布局人工智慧，似乎產品中沒有人工智慧的元素都不好意思找投資人，大量的科技巨頭和專家預測人工智慧將帶來第四次革命，繼農業革命，工業革命，信息革命后從底層改變我們的工作和生活，也有很多專家認為人工智慧是中國超越美國的一次千載難逢的機會。

作為一個充滿好奇心的產品經理，經過一段時間的學習思考，將我個人對於AI產品經理需要掌握的基礎知識進行總結，因為AI產品經理是一個全新的崗位，至今沒有明確的能力模型定義，本文只是將我個人的學習和思考進行匯總，將產品經理需要了解的AI知識進行框架梳理，將學習過程中看到的一些資料進行歸納總結，希望對想要轉型AI產品的朋友有所幫助。

本文只是個人學習總結，有描述不準確的地方希望大神們幫忙指正~

因為內容較多，將分成三個部分展開論述：

第一部分，介紹AI產品經理能力模型，人工智慧發展史及看待人工智慧的幾個視角，總結學習資料和方法；

第二部分，介紹人工智慧的常見演算法，如何零基礎通過 TensorFlow 實現手寫數字識別。

第三部分，分析AI產品經理在2B和2C領域的能力差異，介紹一些可體驗的AI產品。

一、AI產品經理能力模型

1、AI產品經理能力模型概述

從現在的招聘市場來看，產品經理崗位已經出現大量細分，如數據產品經理，支付產品經理，ERP產品經理，CRM產品經，供應量產品經理，POP產品經理等，AI產品經理可能將成未來的一個主流細分崗位，而且因為AI對應的領域不同，AI產品經理下面將衍生出大量的細分行業AI產品經理。在討論AI產品經理之前，我們來看看，非AI產品在公司中需要面對哪些角色，而面對這些角色需要的能力模型是什麼，在這個基礎上我們再來討論AI產品經理的能力模型。

產品經理需要每天與工程師，設計，老闆，運營，市場，用戶/客戶，測試等部門同事溝通，AI產品經理從對接人上來看，增加了AI科學家或者AI工程師，為了可以順暢溝通，產品經理的知識結構必然需要增加相應的知識，以提升溝通效率，清楚產品設計邊界，同時，因為AI產品與客戶的業務結合更加的密切，所以需要對所設計產品的行業有縱深的全流程理解能力。在這個基礎上，我們來嘗試搭建AI產品經理能力模型。

產品能力模型可以從人，事，知識三個角度搭建，通過上文的分析，我們可以看到，在人和事上產品經理的能力幾乎沒有太大變化，但是在知識層面需要進行基礎儲備，以提高與AI科學家和AI工程師的溝通效率。人工智慧技術正處於高速發展時期，充滿了不確定性，所以產品經理的認知極限一定程度上影響了產品的未來，本文將總結人工智慧領域的一些基本概念，認知極限需要靠閱讀最前沿的paper和團隊的AI科學家/工程師多交流，行業縱深的理解需要真實的參與到業務的整個過程中學習，這就為一些非互聯網領域的，有著多年細分行業工作經驗的，清楚全業務流程痛點的非互聯網人提供了轉型機會，後面會詳細論述。

2、AI產品經理≠AI科學家，應用實現門檻不高

提到AI大家第一印象可能想到的是複雜的數學公式，天書一樣的演算法模型，需要學習AI難如登天。但實際情況是，即使做一名AI應用開發工程師，可能也未必要需要理解那些天書一樣的複雜演算法，Google的深度學習框架Tensorflow極大的降低了數學門檻，這個框架內置了損失函數優化方法，而Keras（基於Tensorflow構建的深度學習框架）可以把一個模型代碼量大大減少，究竟能減少多少呢，我們以機器識別貓狗照片的分類器模型為例，可以通過下圖中的14行代碼搞定，寥寥幾行代碼就把一個擁有著卷積層、池化層和全連接層並且使用Adam這個較高級優化方法的深度學習網路架構寫出來了。

網上有一張圖，很有意思，生動的表明了不同的人對機器學習的理解：

我們的目標是成為一名合格的AI產品經理，而不是工程師，所以只要清楚這些技術的實現框架就可以了，只要可以清楚的描述客戶需求場景，深刻理解客戶訴求，並將其清晰的描述給AI科學家，並能聽懂AI科學家的話就可以了，至於他們使用了什麼模型，什麼演算法並不需要你去操心。

3、非互聯網行業轉型的新機會

前文中提到了AI產品和服務對於垂直行業知識的要求比較嚴格，下面為face++招聘安防類AI產品經理招聘要求。

1. 熟悉安防視頻業務邏輯，熟悉雪亮工程項目建設內容，熟悉平安城市業務建設要求，熟悉智慧交通業務需求，具備實際產品設計與研發、交付全周期經驗者優先。

2. 2年以上安防行業產品設計經驗，負責安防行業產品整體規劃，配合公司行業發展，支撐產品行業解決方案；

3. 負責安防行業的產品市場分析及競爭分析，制定相應產品策略；

4. 負責安防系統平台的產品定義、平台產品導入和平台產品策略；

可以看出，傳統行業中的從業者可以利用其多年經驗為AI團隊提供認知價值，所以非互聯網行業的從業者完全可以通過補全上文提到的互聯網產品經理相關知識轉型進入到高速增長的AI領域。

二、人工智慧發展史

智能：以寬泛的心理能力，能夠進行思考、計劃、解決問題、抽象思維、理解複雜理念、快速學習和從經驗中學習等操作

人工智慧：製造出智能的機器，尤其是智能的計算機程序，它能做一些以前需要人才能做的事情，這個機器或者計算機程序就叫人工智慧。

人工智慧有很多種的表現形式，目前在各個專業的方向，出現了很多超越人類的人工智慧。比如在國際象棋上，有 IBM 的國際象棋大師「 Deep Blue 」；圍棋上有 Google 的 AlphaGo和AlphaZero；醫學上有 IBM 的「 Waston 」；私人助理上有蘋果的「 Siri 」，微軟的「 Cortana 」；甚至搜索引擎百度和 Google，你也可以把它看做是一個人工智慧。它們都由一段段代碼、一個個演算法、一堆堆的數據組成。

人工智慧的黃金時代（20世紀50~70年代）

1950年，一位名叫馬文·明斯基(后被人稱為「人工智慧之父」)的大四學生與他的同學鄧恩·埃德蒙一起，建造了世界上第一台神經網路計算機。這也被看做是人工智慧的一個起點。同年，被稱為「計算機之父」的阿蘭·圖靈提出了一個舉世矚目的想法——圖靈測試。按照圖靈的設想：如果一台機器能夠與人類開展對話而不能被辨別出機器身份，那麼這台機器就具有智能。而就在這一年，圖靈還大膽預言了真正具備智能機器的可行性。

1956年，在由達特茅斯學院舉辦的一次會議上，計算機專家約翰·麥卡錫提出了「人工智慧」一詞。後來，這被人們看做是人工智慧正式誕生的標誌。在1956年的這次會議之後，人工智慧迎來了屬於它的第一次高潮。在這段長達十餘年的時間裡，計算機被廣泛應用於數學和自然語言領域，用來解決代數、幾何和英語問題。

人工智慧的第一次低谷（20世紀70~80年代）

由於科研人員在人工智慧的研究中對項目難度預估不足，導致與美國國防高級研究計劃署的合作計劃失敗，社會輿論的壓力也開始慢慢壓向人工智慧這邊,導致很多研究經費被轉移到了其他項目上。當時，人工智慧面臨的技術瓶頸主要是三個方面，

第一計算機性能不足，導致早期很多程序無法在人工智慧領域得到應用；

第二，問題的複雜性，早期人工智慧程序主要是解決特定的問題，因為特定的問題對象少，複雜性低，可一旦問題上升維度，程序立馬就不堪重負了；

第三，數據量嚴重缺失，在當時不可能找到足夠大的資料庫來支撐程序進行深度學習，這很容易導致機器無法讀取足夠量的數據進行智能化。

人工智慧的繁榮期（1980年~1987年）

1980年，卡內基梅隆大學為數字設備公司設計了一套名為XCON的「專家系統」。這是一種，採用人工智慧程序的系統，可以簡單的理解為「知識庫+推理機」的組合，XCON是一套具有完整專業知識和經驗的計算機智能系統。這套系統在1986年之前能為公司每年節省下來超過四千美元經費。在這個時期，僅專家系統產業的價值就高達5億美元。

人工智慧的冬天（1987年~1993年）

僅僅在維持了7年之後，這個曾經轟動一時的人工智慧系統就宣告結束歷史進程。80年代末，美國國防先進研究項目局高層認為人工智慧並不是「下一個浪潮」，至此，人工智慧再一次成為浩瀚太平洋中那一抹夕陽紅。

人工智慧的新春（1993~現在）

1994年Chinook Checkers，機器國際跳棋上超越了人類；

1997年Deep Blue深藍戰勝國際象棋世界冠軍；

2006年，辛頓發表了一篇突破性的文章《A Fast Learning Algorithm for Deep Belief Nets》，這篇論文里辛頓介紹了一種成功訓練多層神經網路的辦法，他將這種神經網路稱為深度信念網路。

2008年卡內基梅隆大學和通用的無人駕駛汽車CMU Boss研發成功；

2012年Amazon的倉儲機器人Kiva，減少工人在倉庫中走動的頻次；

2013年，深度學習演算法在語音和視覺識別上取得成功，識別率分別超過99%和95%，進入感知智能時代。

2014年計算機被當13歲男孩 首次通過圖靈測試

2014年沒有剎車、沒有方向盤，只有一個啟動Button的Google Car；

2016年AlphaGo4:1戰勝李世石；

2017年神秘Master60盤連勝，狂掃棋壇高手。

三、看待人工智慧的幾個視角

人工智慧領域包含大量的概念和定義，如監督學習，機器學習，強化學習，強人工智慧等，最初學習的時候很容弄混，其實很多概念是不同角度觀察的結果，還有些概念是嵌套關係，現將人工智慧領域的概念從不同視角進行梳理。

1、 從連接主義學習來看

非監督學習(unsupervised learning)， 非監督學習學的是沒有標準答案的樣本。拿貓和狗的圖片識別舉例。演算法要自己去尋找這些圖片的不同特徵，然後把這些圖片分為兩類。它實際上不知道這兩類是什麼，但它知道這兩類各有什麼特徵，當再出現符合這些特徵的圖片時它能識別出來，這是第一類圖片，那是第二類圖片。

監督學習(supervised leaning)，是從標記的訓練數據來推斷一個功能的機器學習任務。訓練數據包括一套訓練示例。在監督學習中，每個實例都是由一個輸入對象（通常為矢量）和一個期望的輸出值（也稱為監督信號）組成。監督學習演算法是分析該訓練數據，併產生一個推斷的功能，其可以用於映射出新的實例。 拿貓和狗的識別來舉例子。演算法看一張圖就告訴它，這是貓；再看一張圖片，告訴它這也是貓，再看一張圖，告訴它這是狗，如此往複。當它看了幾十萬張貓和狗的圖片后，你再給它一張陌生的貓或者狗的圖片，就基本能「認」出來，這是哪一種。這樣的學習方法很有可能造成模型把所有答案都記了下來，但碰到新的題目又不會了的情況，這種情況叫做「過擬合」。

強化學習(reinforcement learning)，所謂強化學習就是智能系統從環境到行為映射的學習，以使獎勵信號(強化信號)函數值最大，強化學習不同於連接主義學習中的監督學習，主要表現在教師信號上，強化學習中由環境提供的強化信號是對產生動作的好壞作一種評價(通常為標量信號)，而不是告訴強化學習系統RLS(reinforcement learning system)如何去產生正確的動作。由於外部環境提供的信息很少，RLS必須靠自身的經歷進行學習。通過這種方式，RLS在行動-評價的環境中獲得知識，改進行動方案以適應環境。在智能控制機器人及分析預測等領域有許多應用。 我們小時候，看到馬戲團的猴子居然會做算術題，感覺到很驚訝，這是怎麼做到的呢？其實就是每次拿對了數字的時候，訓練人員就給它一些食物作為獎勵，這些獎勵讓他「知道」，這麼做是「對的」，如果拿錯了，可能就會有懲罰，這些懲罰就是要讓它「知道」，這樣做是「錯的」。

2016年的 NIPS 會議上，吳恩達 給出了一個未來 AI方向的技術發展圖，毋庸置疑，監督學習是目前成熟度最高的，可以說已經成功商用。

2、從智能水平來看

因為好萊塢大量AI題材的影視作品，我們看到的大量的超人工智慧，所以再來看現在的AI產品就感覺沒那麼智能。從智能水平上劃分，我們可以將人工智慧分為三類，弱人工智慧，強人工智慧，超人工智慧。

弱人工智慧Artificial Narrow Intelligence (ANI): 弱人工智慧是擅長於單個方面的人工智慧。比如有能戰勝象棋世界冠軍的人工智慧，但是它只會下象棋，你要問它怎樣更好地在硬碟上儲存數據，它就不知道怎麼回答你了。

強人工智慧Artificial General Intelligence (AGI): 人類級別的人工智慧。強人工智慧是指在各方面都能和人類比肩的人工智慧，人類能幹的腦力活它都能幹。創造強人工智慧比創造弱人工智慧難得多，我們現在還做不到。

超人工智慧Artificial Superintelligence (ASI): 牛津哲學家，知名人工智慧思想家Nick Bostrom把超級智能定義為「在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創新、通識和社交技能。」超人工智慧可以是各方面都比人類強一點，也可以是各方面都比人類強萬億倍的。

3、從技術分層來看

認知：是指收集信息和解析信息來感知世界，比如圖片識別、語音識別、自然語言處理等；

預測：是指通過計算，來預測行為和結果。比如廣告推薦，歌曲推薦等；

決策：是指確定實現的方式和路徑，比如移動路線規劃、自動買賣股票等；

集成解決方案：是指人工智慧和其他技術結合時，產生的多種集成解決方案，比如和汽車結合就是無人駕駛，和醫療器械結合就是手術機器人。

目前商業化比較普遍的，是認知和預測領域的應用。

4、從技術分類來看

基礎架構層：雲計算、晶元、Tensorflow等框架；

中間層：圖像識別、語音識別、語義識別、機器翻譯等；

應用層：智能濾鏡，講故事機器人，助理機器人，搜索引擎，內容推薦，阿里魯班製圖等。

5、從應用場景來看

互聯網和移動互聯網應用：搜索引擎、精準營銷、用戶畫像、反欺詐

智能交通：自動駕駛、共享出行、自動物流

智能金融：銀行業、保險業、證券投資（風控、反欺詐、投資決策）

智能醫療：輔助診斷、手術機器人、智能製藥、輔助器官、外骨骼

智能農業：智慧農業管理系統、智慧農業設備

智能寫作：寫稿機器人、收集資料機器人

機器翻譯：文字翻譯、聲音翻譯、圖像翻譯

機器仿生：動物仿生、器官仿生

智能助理：律師助理、時間管理助理

創作藝術：編曲、寫歌、寫小說、繪畫

p.s. 人工智慧>機器學習>深度學習>神經網路模型>卷積神經網路=遞歸神經網路

四、學習資料和方法

1、推薦書

科普-發展類：《浪潮之巔》《人工智慧狂潮：機器人會超越人類嗎？》《人工智慧：李開復談AI如何重塑個人、商業與社會的未來圖譜》《智能革命:迎接人工智慧時代的社會、經濟與文化變革》《AI：人工智慧的本質與未來》《科學的極致-漫談人工智慧》《終極演算法》

科普-腦洞類：《三體》《未來簡史》《奇點臨近》《機器人時代》

個人感覺產品經理讀上面的這些有一個宏觀的認知就可以了，核心是對業務縱深的理解，對AI技術邊界的理解，對AI技術知識的框架理解（後面會介紹機器學習的常見演算法及應用場景），下面的書是AI開發同學會看的書，真的感興趣可以看看。

學術類：《世界著名計算機教材精選·人工智慧:一種現代的方法(第3版)》《深度學習》

編程類：《白話深度學習與TensorFlow》《TensorFlow實戰》《Python編程 從入門到實踐》

數學類：《數學之美》《程序員的數學》(簡單數學入門)《程序員的數學-2》(概率與統計)《程序員的數學-3》(線性代數)

2、推薦學習網站

吳恩達在163課堂上的深度學習課程、coursera上的機器學習課程、gitchat上人工智慧課程、udacity上深度學習課程等

3、推薦公眾號

36大數據、凡人機器學習、機器之心、CSDN大數據、智能玩咖、專知、網易智能

4、讀paper網站

https://www.semanticscholar.org/search?q=ai&sort=relevance、google 論文

因為AI產品經理能力模型中很重要的一點就是拓寬認知邊界，所以非常有必要讀最前沿的paper，不用糾結與演算法，只看這樣的演算法可以做什麼！

P.S. BAT做AI能不能成？最大的機會在哪裡？

在回答這個問題之前，我們先來看人工智慧當下的發展現狀，當下的人工智慧是有明確邊界的，有一種說法叫一秒法則，人工智慧可以處理人1秒中可以想出答案的問題，這個問題還需要有以下幾個特點：大規模，重複性，限定領域，快速反饋。從前文中人工智慧發展史我們可以看到，資本在人工智慧發展中扮演重要角色，而當下人工智慧的特性非常適用於企業層面的效率提升，而且企業可以承擔更高的採購費用，企業投資和個人消費的邏輯差異性極大，企業計算的是相對人工的長期成本差異，一個機器人10萬元，可以持續升級並使用四年，這個成本就遠低於一個工人的四年人力成本總和，而且機器人不用休息。所以我們能看到，今天的AI主要也是在2B端發力，2C端的產品多是音響，助理等，用戶付費意願不強，或者使用場景單一，曾經看過一份報告，語音機器人的最主要交互是查詢天氣預報，定鬧鐘，聽音樂，這遠遠達不到家用機器人的要求。

再來看BAT在人工智慧方面有哪些優勢，BAT在人工智慧的布局早早開始，百度A（AI）B(Big data)C(Cloud)戰略，阿里的達摩院，騰訊也有騰訊雲，大數據中心，人工智慧實驗室，這些大公司勝在基礎架構層、數據量和資本優勢上，擁有大量的人工智慧科學家，可以持續優化演算法，提升演算法模型的準確度。

從產品對於AI技術準確性需求的角度來看，可粗略分成兩種產品，一種是需要演算法準確度需要達到99.9999%才能應用的產品，一種是演算法準確率達到99%或者95%就可以的產品。

準確度要求極高的產品或服務。如手術機器人，自動駕駛技術，智慧交通等，這些產品和服務直接關係到人的生死，要求具有極高的準確度，需要AI科學家持續的優化，只有達到近乎百分之百的準確度才會商用。

準確度要求不高的產品或服務。如面部識別，語音機器人，無人機農藥噴洒，藝術設計，搜索引擎，精準營銷等，這些產品和服務對於精確度要求不高，因為即使不精確也不會直接造成人員傷亡。

再來從行業的壟斷程度看，分為壟斷程度高的行業和壟斷程度低的行業。

壟斷程度高的行業。行業的壟斷程度越高，頭部公司的體量越大，最初可能因為缺乏AI技術而採購技術，當技術環境成熟，BAT和google這類公司開源了大量源碼后，行業壟斷型公司會則會搭建自己的AI團隊，搭建自己的大數據，雲計算和AI實驗室，以運營商為例，資源壟斷型市場，三家獨大，每家都在搭建自己的大數據分析平台，也在搭建自己的人工智慧實驗室。

壟斷程度低的行業。如衣食住行相關的零售行業，因為分散，他們有需求，但是沒有足夠體量和資本自己搭建AI團隊，所以他們會將AI技術作為一項工具，以合理的價格採購成套服務，來實現+AI的升級，如同現在的飯店都會使用美團，大眾點評等服務，為自己晚上線上到線下的導流。

如同當年的互聯網+和+互聯網一樣，也會演化出AI+和+AI的發展方向。

通過上面的分析，我們可以繪製象限圖。我認為第一象限因為BAT擁有科學家優勢，雖然壟斷程度高的企業很有錢，但是因為BAT有數據優勢和科學家優勢，在這個領域BAT優勢明顯，可以向企業提供獨特的AI服務，提升壟斷企業效率，這部分產品需要靠AI科學家驅動。第三象限雖然技術門檻低，壟斷程度低，會出現大量小AI公司進入這個市場，BAT進入這個市場擁有足夠的品牌和數據優勢，因為市場需求量較大，BAT可以考慮做開放平台，為有垂直領域的AI小公司提供開源開發平台，通過雲服務獲利，如果自己來做，這部分服務和產品將是運營和產品來主要驅動。第四象限壟斷企業會自己組建AI團隊來做，我們能看到，手機製造這個還不算壟斷的行業中，因為資本實力雄厚，各個廠家已經在組建自己的AI研發團隊，但是BAT有巨大的用戶行為數據優勢，可以考慮通過變相的用戶畫像進行對接，實現一定程度的數據加密互聯。第二象限暫時來看不太適合進場。

回答最初的問題，個人感覺BAT做AI有機會，在第一象限有技術和數據優勢。在第三象限有數據和品牌優勢，如果做垂直領域，可以通過招聘獲取垂直領域的認知，垂直領域的市場拓展是最困難的，下面將從企業屬性來分析這個問題。第四項象限，BAT有數據優勢，可以通過合作方式互通互聯。

關於2B類的服務，這裡提供給大家兩個視角，第一個視角，從民營企業視角看AI。第二個視角，從國營企業視角看AI，筆者個人感覺，民營企業和國有企業的在+AI上的需求上差異性極大。

從民營企業視角看AI。民營企業的核心訴求就是創造更多的價值，賺更多的錢，可以從開源和節流兩個角度進行+AI，民營企業家和管理者有充足的動力去進行改革升級，只要技術是有用的，可以提升效率或壓縮成本的，民營企業會積極擁抱改變，從吳曉波老師的激蕩三十年可以看到，中國的企業家不缺乏面對變革時轉型的決心和行動力。BAT可以考慮在儘可能多民營企業家聚集的場合，推廣真實高效的+AI產品和服務，如吳曉波頻道的年會等。

從國營企業視角看AI。國營企業即承擔創造價值的責任，也同時承擔著保證國有資產不流失的責任，組織內部員工多是對上級和自己的職位負責，所以創新一定要穩妥，而且國營企業有個有趣的現象，每年年底寫第二年工作計劃時，必須要有創新，也就是每年都要有新的創新點，但是不能太激進，國有企業的核心訴求是不犯錯，未必有功，但求無過，所以如果BAT的產品只是專註於提升效率並不符合國有企業的中層和領導的訴求。但是，國有企業其實有大型互聯網公司賦能創新的需求，這個時候需要BAT等AI企業積極主動的提供解決方案。現在的國有企業技術服務招標有一套冗長的流程，所以要想搞定這些國有企業，首先提供高效便捷的AI產品和服務，從頂層或中層得到領導認可，從執行層面為企業招標準備完善資料和陪標公司。大型的國有企業的定製化要求很高，現在用友和亞信等軟體開發團隊多是長期駐廠，提供運維服務和新需求開發，如果BAT真的想要做垂直領域的AI服務，則需要BAT放下架子，做好持久戰的準備。

下一篇文章將介紹AI常見的演算法和常見AI產品使用的技術模型，並介紹一些常聽到的模型概念，如卷積神經網路，遞歸神經網路等，同時將分享如何利用TensorfLow快速實現手寫數字識別，準確度可達到98%，通過這個過程，產品經理們可以初步了解到AI的實現過程。