AI 产品经理区别于普通产品经理的地方，不止在懂得 AI 算法，更重要的是具有 AI 思维。
人工智能产品设计要以操作极度简单为标准，但是前端的简单代表后端的复杂，系统越复杂，才能越智能。同样，人工智能的发展依赖于产业生态的共同推进，上游芯片提供算力保障，中游人工智能厂商着力研发算法模型，下游应用领域提供落地场景。
一、人工智能产业链结构
人工智能产业链结构上可分为基础层（计算基础设施）、技术层（软件算法及平台）与应用层（行业应用及产品）。
基础层
包括了主要包括计算硬件（AI 芯片）、计算系统技术（云计算、大数据和 5G 通信）和数据（数据采集、标注和分析）。
基础层主要以硬件为核心，其中包括 GPU/FPGA 等用于性能加速的硬件、神经网络芯片、传感器与中间件，这些是支撑人工智能应用的前提。这些硬件为整个人工智能的运算提供算力，目前多以国际 IT 巨头为主。随着摩尔定律逐渐逼近物理极限，专用 AI 芯片的需求日益增长，基础层的稳定性直接决定了上层应用的响应速度和成本效率。
技术层
包括算法理论（机器学习算法、类脑算法）、开发平台（基础开源框架、技术开放平台）和应用技术（计算机视觉、自然语言理解和人机交互）。
当前，国内的人工智能技术平台在应用层面主要聚焦于计算机视觉、语音识别和语言技术处理领域，国内技术层公司发展势头也随之迅猛，其中的代表性的企业包括科大讯飞、格灵深瞳、捷通华声（灵云）、地平线、SenseTime、永洪科技、旷视科技、云知声等。技术层的核心竞争力在于模型的泛化能力和推理速度，这要求产品经理不仅懂业务，还要理解模型训练的边界条件。
应用层
应用层主要是基于基础层与技术层实现与传统产业的融合，实现不同场景的应用。
随着人工智能在语音、语意、计算机视觉等领域实现的技术性突破，将加速应用到各个产业场景。包括了行业解决方案（'AI+'）和典型产品（机器人、智能音箱、智能汽车、无人机等）。应用层的成功关键在于场景的匹配度，即技术能否真正解决用户的痛点，而非为了用 AI 而用 AI。
二、人工智能行业架构
人工智能不同于互联网发展，更侧重于软硬件结合落地，所以我给大家梳理了通用的 AI 技术及相关平台。底层硬件和软件的结合配合合适的算法，才能产出智能化的产品。
现在国内的 AI 相关公司都分布在以下图谱中的某个或多个位置。
AI 通用技术的发展取决于技术成熟度和业务渗透力。
AI 能力取决于两点，第一点是技术的成熟度，第二点是对具体业务的渗透力。计算机视觉、语音识别和自然语言理解的应用精准度在于知识图谱的构建和机器学习能力。AI 技术由单点技术应用转为整体解决方案的构建，企业注重技术的融合发展。AI 技术的发展依赖于数据积累，企业通过向场景渗透，用数据优化技术算法，构建行业壁垒。
AI 技术变革硬件设备，未来市场潜力取决于 AI 技术与硬件基础 应用功能间的协同发展，AI 技术正在变革硬件设备，实现万物互联，线上线下数据互通。AI 技术在用户与设备的交互方式上实现革新，视觉语音语义等 AI 技术对场景数据的理解能力是决定其交互能力的关键。AI 在硬件中的应用需结合硬件基础功能才能具有广阔的市场潜力。
在底层硬件上，芯片是保障算法和算力的重要硬件，芯片成功的关键在于芯片的技术实力，根据芯片的部署位置和承担任务，衡量芯片技术实力的指标 各不相同。
云端芯片通常用来进行数据训练，训练过程将承载海量的数据集，要求芯片具备很强的并行运算能力；终端芯片主要用来进行数据推理，芯片的综合工耗是技术发展关键；类脑芯片打破冯·诺依曼机构，模仿大脑结构进行运算，可提升计算效率、降低功耗，成为 AI 芯片长期发展趋势。
视觉传感器的研发不同于软件系统具有边际效应，重点在于突破成本障碍，激光雷达在自动驾驶领域的作用至关重要，整个行业集中于降低激光雷达的生产成本，车规级固态激光雷达应是企业发展的战略重点。
国内对毫米波雷达的研究处于起步阶段，目前市场上存在 24GHz 和 77GHz 两种规格的毫米波雷达。77GHz 毫米波雷达的探测精确度 好、穿透力强，未来将成为市场主流，攻克 77GHz 的研发成本成为企业的战略重点。摄像头通过与计算机视觉技术融合，在安防监控、自动驾驶、智能电视等领域实现机器智能化，在相应场景的认证分析和辅助决策能力是关键。
