笔者近 10 年来一直工作于 AI 领域技术和产品一线,今天分享 9 个大家普遍关注却少有人系统回答的问题。
1. 下一个 10 年,AI 产业在国内的发展和职业发展的机遇如何?
从四方面看:
(1)技术角度:逐步成熟且仍有大量创新; (2)价值角度:从带动生产效率、效益提升角度有巨大潜在价值; (3)政策支撑:核心产业规模目标 2030 年达万亿; (4)机遇:增量市场空间依然很大,行业落地走向分化,有更多 AI+ 纵向赛道孕育新机遇。

2. 市场上招聘 AI 产品经理需要了解技术,如何看待此问题?
AI 产品经理需要了解 AI 相关的技术,但处于不同产业链层的产品经理对技术要求不同。AI 产业链中划分为应用层、技术层、基础层。底层对技术的要求高,例如做一个人脸识别打卡 APP 和一个 AI 芯片产品,对技术的要求是有差异的。
这里的懂技术有一些误区需要澄清:懂技术不是目的,目的是辅助决策,做出更好的产品。懂技术不是懂代码,懂的是产品实现的核心技术逻辑流程、路径边界界定产品范围。
3. AI 产品经理如何把握算法类产品需求边界?
AI 产品经理在任务定义中起重要的作用。在任务定义中,业务规则可能直接影响到算法实现,而且业务规则是客观存在的,AI 产品经理需要在中间起到拉通业务定义和算法任务定义的桥梁。举个例子:在交通中 AI 识别车辆违反禁止标线的问题上,有些城市的交规更加严格,车辆压实线,就会进行处罚,而在一些城市中,需要车辆实线变道才进行处罚,在业务上要求的差异,造成算法内部实现逻辑有差异,就需要 AI 产品经理在业务需求侧给予定义。
AI 产品经理需要从算法的角度,对客户的需求进行拆解,除去一些交互的需求外,需要对算法类的需求刨根问底,获得更细致的信息,使得更容易被算法研究人员理解,最关键的就是根据客户需求定义任务和类别,在算法中,很多任务会变成分类任务、回归任务,分类任务就需要非常明确什么样的情况下归属什么类别,很多时候,依靠客户简单的语言描述是很难完整定义任务和类别的,需要不断地层层深入,举一个抽烟识别任务为例子,当客户说要识别抽烟,只要抽烟就报警,一听感觉任务很简单,就是抽烟和不抽烟的二分类任务。
但是 AI 产品经理应该要知道,实际场景中抽烟的细分情况非常多,需要追问客户: (1)那电子烟算不算抽烟呢? (2)如果电子烟挂在身上也识别到了是不是也要报警? (3)如果是背对摄像机吞云吐雾看不到烟头这种呢? (4)那如果大冬天的,呼吸都是吞云吐雾那就有很多误报,这个问题客户的预期会如何? (5)如果拿着烟没点,这种算不算抽烟呢?
突然就会发现,看似简单的任务,中间有非常多难以界定的细节。
4. AI 产品怎么还会讲技术了?来看看算法出身的 AI 产品经理怎么讲
(1)专业术语一头雾水?
图像分割是啥?语义分割是啥、实例分割又是啥,全景分割是个啥?Faster-RCNN 是个啥?YOLO 是个啥?Transformer 是个啥?自监督又是啥?大模型 PTM 是啥?量化加速又是啥?命名实体是个啥?知识图谱又是啥?生成式对话是啥?检索是对话又是啥?
(2)够用易懂原则
知识框架 + 图解,从框架中知道术语来龙去脉,图解知道详细应用。
迁移学习、自监督学习、大规模预训练模型的整体关系

以图像分割为例
图像的分割根据对信息理解的深度,可以划分为普通分割、语义分割(semantic segmentation)、实例分割(instance segmentation)、全景分割 (panoptic segmentation)。
普通分割也就是仅仅对区域的划分,仅区分区域,无需知道哪个区域代表什么意义,更多的应用是对物体前景和背景的划分,比如工业产线零件图像的分割;语义分割是在划分区域的同时,需要对其中的目标进行类别或属性划分,如图 4-12b 所示,需要识别哪些区域代表的是车,哪些区域代表的是人;实例分割主要针对前景目标的分割,可以理解为是在检测的基础上对目标做像素细粒度的划分。





