转型 AI 产品经理：能力模型、发展史与核心概念梳理

二、人工智能发展史

智能：以宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。

人工智能：制造出智能的机器，尤其是智能的计算机程序，它能做一些以前需要人才能做的事情，这个机器或者计算机程序就叫人工智能。

人工智能有很多种的表现形式，目前在各个专业的方向，出现了很多超越人类的人工智能。比如在国际象棋上，有 IBM 的国际象棋大师 Deep Blue；围棋上有 Google 的 AlphaGo 和 AlphaZero；医学上有 IBM 的 Watson；私人助理上有苹果的 Siri，微软的 Cortana；甚至搜索引擎百度和 Google，你也可以把它看做是一个人工智能。它们都由一段段代码、一个个算法、一堆堆的数据组成。

人工智能的黄金时代（20 世纪 50~70 年代）

1950 年，一位名叫马文·明斯基 (后被人称为'人工智能之父') 的大四学生与他的同学邓恩·埃德蒙一起，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。同年，被称为'计算机之父'的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。按照图灵的设想：如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。而就在这一年，图灵还大胆预言了真正具备智能机器的可行性。

1956 年，在由达特茅斯学院举办的一次会议上，计算机专家约翰·麦卡锡提出了'人工智能'一词。后来，这被人们看做是人工智能正式诞生的标志。在 1956 年的这次会议之后，人工智能迎来了属于它的第一次高潮。在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。

人工智能的第一次低谷（20 世纪 70~80 年代）

由于科研人员在人工智能的研究中对项目难度预估不足，导致与美国国防高级研究计划署的合作计划失败，社会舆论的压力也开始慢慢压向人工智能这边，导致很多研究经费被转移到了其他项目上。当时，人工智能面临的技术瓶颈主要是三个方面：

1. 计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；
2. 问题的复杂性，早期主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；
3. 数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法读取足够量的数据进行智能化。

人工智能的繁荣期（1980 年~1987 年）

1980 年，卡内基梅隆大学为数字设备公司设计了一套名为 XCON 的'专家系统'。这是一种采用人工智能程序的系统，可以简单的理解为'知识库 + 推理机'的组合，XCON 是一套具有完整专业知识和经验的计算机智能系统。这套系统在 1986 年之前能为公司每年节省下来超过四千美元经费。在这个时期，仅专家系统产业的价值就高达 5 亿美元。

人工智能的冬天（1987 年~1993 年）

仅仅在维持了 7 年之后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。80 年代末，美国国防先进研究项目局高层认为人工智能并不是'下一个浪潮'，至此，人工智能再一次成为浩瀚太平洋中那一抹夕阳红。

人工智能的新春（1993~现在）

1994 年 Chinook Checkers，机器国际跳棋上超越了人类； 1997 年 Deep Blue 深蓝战胜国际象棋世界冠军； 2006 年，辛顿发表了一篇突破性的文章《A Fast Learning Algorithm for Deep Belief Nets》，这篇论文里辛顿介绍了一种成功训练多层神经网络的办法，他将这种神经网络称为深度信念网络。 2008 年卡内基梅隆大学和通用的无人驾驶汽车 CMU Boss 研发成功； 2012 年 Amazon 的仓储机器人 Kiva，减少工人在仓库中走动的频次； 2013 年，深度学习算法在语音和视觉识别上取得成功，识别率分别超过 99% 和 95%，进入感知智能时代。 2014 年计算机被当 13 岁男孩首次通过图灵测试； 2014 年没有刹车、没有方向盘，只有一个启动 Button 的 Google Car； 2016 年 AlphaGo 4:1 战胜李世石； 2017 年神秘 Master 60 盘连胜，狂扫棋坛高手。

三、看待人工智能的几个视角

人工智能领域包含大量的概念和定义，如监督学习、机器学习、强化学习、强人工智能等，最初学习的时候很容易弄混，其实很多概念是不同角度观察的结果，还有些概念是嵌套关系，现将人工智能领域的概念从不同视角进行梳理。

1. 从数据标注属性来看

非监督学习 (unsupervised learning)：非监督学习学的是没有标准答案的样本。拿猫和狗的图片识别举例。算法要自己去寻找这些图片的不同特征，然后把这些图片分为两类。它实际上不知道这两类是什么，但它知道这两类各有什么特征，当再出现符合这些特征的图片时它能识别出来，这是第一类图片，那是第二类图片。

监督学习 (supervised learning)：是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。拿猫和狗的识别来举例子。算法看一张图就告诉它，这是猫；再看一张图片，告诉它这也是猫，再看一张图，告诉它这是狗，如此往复。当它看了几十万张猫和狗的图片后，你再给它一张陌生的猫或者狗的图片，就基本能'认'出来，这是哪一种。这样的学习方法很有可能造成模型把所有答案都记了下来，但碰到新的题目又不会了的情况，这种情况叫做'过拟合'。

强化学习 (reinforcement learning)：所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号 (强化信号) 函数值最大。强化学习不同于连接主义学习中的监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价 (通常为标量信号)，而不是告诉强化学习系统 RLS(reinforcement learning system) 如何去产生正确的动作。由于外部环境提供的信息很少，RLS 必须靠自身的经历进行学习。通过这种方式，RLS 在行动 - 评价的环境中获得知识，改进行动方案以适应环境。在智能控制机器人及分析预测等领域有许多应用。我们小时候，看到马戏团的猴子居然会做算术题，感觉到很惊讶，这是怎么做到的呢？其实就是每次拿对了数字的时候，训练人员就给它一些食物作为奖励，这些奖励让他'知道'，这么做是'对的'，如果拿错了，可能就会有惩罚，这些惩罚就是要让它'知道'，这样做是'错的'。

2016 年的 NIPS 会议上，吴恩达给出了一个未来 AI 方向的技术发展图，毋庸置疑，监督学习是目前成熟度最高的，可以说已经成功商用。

2. 从智能水平来看

因为好莱坞大量 AI 题材的影视作品，我们看到的大量的超人工智能，所以再来看现在的 AI 产品就感觉没那么智能。从智能水平上划分，我们可以将人工智能分为三类，弱人工智能，强人工智能，超人工智能。

弱人工智能 Artificial Narrow Intelligence (ANI)：弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎么回答你了。

强人工智能 Artificial General Intelligence (AGI)：人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。

超人工智能 Artificial Superintelligence (ASI)：牛津哲学家，知名人工智能思想家 Nick Bostrom 把超级智能定义为'在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。'超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。

3. 从技术分层来看

认知：是指收集信息和解析信息来感知世界，比如图片识别、语音识别、自然语言处理等； 预测：是指通过计算，来预测行为和结果。比如广告推荐，歌曲推荐等； 决策：是指确定实现的方式和路径，比如移动路线规划、自动买卖股票等； 集成解决方案：是指人工智能和其他技术结合时，产生的多种集成解决方案，比如和汽车结合就是无人驾驶，和医疗器械结合就是手术机器人。

目前商业化比较普遍的，是认知和预测领域的应用。

4. 从技术分类来看

基础架构层：云计算、芯片、TensorFlow 等框架； 中间层：图像识别、语音识别、语义识别、机器翻译等； 应用层：智能滤镜，讲故事机器人，私人助理，搜索引擎，内容推荐，阿里鲁班等。

5. 从应用场景来看

互联网和移动互联网应用：搜索引擎、精准营销、用户画像、反欺诈 智能交通：自动驾驶、共享出行、自动物流 智能金融：银行业、保险业、证券投资（风控、反欺诈、投资决策） 智能医疗：辅助诊断、手术机器人、智能制药、辅助器官、外骨骼 智能农业：智慧农业管理系统、智慧农业设备 智能写作：写稿机器人、收集资料机器人 机器翻译：文字翻译、声音翻译、图像翻译 机器仿生：动物仿生、器官仿生 智能助理：律师助理、时间管理助理 创作艺术：编曲、写歌、绘画

p.s. 人工智能 > 机器学习 > 深度学习 > 神经网络模型 > 卷积神经网络 = 递归神经网络

四、学习资料和方法

推荐书籍

《AI 赋能：AI 重新定义产品经理》 个人感觉产品经理的这些有一个宏观的认知就可以了，核心是对业务纵深的理解，对 AI 技术边界的理解，对 AI 技术知识的框架理解（后面会介绍机器学习的常见算法及应用场景）。

在线课程

平时可以看看吴恩达教授的系列课程，都是满满的干货！建议关注 Coursera 上的 Machine Learning 和 Deep Learning Specialization 课程，这些课程系统地讲解了从线性回归到神经网络的理论基础。

读 Paper 网站

https://www.semanticscholar.org/search?q=ai&sort=relevance、google 论文 因为 AI 产品经理能力模型中很重要的一点就是拓宽认知边界，所以非常有必要读最前沿的 paper，不用纠结与算法，只看这样的算法可以做什么！

P.S. BAT 做 AI 能不能成？最大的机会在哪里？

在回答这个问题之前，我们先来看人工智能当下的发展现状，当下的人工智能是有明确边界的，有一种说法叫一秒法则，人工智能可以处理人 1 秒中可以想出答案的问题，这个问题还需要有以下几个特点：大规模，重复性，限定领域，快速反馈。从前文中人工智能发展史我们可以看到，资本在人工智能发展中扮演重要角色，而当下人工智能的特性非常适用于企业层面的效率提升，而且企业可以承担更高的采购费用，企业投资和个人消费的逻辑差异性极大，企业计算的是相对人工的长期成本差异，一个机器人 10 万元，可以持续升级并使用四年，这个成本就远低于一个工人的四年人力成本总和，而且机器人不用休息。所以我们能看到，今天的 AI 主要也是在 2B 端发力，2C 端的产品多是音响，助理等，用户付费意愿不强，或者使用场景单一，曾经看过一份报告，语音机器人的最主要交互是查询天气预报，定闹钟，听音乐，这远远达不到家用机器人的要求。

再来看 BAT 在人工智能方面有哪些优势，BAT 在人工智能的布局早早开始，百度 A(AI)B(Big data)C(Cloud) 战略，阿里腾讯也有各自云服务，大数据中心，人工智能实验室，这些大公司胜在基础架构层、数据量和资本优势上，拥有大量的人工智能科学家，可以持续优化算法，提升算法模型的准确度。

从产品对于 AI 技术准确性需求的角度来看，分成两种情况，一种是需要算法准确度需要达到 99.9999% 才能应用的产品，一种是算法准确率达到 99% 或者 95% 就可以的产品。

准确度要求极高的产品或服务。如手术机器人，自动驾驶技术，智慧交通等，这些产品和服务直接关系到人的生死，要求具有极高的准确度，需要 AI 科学家持续的优化，只有达到近乎百分之百的准确度才会商用。 准确度要求不高的产品或服务。如面部识别，语音机器人，无人机农药喷洒，艺术设计，搜索引擎，精准营销等，这些产品和服务对于精确度要求不高，因为即使不精确也不会直接造成人员伤亡。

再来从行业的垄断程度看，分为垄断程度高的行业和垄断程度低的行业。

垄断程度高的行业。行业的垄断程度越高，头部公司的体量越大，最初可能因为缺乏 AI 技术而采购技术，当技术环境成熟，BAT 和 google 这类公司开源了大量技术后，行业垄断型公司会则会搭建自己的 AI 团队，搭建自己的大数据，云计算和 AI 实验室，以运营商行业为例，资源垄断型市场，三家独大，每家都在搭建自己的大数据分析平台，也在搭建自己的人工智能实验室。 垄断程度低的行业。如衣食住行相关的制造业和零售行业，因为分散，他们有需求，但是没有足够体量和资本自己搭建 AI 团队，所以他们会将 AI 技术作为一项工具，以合理的价格采购成套服务，来实现+AI 的升级。如同当年的互联网+和 + 互联网一样，也会演化出 AI+ 和+AI 的发展方向。

通过上面的分析，我们可以绘制象限图。我认为第一象限因为 BAT 拥有科学家优势，虽然垄断程度高的企业很有钱，但是因为 BAT 有数据优势和科学家优势，在这个领域 BAT 优势明显，可以向企业提供独特的 AI 服务，提升垄断企业效率，这部分产品需要靠 AI 科学家驱动。第三象限虽然技术门槛低，垄断程度低，会出现大量小 AI 公司进入这个市场，BAT 进入这个市场拥有足够的品牌优势，因为市场需求量较大，BAT 可以考虑做开放平台，为有垂直领域的 AI 公司体统底层服务，如果自己来做，这部分服务和产品将是运营和产品来主要驱动。第二象限暂时来看不太适合进场，第四象限垄断企业会自己组建 AI 团队来做，我们能看到，手机制造这个还不算垄断的行业中，因为资本实力雄厚，各个厂家已经在组建自己的 AI 研发团队。

回答最初的问题，个人感觉 BAT 做 AI 有机会，在第一象限有合作研发的机会，在第三象限有平台或垂直服务的机会，垂直领域的知识可以通过招聘获取，垂直领域的市场拓展是最困难的，下面将从企业属性来分析这个问题。

关于 2B 类的服务，这里提供给大家两个视角，第一个视角，从民营企业视角看 AI。第二个视角，从国营企业视角看 AI，笔者个人感觉，民营企业和国有企业的在+AI 上的需求上差异性极大。

从民营企业视角看 AI。民营企业的核心诉求就是创造更多的价值，赚更多的钱，可以从开源和节流两个角度进行+AI，民营企业家和管理者有充足的动力去进行改革升级，只要技术是有用的，可以提升效率或压缩成本的，民营企业会积极拥抱改变，从吴晓波老师的激荡三十年可以看到，中国的企业家不缺乏面对变革时转型的决心和行动力。BAT 可以考虑在尽可能多民营企业家聚集的场合，推广真实高效的+AI 产品和服务，如吴晓波频道的年会，罗胖的年会等。

从国营企业视角看 AI。国营企业即承担创造价值的责任，也同时承担着保证国有资产不流失的责任，组织内部员工多是对上级和自己的职位负责，所以创新一定要稳妥，而且国营企业有个有趣的现象，每年年底写第二年工作计划时，必须要有创新，也就是每年都要有新的创新点，但是不能太激进，国有企业的核心诉求是不犯错，未必有功，但求无过，所以如果 BAT 的产品只是专注于提升效率并不符合国有企业的中层和领导的诉求。

但是，国有企业其实有大型互联网公司赋能创新的需求，这个时候需要 BAT 等 AI 企业积极主动的提供解决方案。现在的国有企业技术服务招标有一套冗长的流程，所以要想搞定这些国有企业，首先提供高效便捷的 AI 产品和服务，同时从顶层或中层得到领导支持，从执行层面为企业招标准备完善资料和陪标公司。大型的国有企业的定制化要求很高，现在用友和亚信等软件开发团队多是长期驻厂，提供运维服务和新需求开发，如果想要做垂直领域的服务，则需要 BAT 放下架子，做好持久战的准备。

五、如何转行/入门 AI 产品经理？

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，转行/入门 AI 产品经理，但是却找不到适合的方法去学习。作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习 AI 大模型，能够解决你们学习中的困难。

学习路径建议

大模型学习路线图，整体可以分为几个阶段：

第一阶段：从大模型系统设计入手。讲解大模型的主要方法，理解 Transformer 架构的基本原理，包括 Self-Attention 机制、Positional Encoding 等核心组件。

第二阶段：在通过大模型提示词工程从 Prompts 角度入手。更好发挥模型的作用，学习如何编写高质量的 Prompt，掌握 Few-Shot Learning 和 Chain of Thought 技巧。

第三阶段：大模型平台应用开发。借助阿里云 PAI 平台构建电商领域虚拟试衣系统，了解云原生部署和 API 调用流程。

第四阶段：大模型知识库应用开发。以 LangChain 框架为例，构建物流行业咨询智能问答系统，掌握 RAG（检索增强生成）技术。

第五阶段：大模型微调开发。借助以大健康、新零售、新媒体领域构建适合当前领域大模型，学习 LoRA、P-Tuning 等参数高效微调方法。

第六阶段：以 SD 多模态大模型为主。搭建了文生图小程序案例，理解扩散模型的基本原理和应用场景。

第七阶段：以大模型平台应用与开发为主。通过星火大模型，文心大模型等成熟大模型构建大模型行业应用，完成端到端的落地实践。

学习资源推荐

作为一名热心肠的互联网老兵，我决定把宝贵的 AI 知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的 AI 大模型资料包括 AI 大模型入门学习思维导图、精品 AI 大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

建议重点关注以下方向：

1. 数学基础：线性代数、概率论、微积分，这是理解算法的基石。
2. 编程能力：熟练掌握 Python，熟悉 PyTorch 或 TensorFlow 框架。
3. 业务理解：深入理解所在行业的业务流程，思考 AI 如何降本增效。
4. 持续学习：关注 Arxiv 最新论文，参加技术社区活动，保持对新技术的敏感度。

通过系统的学习和实践，相信各位都能顺利转型为优秀的 AI 产品经理。