夜雨聆风本周收到了项目裁员的消息。原因之一，是AI并未如预期般为公司带来显著效率提升——"支出不变、盈利翻倍"的目标，终究没有实现。
消息来得突然，但转机也来得很快：当天便陆续收到多个项目组抛来的AI岗位面试邀约。于是借此机会写下这篇文章，一为梳理思路、备战下周的面试，二为沉淀这段时间身为AI产品经理的工作心得与感悟。
市面上关于AI的书籍不少，我最终选定了王泽楷所著的《AI产品经理》。选择这本书，是因为作者本身具备商汤科技AI产品专家的背景，加之中等教育出版社与机械工业出版社的双重背书，可信度较高。
今天先介绍第一章节：AI与AI产品经理。先上目录思维导图：
无论是罗素与诺维格所著的《人工智能：一种现代的方法》，还是中国电子技术标准化研究院发布的《人工智能标准化白皮书》，都将AI界定为某种形式的"系统"。
前者将其描述为四类系统的集合—— “像人一样思考的系统；像人一样行动的系统；可理性思考的系统；可理性行动的系统。”
后者则给出了更为完整的技术定义—— “利用数字计算机或由数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统”。
Narrow｜弱AI（Artificial Narrow Intelligence，ANI）我们目前所说的AI，指的就是弱AI。它只能解决特定领域的问题，例如借助大模型与业务知识库，以应用的形式服务于不同商业场景（如智能客服）。弱AI的迁移能力极为有限——一个用于下棋的AI，并不能帮你解决医疗健康问题。
Strong｜强AI（Strong AI）／通用AI（Artificial General Intelligence，AGI）看到"通用"二字，不要误以为这项技术已经实现。李飞飞等领域专家保守估计，强AI至少要在2099年后才有可能出现。一旦实现，AI将具备自主学习与独立思考的能力，不再依赖人类的多轮引导与对话。如果说现在的AI是牙牙学语的婴儿，那强AI就是一个真正会独立思考的成年人。
Super｜超AI（Artificial Super Intelligence，ASI）坦白说，这个词在我的日常工作场合几乎从未听人提起。目前学界存在两种观点：一种认为超AI将催生出全新的智能物种；另一种则认为它不过是"人类＋计算机"能力的极限延伸。无论哪种观点，眼下都停留在对"可能性"的探讨层面，甚至连其是否会真正出现都尚无定论。不妨先等2099年后，看强AI能否率先落地再说。
以上便是AI的核心概念梳理。了解这些背景，有助于我们更清晰地理解AI产品的设计逻辑——就像了解了C罗与内马尔各自的成长经历，才能真正读懂为什么一个极度自律、内核稳定，另一个则不拘一格。
AI的三大学派：符号主义、连接主义与行为主义
前文介绍了AI的三个发展阶段，而我们目前仍处于第一阶段——弱AI。那么，通往强AI乃至超AI的路径是什么？学界给出了三种方向：通过数学逻辑、通过模仿人脑神经、以及通过模仿人类行为。由此，衍生出AI的三大学派。
符号主义顾名思义，"符号"与数学密切相关——加减乘除，皆为符号的体现。正因数学具有高度的普适性与严密的逻辑性，符号主义也因此成为当今最主流的AI学派。
连接主义当然，符号主义并非万能。现实世界中大量的问题，无法被整齐地化约为数学公式，这也催生了另外两大学派的发展。
连接主义与行为主义，同样以模仿人类为核心——前者模仿人脑的神经网络结构，后者模仿人类的行为与反馈机制。凡是听到"深度神经网络"，指的便是连接主义。正是这一学派的重大突破，推动了语音识别与语义理解的飞速发展。这或许也解释了，为何近年来不少高校相继调整、甚至撤销翻译专业。
行为主义行为主义让我联想到巴甫洛夫那个经典实验：反复对狗敲铃并给予食物，狗最终学会了将铃声与食物建立联系，形成条件反射。AI的行为主义逻辑与此相通——通过持续的环境反馈实现自主学习。以人形机器人为例，它在多次跌倒后逐渐识别出障碍物的存在，并学会在下一次主动绕行。
AI产品
再先进的技术，若没有大众产品作为载体，没有消费者愿意为之买单，商业终究难以为继。早期体积庞大的计算机，正是在个人电脑普及之后，才真正带动了整个计算机产业的腾飞。
说到AI产品，软件层面最为人熟知的，莫过于ChatGPT、豆包等对话式应用；硬件层面则分为两类：一类是在传统产品中植入AI能力，如智能音箱；另一类是全新形态的AI原生硬件，如机器狗。
对于前者，背后AI厂商的能力至关重要。以智能音箱为例，我当初选择百度而非天猫精灵，正是看中了文心一言的技术背书——尽管事实证明，百度的产品体验着实让人失望。
对于后者，则需要做好"第一个吃螃蟹"的心理准备。谷歌眼镜是前车之鉴——声势浩大，却始终未能真正普及。时至今日，市面上的各类智能眼镜，在我看来也大多停留在概念层面，尚未具备真正意义上的实用价值。
AI产业链分层
常有新人问我：AI产品经理与普通产品经理究竟有何区别？我认为，看一眼"AI产业链分层示意图"便一目了然：
基础层，涵盖云计算、大数据、物联网与AI芯片等核心要素。云计算是我十几年前就涉足的领域；大数据随后兴起，许多企业相继成立了专属的大数据部门；物联网对应的是各类传感器的应用；而AI芯片则是近年来才真正火起来的概念——其核心是将算力下沉至端侧（如手机），这也是苹果近期产品价格持续攀升的原因之一。对于AI产品经理而言，理解AI芯片这一新兴概念，已是基本功之一。
技术层，包含计算机视觉、语音识别、自然语言处理与机器学习框架等方向。其中，计算机视觉（如OCR识别）和语音识别（如翻译机实时转译外语）都是相对成熟的技术，早已落地多年；而自然语言处理与机器学习框架，则是近几年才真正进入大众视野的热词。判断一个词是否与AI强相关，可以借助谷歌趋势工具观察其搜索热度的变化——毕竟对于普通人而言，"AI"这个概念，大多是从几年前ChatGPT爆火后才开始具体感知的。
应用层，则与"AI产品经理"这一头衔最为直接相关。没有人能面面俱到，因此更务实的做法是：聚焦自己熟悉的行业，找到对应的标杆企业及其AI产品作为参照。以我所在的金融业为例——强监管的行业属性本身就对AI的应用构成约束，但仍可以从国内外各大同业的竞品中寻找参考与灵感：
AI产品落地的价值与难题
在企业使用的B端系统中，AI产品经理的核心职责在于帮助业务部门降本增效；而在面向大众的C端产品中，娱乐属性则往往更为突出，如AI美颜、AI视频生成等。
对于企业用户而言——尤其是金融行业——AI落地面临三大共性难题：
成本高：大模型的调用意味着持续的token消耗，运营成本不容小觑 隐私难把控：数据在流转过程中需要完善的脱敏机制，否则极易引发合规风险 安全隐患：AI应用必须符合国家乃至全球的隐私安全法规——欧盟的GDPR便是其中监管最为严苛的代表之一
因此，在设计AI产品时，以下几个维度值得反复推敲：
所需算力是否与预期收益相匹配？哪些功能其实不必依赖AI，交由规则程序甚至人工处理反而更高效？是否一定需要用到隐私数据？是否存在触碰合规红线的风险？以及，短期投入与长期回报之间，如何取得平衡？
今晚分享到这里，明天继续。全世界晚安 😴～
