俞军老师曾经提到，产品经理为公司创造价值的能力主要分为三部分：业务经验、平台适配、认知能力。

业务经验比如你在公司 A 做过一类产品，再去 B 公司做同类产品就很容易上手；平台适配比如你在 A 公司待久了，自然会对 A 公司的决策方式、组织结构、核心用户群特征等有所了解；认知能力则更多是的，作为产品经理，应该如何做正确的事情，以及如何正确的做事情。

业务经验和平台适配不具备通用性，且三到五年就会到达天花板，而认知能力无上限，且具备极强的通用性，不论是做 AI 还是任何其他业务。我在做 AI 业务时所总结的方法论，一样可以复用到其他任何类型的产品上。这也就是我过去一直讲 AI PM 与其他行业 PM 不存在本质区别的原因。

但认知能力不是本篇文章的重点，对于刚入行 AI 不久，或正在找一份 AI 相关工作的同学来说，业务经验的对口显得尤为重要，毕竟对于公司而言，认知能力难以客观/方便的衡量，但业务对口至少可以保证新人能够快速形成战斗力。而且认知能力的培养也不是一朝一夕的事情，思考、经历、阅读缺一不可。

从业务的角度来看，AI PM 的产出确实跟过去移动互联网 PM 存在很大差异。对 AI PM 而言，与移动互联网周期相比，用户不直接可见的后台策略/逻辑，相较于用户可感知的前端交互，变得相对而言更加重要。

上述变化的本质是由 AI 技术的特性决定的。从我的角度看，AI 相较于目前已存在的其它技术而言，其最突出的特征是，AI 的场景还原能力要远强于其它技术，换句话讲，AI 使得过去无法被处理的大量数据变得可被处理了。

图像、语音等其它过去无法被高效处理数据的可被处理，使得一些新产品形态的出现成为了可能，比如智能安防、语音助手等。同时，新数据源的接入，也使得对于一些已存在的产品而言，更精细的对用户分层成为了可能。有人讲，策略 PM 所做的事情的本质，就是实现极致体验和最低成本的连接，而手段就是实现尽可能精准的用户群细分，进而实现商品/服务与用户偏好的多维度匹配。其价值在于，当用户群的划分越细时，每群用户的独立偏好特征就越明显；而当匹配维度更丰富（超越了单一价格维度，同时考虑商品价格外属性以及用户的价格外偏好）时，就越有可能为一次交易找到主观评价（取决于边际效用）差异最大的买卖双方，从而将「交易剩余」最大化，进而有潜力使得旧有的产品形态创造新的，更大的价值。

从我的角度来看，基于场景还原能力的产品逻辑可以被这样一个简单模式描述：
未知 -> 已知 -> 感知

未知->已知：指决策哪些特征是需要被识别/理解/还原的，AI 算法的本质是识别固定模式，而并不是对全量原始数据进行理解。就比如语音助手要对用户表达某几类意图的语句及其中的关键信息进行识别，完成从未知到已知的过程；比如滴滴为了对某一类车内负向 Case 进行管控，就需要预先定义要从车内环境中基于怎样的数据源利用什么算法取得怎样的特征。
已知->感知：指基于已理解/还原的场景，后续采取什么样的动作最终作用于用户感知上。仍然以语音助手为例，指的就是当正确理解用户意图之后，如何给予用户反馈，如何满足用户需求。
但有些情况下，事情还会更复杂一些。

比如，当产品逻辑是，当知道情况 P 发生时，采取应对策略 Q。 但很多情况下，P 并不能直接通过算法得到，算法能得到的，只是与 P 具有一定因果关系的 p1、p2、p3。举个例子，比如我们没法直接知道车内是否有异味，但是我们可以看司机有没有吸烟，或者乘客有没有讲车内有味道。这个时候，未知->已知->感知，就变成了未知->直接已知->间接已知->感知。直接已知->间接已知，是产品经理基于对客观世界因果关系的认知得到。

另外一点，AI 产品策略很大程度上是基于不确定性的产品策略。对于移动互联网的 App 而言，产品策略大多是确定的，比如当用户刚进入时如何如何、用户点击某按钮后如何如何，但 AI 产品策略不是。AI 产品策略要面对两个巨大的 Gap：未知到已知的不确定性、直接已知到间接已知的不确定性。

先说未知到已知的不确定性，AI 算法的准召还远没到双100%的程度，那是保准确还是保召回？准确率不高，结果不可信怎么办？召回率不够，漏掉正样本怎么办？

再说直接已知到间接已知的不确定性，AI 识别到了直接已知，有多大概率能表示目标间接已知发生了？误判的代价又有多大？这些都是 AI PM 在设计产品策略时不得不考虑的问题。

技术永远不可能完全 Ready，做不到理想态完全可以尝试降级服务。如果算法保不了召回，那是否可以保准确，人来兜底？如果算法没法精确的识别用户的意图，那是否可以把疑似证据交给人工 double check？毕竟产品经理们实现自身价值的方式，正是在各类约束条件的限制下，去权衡/决策，利用一切可利用的资源去最大化的创造价值。AI PM 如此，其他 PM 亦如是。