1. 综述

决定转行AI PM之后，我一直在通过不断地信息的输入来构建AI PM的工作的宏观面貌、需要着重训练的能力和需要注意的事情。《人工智能产品经理 AI时代PM修炼手册》(by 张竞宇)这本书，的确让我对AI PM的工作有了更深刻的认识，非常值得买来读一读。

AI PM，需要将人工智能技术和行业知识相结合，并通过产品和项目的落地实现最终商业目标。

我认为这本书带给我的关键信息在于：

告诉了我们AI PM怎么做，而我们更应该关注，为什么要这么做。

2. 人工智能时代产品经理的新定义

2.1 人工智能时代产品的特殊性

图1 人工智能和互联网的异同点

2.1.1 人工智能的本质--概率

人工智能的本质是：

实现推断的概率可以无限逼近100%，最终代替人类做判断，完成任务，甚至超越人类的思维和判断能力。

人工智能产品经理的角色：

实现概率最优和成本投入（可能包含资金投入、技术投入、时间周期选择）之间的平衡者。

2.1.2 人工智能给传统服务和产品赋能

人工智能产品可归纳为几个类型：

图2 人工智能产品类型

行业逻辑短时间不会改变，将以上几个方面结合到传统产品流程上，寻找用户需求和新技术的交叉点。

产品策略 > 明确的交互逻辑设计

不同人看到的内容不同，交互逻辑不同，甚至产品形态不同，具有“千人千面”的特性。

2.1.3 构成人工智能产品的三要素

图3 人工智能产品三要素

2.1.4 人工智能产品成功的必要条件

图4 人工智能产品成功的必要条件  

2.3 产品经理思维模式

图5 产品管理思维的三种类型

1）资源管理思维：算法、数据资源、硬件资源（芯片、存储），要衡量投入和产出；

2）解决方案思维：不被其他团队牵着走，用技术/非技术资源生成解决方案（不一定非要用算法模型来解决），干成事儿；

3）目标导向思维：明确项目每个阶段的成果，明确项目中每个节点的责任划分，保证每个节点的输入和输出，以及最终项目输出。

2.4 AI PM的懂技术

1）了解产品的技术手段，能够量化产品表现（模型、算力、数据等），能够量化和竞品对比的优劣势。懂得在A/B测试中设置合理的考核指标，从而明确算法的优化方向；

2）了解行业、业务，根据业务的技术历史、现状、趋势，整理需求。懂得影响产品表现的因素（算法、算力、数据）。了解所用的技术如何组合，成本多少，风险点在哪里；

3）快速学习知识、获取信息，降低和市场、研发（软件、硬件）、测试、设计（UI、结构、电气）的沟通壁垒，并将这种经验沉淀下来，让新人更快上手。

2.5 AI PM的知识体系

图6 AI PM知识体系

2.6 小结

AI PM所掌握的技术知识、行业/业务知识、产品管理知识等，都是在为人工智能产品的本质服务，提高推断的概率，来代替/提升原有的产品或人。那么提高推断的概率所需要用到的算法、数据、算力资源，是AI PM要衡量的投入，而代替或提升原有产品或人所带来的价值就是AI PM最终负责的东西。因此，本章内容表达的AI PM所需要的技能：量化、策略/解决方案输出。

3. AI PM如何懂行业

3.1 六种行业分析维度

图7 六种行业分析维度

可以做一个表格，把这几点都列进去，然后再填充内容，这样来分析。

3.2 人工智能的公司类别

图8 人工智能公司分类

3.3 行业分析案例-以个人/家庭服务机器人为例

图9 个人/家庭服务机器人行业分析过程

3.4 如何成为行业专家

图10 成为行业专家的路线

3.5 小结

这章内容比较通用，我觉得有经验的产品经理肯定都很擅长行业分析，因此多图少文字，不细说了。

4. AI PM需求分析和之前有哪些不同

4.1 人工智能产品的趋势

图11 AI产品的趋势

4.2 根据功能性需求和非功能性需求，做一个关于需求的checklist

这个checklist是根据书中内容，增加了一些我自己的理解。

图12 定义需求的checklist

4.3 量化需求

4.3.1 为什么要量化需求

基于概率 --> 需求量化 --> 技术可行性预研 --> 得出结论 --> 开发&测试&上线 --> 复盘

需要考虑的点：

1）预研期间：衡量数据质量、算力资源、上线时间，在算法精度上给出合理量化标准，或者要求增加资源投入；

2）开发、测试、上线后：对量化的目标进行精准地验证，进行A/B测试时可以比较A、B两个方案的效果；

3）复盘期间：总结量化评估经验，和研发团队沟通，了解团队技术实力和算法能力边界。争取量化更靠谱，减少需求变更和额外申请资源。

4.3.2 量化需求的方法

4.4 小结

需求分析这部分，需要AI PM充分了解算法、数据、硬件资源的技术边界。因此，大量学习和了解非常重要。

5. 人工智能产品体系

5.1 人工智能产品的实现逻辑

弱人工智能（当前主流产品均属于此范畴）：

通过海量数据的训练和学习，从中识别规律和经验，当新的数据进入时，机器可以在某些方面具备接近人的感知、理解、推理能力。

感知（识别） > 理解、决策 ：

机器学习特别是深度学习在感知（语音和图像识别）上已经取得了历史性的突破，而理解和决策在当前还需要通过机器学习和人类知道相结合的方式才能实现。

一个通用的人工智能体系（包含4个部分）：

基础设施提供者、数据提供者、数据处理者、系统协调者。

图13 人工智能产品体系

数据流向为（在基础设施的支撑下）：

数据提供者 --> 数据处理者     --> 系统协调者

数据            --> 信息 -->知识   --> 智慧

AI PM属于系统协调者，保证人工智能产品顺利运行和在行业落地。

5.2 

6. 机器学习技术部分

7. AI PM的工作流程

8. AI PM的方法论、沟通能力、CEO视角