第一章 认识人工智能

引言

本人目前大三，双非一本的人工智能专业，代码能力不算太差，做过项目，也打了比赛，获了奖，但是走技术路线总会有否定自己的感觉，可能是感觉自己的才能没有在搞技术方面实现自己价值的最大化；可能看到了有所谓“计算机思维”的人，遇到bug总能很快的找到解决办法，而自己需要花更多的时间或精力去解决。

选择冲AI产品经理这一职位，出于很多的考量和权衡。既不放弃自己以往的计算机相关能力，又能把自己优势最大化，即自己的策划组织能力等能力还不错滴（有点自夸了哈哈哈），也不知道未来能不能找到心意的工作，就先努力学习吧，装在脑子里的知识总会派上用场！

人工智能的定义

用官方的话讲，即利用交叉学科对于人的能力和意识进行模仿和超越。讲人话就是“像人一样思考”。

其中，交叉学科指的是计算机科学、心理学、控制学、脑科学等多学科；人的能力和意识进行模仿和超越分为视觉感知与语言交流（如小米音箱）、推理与问题求解（如alphaGo下棋）和协同控制（如物流仓储系统）。

示例：
智能驾驶

人工智能的分类

强人工智能

1. 模仿人类的思考方式
2. 部分方面超越人类
3. 助力赋能、人机协同

应用:
人工智能的假体、外骨骼机器人（通过人类脑电波控制，辅助残疾人活动）

中人工智能(通用人工智能)

1. 能举一反三
2. 有学习能力

例如:
百度无人驾驶、特斯拉(进行多次的训练驾驶，逐渐学会驾驶)

弱人工智能(垂直行业人工智能)

1. 依葫芦画瓢阶段（不会举一反三）
2. 没有自主意识
3. 取代机械/体力劳动

例如:
AlphaG0（只会下围棋，不会下其他棋）、智能客服、”仓储物流机器人

人工智能的发展历程

人工智能的三大学派

分为符号派、连接派、行为派。三大学派各自成体系又相互联系

案例场景化介绍人工智能

产品里面存在数据+算法+算力，就属于是人工智能产品；如果存在明显的算力或算法，也可以算是。

第一案例

淘宝：拍照识别-智能推荐

过程：用户拍照，淘宝进行划分属于哪个类目，提取特征数据，检索数据，排序数据，最终找到相关性高的物品。

你作为AI产品经理，淘宝有多个部门，当用户提出需求时，你需要精准地找到是哪个模块出问题，哪个部门出问题，是哪个算法不好导致的。如，最像照片的产品排序在下面，说明排序不好；搜索时间特别慢，你应该想到是检索和索引的问题，检索语句不好，也有可能是表结构设计不合理，数据结构不合理。

第二案例

美团点评：智能推荐美食

如果推荐好，算法可能比用户还懂用户，以至于提高用户的好感度。在人工智能产品中，首先，对数据进行分支，如人均消费，口味，环境等等；在算法中，可以从评分中提取用户情感（用自然语言处理），计算出用户偏好。注意算力很重要，因为数据可能有几TB，所以要进行优化。

应用AI公司的分类

基础层

即算力+数据存储

数据中心服务：对数据进行存储提供的服务能力。在搭建平台的时候，总是需要去买一个服务器，比如去百度云、腾讯云、阿里云等等云平台买。因为平台上的用户数据都需要进行存储云服务器。

云服务：弹性计算（因为程序或应用有时候会数据访问量大，有时访问量小，此时就需要动态改变数据的存储空间大小）、存储服务、视频与CDN迁移（是云服务器的大头，因为视频像素密集，占用空间很大）、数据库（一般用MySQL，免费又开源）、云通信、网络互联网中间件

技术层

即算法能力输出

作为产品经理，要看你做的是哪个领域的产品，然后把那一条链路上的AI产品进行分析。在计算机视觉中（对于人脸识别），产品经理就需要了解有哪些方法，算法，提供商有哪些，哪些收费，哪些不收费，哪些技术不成熟或完善的

应用层

具体应用，场景问题

AI产品经理的工作职责和能力模型

要区分AI AI+ +AI公司

1. AI 公司：做AI算法，AI算力，搞底层技术，跟芯片相关。对产品经理算法能力和编码有要求。
2. AI+ ：分为2B（行业型）和2C（消费者）。
3. +AI :对算法了解不深，但是要知道选择好外部 算法供应商，同时能把算法和现有产品结合。

AI产品经理的能力

1. AI产品经理必须精通算法，要会数据分析，数据采集挖掘可视化，对数据发展使得业务数据的变化。对这三大命题要进行深挖，知道逻辑，算法优，则对服务器负担小。
2. AI+产品经理要行业背景，面试官会卡。
3. +AI产品经理中软硬结合型可能是行业发展的小趋势，因为他是看得见摸得着的，比如笔记本等。

如何找到AI产品经理的职位？

主动寻求机会，直接发Email，在大佬讲座上展示自己等等

个人现存能力 + 兴趣走向 -->找到合适的切入点

[外链图片转存中…(img-qCn0RUai-1713620327699)]

如何找到AI产品经理的职位？

主动寻求机会，直接发Email，在大佬讲座上展示自己等等

个人现存能力 + 兴趣走向 -->找到合适的切入点