AI产品
经理出现的历史背景
首先，我们需要从一个大的历史背景和趋势上来思考：为什么会有AI产品经理这样一个岗位。
AlphaGo先后打败了李世石、柯洁之后，大家都觉得AI好像已经成熟了。
但其实，AI之所以能发展到现在这样一个阶段，主要由三个方面决定的：
- 云计算 大家都知道计算机的发展史，最开始有大型机，后来有了小型机，然后再有个人电脑（PC）。无论是哪个阶段，单个机器的计算能力都是非常有限的。 而云计算可以采取分布式的计算和分布式的存储，解决了算力的问题。
- 大数据 人工智能已经发展了将近六十年。很多算法其实在六七十年代都已经成熟了。 但是一方面受限于算力，另外一方面没有大量的数据作为训练集（输入）。在大数据技术发展起来之前，人工智能一直没能大规模地爆发。
- 算法——深度学习算法的成熟 比如，以前图像识别、语音识别有一些技术瓶颈。但是随着最近这些年移动互联网的发展，积累了大量的数据，人们就采用了一个新的方法——深度学习，可以理解为浅层学习加了很多层。 有了深度学习的方法，很多以前不可能实现的事儿，现在只要算力足够大，并有大量的数据输入，就一定可以跑出比较完美的模型。
所以这波人工智能浪潮的爆发，基于以上三点——云计算、大数据，和深度学习算法。这也是AI产品经理这个职位产生的技术背景和时代背景。
AI产品
经理出现的社会需求背景
中国经历了改革开放几十年，各行各业有了长足的发展。以前只要大家胆大敢干，就可以做个小生意，挣不少钱。
但是现在不同了，挣快钱的时代一去不复返，取而代之的是各行各业的恶性竞争，红海竞争和产能过剩。
我们国家也采取了一系列的策略，比如：一带一路，把我们过剩的产能，通过资本、技术的输出，输出给一些其他的国家（通过修高铁、建工路等）。
另一方面，国内也在硬性去产能——比如现在好多省都开始查环保。其实查环保不是目标，去掉产能是目标。
也就是说，从国家层面，是希望各行各业进行产业结构升级，不要再整个社会都从事低端的行业，要往更高级的行业，往食物链上层走。
这样整个国家才有前途，整个社会才能是一个比较良性的发展。而不是像最近的贸易战，中兴芯片被禁了，我们就没辙了。
正因为有这样社会发展需求的背景，国家从去年七月份（2017年7月）起，将人工智上升到了国家战略层面。
现在人工智能公司提交上市的时候，有即报即审这样的优先策略。人工智能可以优先得到资本市场的支持。这也说明，我们国家对于产业升级的支持力度还是非常大的。
这是当前我们国家所面临的问题，同时也是AI产品经理这个职位产生的社会需求背景。
AI产品
经理出现的历史发展背景
我们纵观第一次、第二次、第三次工业革命，到现在人工智能为代表的第四次工业革命。历史的发展其实是循着明确的路径的：一个是自动化，另一个是智能化。
我们会发现生活中一些场景越来越自动化，也越来越智能化。比如，无人超市；银行可以自动办理部分业务的机器；小区的自动门禁能识别业主而不是让随便一个人就能刷进来。
在互联网产品上表现得更明显：比如一个用户使用今日头条的时间足够长，今日头条就可以知道TA的癖好，然后给TA推喜欢的东西。这在以前，以人作为编辑的时代是不可能实现的，因为需要大量的人力。
整个社会的发展趋势，其实是一个自动化+智能化的大趋势。这为当前弱AI的成熟提供了社会需求背景。
AI产品经理实际上就是一个把这种趋势变成现实的岗位。这个岗位的使命是运用AI技术来解决现实问题。
什么
是产品经理？
我们先讲一下什么是产品经理。
在互联网圈子里，大家对产品经理都比较理想主义，认为产品经理就是张小龙、乔布斯、马化腾、周鸿祎。
其实，我认为最落地的解释：产品经理就是一个造轮子的岗位——在用户或者客户提出需求，以产品化的方式来满足部分或者全部需求的岗位，就叫产品经理。
举个例子：微信是一个满足人和人之间沟通社交需求的产品，策划并且设计出这个产品的人所在的岗位就叫产品经理。
再举个例子：今日头条是解决人们阅读、娱乐和休闲的需求。把今日头条的推荐系统设计出来，今日头条能不断地学习人的癖好，又能不断满足图文类消息、短视频类消息、微博类消息和问答类消息，这样的人所在的岗位叫做产品经理。
什么
是AI产品经理？
AI产品经理听着很高大上，本质上来说和微信以及今日头条的产品经理没什么差异。
AI产品经理相对于传统的互联网产品经理来说，就是多了一点：要利用AI技术来解决现实的问题，满足客户或用户的需求。
很多专门搞算法或者是技术出身的小伙伴可能不太理解——明明很多AI技术本身就是一个端到端的应用，为什么还需要AI产品经理？
这个疑问其实是很正常的，因为对于AI产品经理，我做了一段时间发现，有些小伙伴儿做业务非常薄的产品其实不太需要AI产品经理。比如，做图像识别、人脸识别、虹膜识别、语音识别等。
这些技术应用在某个细分的领域，有准确率、召回率等一系列固定的“硬”指标来衡量产品质量。这种情况下，产品经理帮不上什么忙，可能是过得比较尴尬的。
AI产品
经理的施展空间
AI产品经理在哪些领域里更有可为，能够跟我们的AI工程师更好地配合，把一件事做成呢？
我经过观察发现：更容易做出成绩，更容易把AI结合落地，应用得比较好的领域，反而是一些业务导向强、变动大的领域。在AI技术之上需要一个业务层，这样的应用反而是比较需要AI产品经理的。
举几个例子：
- 我现在做的推荐系统，它不光有算法就可以了，需要了解整个互联网行业领域的应用，需要对业务有深刻认知。 如果你做一个电商类的产品，需要知道选择什么样的商品，推给什么样的用户——需要对业务足够抽象并形成业务层，再往下才是技术层。
- 一些比较场景化的产品，比如京东或者支付宝里有一些入口用作卖保险或者是卖理财一些智能客服，这些属于销售售前线上化的应用。 这类应用针对垂直领域，业务导向，需要对业务和销售售前的话术有了解，然后不断地调优。
- 再有就是机器人领域，因为不同机器人所在的应用场景不一样，也是业务层比较重要的领域。 银行的机器人可能更多的需要定位、业务办理指示等功能；小区或者园区的巡逻机器人，可能更重要的是人脸识别、定位以及一些其他的功能。
像上述这样的产品都比较需要AI产品经理。
AI产品
经理和互联网产品经理的差异
工作重心的差异
我们先讲一下互联网产品经理和AI产品经理的本质性的差异，或者说重心上的差异。
互联网本质上解决的是连接的问题。
例如，微信解决了人与人通过互联网产品连接的问题；今日头条解决了人和内容、人和媒体人连接的问题；滴滴打车解决了乘客和出租车、快车、专车司机连接的问题。
AI领域要解决的是提升效率的问题。
例如，今日头条背后用的推荐系统，在传统的门户时代，是需要很多编辑每天来运营，第一条放什么，第二条放什么，第n条放什么，纯靠编辑的感觉。
所有人看到的东西是一样的，千人一面。编辑的口味不一定符合你的口味，他可能符合c的口味，但不一定符合a和b的口味。
但是有了个性化推荐系统这个AI应用，就可以做到千人千面——每个人看到的都是自己感兴趣的。
以前花多少钱花多少人都解决不了的问题，现在通过一个推荐系统，一个算法的大众化的应用就解决了。大大节省了很多人力成本，内容分发的效率提升了很多。
自媒体的内容如果放在门户网站通过编辑来分发的话，就是完全受制于“人”。编辑心情好，可能流量就大点，编辑心情不好，就没什么流量了。
但放在今日头条这样的个性化分发系统，只要文章受众足够大，就一定会分发得比较好，并不依赖编辑的感觉，比较理性和中性。从整体的内容库的角度来说，就是整体的内容分发的效率提升了。
再来讲一下目前AI在医疗诊断领域，比如糖尿病诊断、心脏病诊断等的应用。
大家都知道，中国病人很多，但是医疗资源，尤其是好的专家，非常有限。导致很多人有病但是得不到救治，这是一个很大的社会问题。
AI在医疗诊断领域里，应用很多，比如可以根据输入的历史数据生成一个模型，来判断这个病人是有糖尿病还是没有，有糖尿病的风险有多大。这样就通过AI的方式解决了糖尿病或者心脏病检测的问题。
以前一个国家可能需要投入很多财力、物力去培养一个训练有素的医生，但是现在只要是复制这个算法和模型就可以了，成本非常低地来解决医疗资源不足的问题。
在医疗领域，AI也是起到了提升效率的作用。
再比如，以前虽然有各种摄像头，但是如果想通过摄像头来破案还是非常难的。因为没有那么多人看那么长的视频。一个个地找里面有没有问题，有没有嫌疑人。这是海量的工作，投入多少人力、物力都解决不了的。
但是现在采用人脸识别或者步态识别等AI技术，就有可能快速解决这样的问题，不需要投入那么多人力，不需要花那么多长时间，就可以很快锁定嫌疑人。
在这里，AI解决的还是效率的问题。
说了这么多，我们发现传统的互联网产品经理始终在围绕着连接解决现实的问题，比如如何让人们更好地社交，如何让人们更好地阅读，如何让人们更好地打车。
AI产品经理的重点是在如何不断提高效率，比如如何让内容分发更有效率，如何让人脸识别更有效率，如何解决医疗诊断的准确性。
这两类产品经理的工作重心不太一样。
目标用户的差异
传统的互联网主要是一个toC（To Cusumer）的业务，主要的生意是面向消费者/个人用户的。
ToC业务的特点是比较讲究规模化。羊毛出在猪身上，通过吸引大量的流量，然后去卖广告，或者是给游戏导流提取佣金；运用的是规模效应，是总量的逻辑。
很多服务都是免费提供给用户使用的，比如百度搜索、微信、QQ、今日头条都是免费使用的。
AI这个行业本质来说带来的是生产力的提升，是社会效率的提升。就目前发展来看，它和c端的用户关系不大。这也就是为什么大家都知道AI来了，但是谁也不知道AI是干什么的。
目前AI主要还是to B（To Business）的生意，是面向企业服务的。
比如，即便今日头条是以推荐、服务建成的一家公司。但是它推荐本身并不是直接提供给终端消费者，而是提供给内部的各个产品，比如头条内部的抖音、火山视频、懂车帝、西瓜视频。
这些产品都在共用一个推荐的逻辑，共有一套推荐的基础设施，所以本质来说也是一个toB的服务。
更典型的toB的例子是图灵机器人，它给很多企业提供客服服务。
再比如最近国家对内容审核比较严格，有很多公司提供内容审核的服务。这些内容审核服务会利用到一些AI技术来做分词，过滤和构建模型，把敏感词等各种有问题的内容都给排除掉。
这些服务主要是提供给媒体企业或者自媒体大号，都属于toB业务，C端客户不太能感知到。
这是互联网产品经理和AI产品经理另外一个比较大的差别。
对产品经理的技术要求差异
互联网产品经理，尤其是创业潮比较热的时候产生的大量产品经理，基本不懂技术。学什么专业的都有，比如生物、英语、化学、工业设计、美术等等。
不懂技术为什么又能做产品经理呢？因为当时的大环境属于互联网流量红利期，无论做什么产品都容易成，懂不懂技术不重要，重要的是你知道用户想要什么。
所以在那个阶段的互联网产品经理比较偏用户体验，工作重点在于功能做得好不好，交互体验做得好不好，文案写得美不美，是不是解决了刚需。
剩下的问题并不太重要，交给工程师来解决就行了。稍微懂一点技术，比如知道一点服务端和客户端的通信机制，基本上就能解决大部分产品设计的问题了。
但是到了AI时代，AI产品经理不懂技术是没法做的。需要懂：
- 机器学习、深度学习的原理，要知道迁移学习、增强学习都是干什么用的；
- 什么是特征，包括图像特征、情感特征等各种各样的特征；
- 各种算法，比如做推荐系统，需要懂协同过滤、最新最热等常用的推荐算法……
总之，需要懂很多技术，才知道客户的需求如何来通过AI来解决，做出来的东西才能靠谱。这是AI产品经理和传统的互联网产品经理的第三个差异。
AI产品
经理的必备素质
一个比较合格的AI产品经理至少需要三方面的素质：拥有技术背景；理解客户需求；具备产品设计能力。
【1】技术背景
这点刚才已经提到过。比如做推荐系统，至少知道：
1）有哪些推荐算法，这些推荐算法都是干什么的；
2）做推荐排序的时候需要用到哪些特征，这些特征是如何筛选；
3）具体的调优手段（比如数据处理）对整体的效果会有哪些提升，最终会体现在哪里等……
【2】理解客户/用户需求
现在很多toB的AI应用，其实是一种B2B2C的应用——虽然面向的是企业客户，但是最终使用产品的是C端用户。最终的用户不付给你钱，但是TA通过各种方式来帮企业挣钱。
这样就要求AI产品经理理解企业客户需求和运作机制。比如分层决策，真正使用你系统的人可能不是真正决策要用你的系统的人。也许决策要用你系统的人是一个管理层，而真正用系统的人是一个执行层的。
了解了这些，才能知道要做什么，有的放矢。
【3】产品设计能力
因为AI产品经理的价值就在于造轮子——在满足客户需求的前提下，通过产品化的方式把AI应用落地。
目前AI被阿诟病的一点是很多AI应用落不了地，或者商业逻辑是走不通的。
当然这两年AI投资热还是有一定泡沫的，但是我相信今年下半年或者明年初基本上很多事就能见分晓了。这两年应该是AI产品化的一个关键时期，很多事成或者不成，基本上就能有结论了。
AI产品
经理的工作内容
AI产品经理的工作内容包括：
- 和算法工程师沟通，了解如何通过算法来满足客户的需求。
- 了解和挖崛客户需求，知道客户的关注点在哪儿，如何用更好的方式来给他解决。这可能需要自己找很多行业内人去聊，把需求吃透。
- 通过产品化的方式而不是外包的方式来解决问题。 产品化的方式跟外包的方式最大的区别是：产品化可以规模化，可以解决通用的问题。而外包，每个客户都有不同的特点，你需要定制化地给他解决。 采用外包化的方式你的成本始终下不来，同时我们又知道AI这个行业人才是非常贵的，这是非常不划算的。
AI产品
经理入行案例分析
【案例-1】
某个小伙伴在做机器人。机器人是运用AI技术之集大成，因为它要用到人脸识别、语音识别等各种弱人工智能技术。
这个小伙伴是怎么入行的呢？他最开始自己做电商没做成，就去淘宝做运营。在淘宝做运营做得很潇洒，很愉快。
因为阿里上市，有些人就拉他一块儿去做AI创业了。我们都知道，前两年AI火了一阵儿，但是很明显，从现在来看技术不成熟，导致它的应用大部分都是泡沫，所以这个小伙伴又换了方向。
但是他AI的时候，他通过软硬件技术结合，对软件和硬件都有了一定的感觉。传统的互联网产品经理对软硬件结合是非常不适应的，整个北京来说是偏软件的多，偏硬件的是非常少的。
他认为软硬结合是一个趋势，就通过过往的工作优势，顺利地迁移到了北京的一家机器人公司。
他对各种技术了解也是比较多，于是把各种AI不断产品化到各个垂直的场景里，比如：巡逻机器人、银行大堂经理机器人等。
【案例-2】
另外一个小伙伴，之前是在一家中关村的互联网金融公司，做征信产品，并不懂AI。
后来某个大型的互联网公司，有金融业务，缺金融类产品经理人才，这个小伙伴凭借自己做过征信，懂业务，就过去了。
然后慢慢和算法工程师磨合，逐步转为了AI产品经理，目前工作已进入正轨。
其实现在整个市场上，AI产品经理是非常稀缺的。很多人都是误打误撞，或者是从过往经历，或者是从业务，或者是从对技术理解入手，进入了AI行业。并不是把所有的事都准备好了，然后再去从事这个行业的。
基于
AI的推荐系统设计
再举一个AI产品经理具体工作的例子：我们刚开始做AI推荐业务的时候，只知道AI有用，但并不知道怎么用。只能去不断地在了解和认知市场。
期间走了很多弯路，比如，最初我们做推荐业务是一种外包模式。什么客户我们都接，电商的、短视频的、直播的、新闻的、个性化营销的我们都接。
后来就会发现，我们虽然接了很多客户但是没有一套完整的套路，所有的事都是给不同的客户提出的不同的需求和一些线上的bug在“擦屁股”。
很多产品做得非常臃肿，希望适应所有的情况，但是这样的产品就会变得非常复杂，非常不易接入。
这个阶段，我们推荐系统中的很多工作是人来做的，非常不自动化、不智能。比如，给不同的客户配召回、做推荐排序，都是定制化地做召回，定制化地给客户通过历史行为数据和物理数据来做建模。
我们遇到了业务瓶颈，大家看似都很忙，但是并没有什么成果。不得已之下，我们调整了策略，以产品化的方式，通过不断地缩小产品的边界来解决我们的窘境。
什么电商这些东西我们都不用了，我们只做媒体或者是中小型站长。
之前我们还做移动端（大家都知道移动端是主流），但我们现在只做PC端。因为觉得PC端发版快，是一个存量市场，很多技术都是比较成熟的，是一个更容易做的市场。
以前我们接入一个客户推荐系统需要两周甚至一个月的时间，如今我们的接入效率已经降到了一小时之内。
因为我们做自动化、智能化的事，同时通过技术手段和系统化的方式，解决了很多之前需要手动解决的问题。
当然我们做到现在还比较初级，经常觉得对客户的认识或者是对市场的认识还不够。
这是一个做业务正常的状态，你始终会觉得有瓶颈，始终不断地往前走，是一个逐步落地的过程。这个过程可能还是要持续一段时间，但是产品化相对于之前已经成熟了很多。
Q1：您做产品经理最大的收获是什么，或者是什么导致您选择做这块？
A1：产品经理是一个强思考、强实践的岗位。你需要思考、实践去输入很多信息，这样就会潜移默化地影响了你这个人，影响你去认识世界和改造世界的能力，我觉得这是给我最大的这样有收获。
比如在现实生活里，我做任何决策都会做一些基本的调研，再去整理加工这些调研，得出一些结论，最后再去行动，是有这样一个过程的。
在读研的过程中，写过一段时间代码，但是觉得写代码的成就感，没有做产品经理大，就机缘巧合去做了产品经理。
到第四范式做推荐系统产品经理其实也是一种机缘巧合。
因为之前做过某个新闻客户端的产品经理，主要是偏用户体验的，对内容分发这一块儿也有一定的了解。再加上有一定的技术背景，所以才能去到第四范式。
我去之后，随着然后整个公司在不断扩大，招人的门槛也越来越高了。
做了一段时间的，就越来越发现很多以前认为自己知道的、了解的行业，其实了解得非常少。
现在是处于知道自己不知道这样一个阶段，还是需要不断的积累，才能从认知上，有一定的提升，进入下一个阶段。
Q2：请问能大概说说常见的一些算法的名字以及应用吗？
A2：古典的推荐系统是亚马逊最早用的推荐系统，到现在已经差不多二十年历史了。
亚马逊当时的推荐系统没有机器学习排序这一步，主要是协同过滤，具体包括两种算法：UserCF和ItemCF。 她们本质的理念是相同的，就是利用群体智慧来做推荐。
UserCF是基于用户做推荐系统。比如你是在北京收入比较高，另外一个人也是在北京收入比较高，我会把你们归为一类人做推荐。
如果他买了宝马车，我就会给你推这样宝马车。因为我认为你们是一类人，他买了这东西，你也有可能买这样东西。
ItemCF基于物品的协同过滤。这个算法有个经典案例：一个有孩子的爸爸，去超市买东西，买了尿布也会买啤酒。这就是基于物品的协同过滤。
如果我确定你买了手机，也会买手机壳。同时呢，另外一个人买了这个手机了，我也会把这个手机壳推荐给他。这就是基于物品的协同过滤。
当然在推荐这一块儿，常用算法还包括最新最热，有纯基于内容的推荐，还有一些其他的。但是协同过滤算是最主流，最经典的。
另外一块儿主要用到AI技术的是，推荐系统排序这一块儿。因为召回主要是从数据库里，把大量数据变成一个小的数据集。
排序相当于把小的数据集，从高到低打分，把打分最高的那些内容，最终推荐给终端的用户。
排序这一块儿，目前比较主流是LR模型——线性回归。因为利用线性回归模型，有比较大的好处。一方面是他计算成本、计算时间是比较可控的。另外一方面是它的可解释性比较强。
比如我推荐了一个东西，然后客户给我反馈这个推荐不准或者推荐有问题，我就可以相应地调LR权重，调整推荐的问题。
如果你用深度学习算法推出去了都不知道怎么排的。可解释性在推荐系统里的排序这一块儿还是比较重要的。
Q3：当前做AI产品经理的最大难点是什么？
A3：有很多其他行业的产品经理想做AI产品及经理，自己学了很多线性代数、概率论、高数这些东西。
其实你真正去做AI PM，就会发现这些东西不太重要，因为AI PM在当前的阶段，最重要的是如何把AI应用落地，从商业上可行。算法细节完全可以算法工程师来做。
目前阶段，做AI产品经理更重要的是要能用AI技术解决现实的问题。凡是不解决现实问题的AI产品经理全是耍流氓。
其次要商业模式上可行。无论你是给公司积累数据还是有一些其他的商业变现手段，商业路径得是跑得通的。这是一个难点，而且也是整个行业目前的难点。
Q4：我现在在做传统的互联网产品经理，想转AI产品经理的话需要做哪些准备？学习专业知识的话需要学到什么程度？有必要报一个AI的培训班吗？
A4：传统互联网产品经和AI产品经理差别其实刚才已经讲了一下，主要有三点：首先连接和效率，本质不太一样；其次是toB和toC不一样；再次就是对内容和对技术理解的要求不太一样。这些都是需要弥补的。
至于学到什么程度，如果写代码，你会发现，很多东西如果自己学不去应用的话，学到什么程度，都觉得没有准备好，所以我觉得最重要的是应用。
然后看一下AI公司招聘的一些要求，对着这些要求去准备，不断去试错。
我觉得现在这个行业还是一个人才稀缺的阶段，转的话不难，但是重要的是你要选一个比较靠谱的公司，因为有些公司可能不太靠谱，扛不住。
整个市场上的AI培训班很多都是挂羊头卖狗肉，他们所谓的AI培训。无非是告诉你python就等于AI。
我们群里的很多大佬都知道python就是一个普通的编程语言，只是这门语言在数据处理这方面有一些独特的优势，但是python跟AI关系不是特别大。
如果你想转成AI产品经理去报培训班大概率就是被人家忽悠两万块钱，去学了很多python的东西。但是这个东西在你的工作中，或者在未来AI产品经理的工作中是一点用都没有。
Q5：AI领域最好的是几大互联网公司吗？
A5：这个问题得正反两面看。几大互联网公司的优势是它的资金、人才、资源、数据。但是它本身也有局限。
最大的局限就是，你去听这几大互联网公司的大佬的演讲，基本上都还是基于现有的线上业务。
同时另外一个比较大的问题是，这些公司并不All-In，会有很多大公司病。比如就我们知道的，跟我们竞争做推荐业务的有很多BAT里边的小团队，最后都因为各种内耗，把自己的业务给耗死了。
并不是说他们人员不优秀，资金数据没有优势，而是创新者的窘境。大公司会存在大公司的问题，没法All-In，有很多管理上的问题，可能导致它不能在最后胜出。
创业公司有创业公司的优势，它可以找着一点儿，精准地打击，投入大量资源打通一个点儿。
创业公司也有它的坑，比如人员、资金、数据等很多方面都不具备大公司的这方面的优势，可能也会走很多弯路。
但是小公司的优势就是快，它可以瞅准一个点儿打。
比如目前在安防领域比较成熟的Face++和商汤，在人脸这方面的数据积累，要比BAT要强大很多。BAT虽然盘子大，但是在这个细分的领域是完全干不过这两家公司的。
Q6：AI 可以大体分为图像语音处理和深度学习这两块吗？
A6：AI技术可以分为浅层学习和深度学习。
图像识别和语音识别其实是目前深度学习应用得比较见效的两个领域，它们本身并不是一个并列的关系，而是图像和语音处理，在用了深度学习之后，有了明显的效果，有了长足的进步。
Q7：startup公司数据是最关键的吧，一般行业有什么途径获取数据吗？比如新作医疗诊断或者辅助教育。
A7：确实AI公司的命门就在于没有数据，空有技术，尤其对于深度学习。如果没有数据，你技术再厉害，整件事也是没法做的。
目前整个行业里，要么是自己通过外包这样的方式来拿你的数据，给你做模型；要么就是通过投资的方式，深度战略绑定的合作，你提供给我数据，我提供给你服务，同时还辐射整个行业。
医疗诊断和辅助教育，一些互联网公司可能就自己做了。医疗诊断，因为很多医疗数据都是在医院里或者在一些医疗机构，一般都是通过合作授权，来拿到数据做的。
还有比如金融领域的一些风控、反欺诈的数据，是在市场上可以买到的。一般活数据要比死数据的价值要高很多。
Q8：请问AI在制造业领域，主要可以体现在哪里？
A8：首先需要了解一个背景。目前AI应用分为三种层次：
- 既有数据也是AI应用，比较成熟的领域或者行业，比如互联网、运营商和金融。 既是信息化程度高，有大量的数据，又有足够的技术能力自己做或者是请外部的团队来做的。
- 信息化程度比较高，但是之前没AI应用的领域，比如安防。 虽然积累了大量的摄像数据、视频的监控数据，但之前都没有做处理，可能很多犯人在摄像头前走过了，也识别不出来。
- 信息化程度不高，AI应用也不成熟的领域，比如制造业。 目前主要主流的AI公司一般都不会或者是不太敢碰这样的一个领域。因为首先需要投入大量的成本去解决解决信息化的问题，其次才是AI应用的问题。 成本、周期和最后收益的不确定性非常大，所以目前我们还得持续的观察 当然也有一些应用，比如工业上的残次品和正品的检验识别，就是AI典型的应用案例。之前可能都是需要人或者一些其他手段，但是其实这个最适合目前弱人工智能中识别和预测的能力。
Q9：数据打标（Tagging）是不是外包的居多？
A9：数据打标一般分为三种情况：
- 通过招廉价的实习生来做数据打标，或者是一些做内容行业的招编辑做打标。
- 很多数据打标公司都是在三四线，领着比较低廉的工资，在给机器学习和深度学习做对数据的事。
- 可能是未来的一种新模式：通过众包给数据打标。但是目前来说这还不是一个特别主流的方法。 众包就是，我在网上发布这个活儿，也标出标价，谁有时间谁就干，没有明确的这种雇佣关系。 滴滴的快车、专车和顺风车，都是一种众包模式来解决交通的供需不平衡的问题。
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。
我已将重要的AI大模型资料包括市面上AI产品经理入门手册、AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。
一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。
二、AI产品经理入门手册
三、AI大模型视频教程
四、AI大模型各大学习书籍
五、AI大模型各大场景实战案例
六、结束语
学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。
再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。
因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。
