白癜风治疗的好吗 http://m.39.net/pf/a_4793212.html近日，由人人都是产品经理与腾讯大讲堂联合主办的中国产品经理大会深圳站完美落幕，科大讯飞华南研究院执行院长、讯飞易听说总经理刘舒做了“AI+时代，产品经理能力模型”的主题分享，并引发探讨：整个AI行业的产品经理从业者，应该具备哪些能力模型？enjoy~
本文为中国产品经理大会深圳站嘉宾分享整理总结
未经许可，禁止转载。谢谢合作
————/BEGIN/————
分享嘉宾：讯飞易听说总经理刘舒
以下内容为嘉宾分享实录，由人人都是产品经理社区
Daisy依据嘉宾分享内容整理，编辑有修改：
16年我曾提到，互联网时代的“流量暴利”已经消失了，所以当时提出了“互联网+行业”这个命题。
回顾一下这两年多的发展，我们可以看到这样的命题实际上是成立的。
最近两年多，那种因暴利连接的产品其实已经是消失，取而代之的是垂直细分行业里生根的一些企业。其中，我们最重要的是要对行业知识进行一些理解，从而提升它的效率。
而人工智能就是在“互联网+行业”的过程中引发出来的新一轮革命。
到了年，人工智能实际上已融入到了我们生活中的方方面面。
所以，今天我也是希望结合这两年多的一些从业案例，以及对人工智能的一些思考，在此跟大家做一个主题分享《“AI+”时代，产品经理能力模型》，主要分为三个部分：
AI时代的来临AI的前世今生AI产品经理的三大能力模型
一、AI时代的来临
1.从国家层面上来看
无论是美国，还是中国和欧盟，都陆续发布了有关人工智能的国家战略；对于互联网来说，这是一个很重要的事件：
年7月20号，国务院发布了新一代人工智能的发展规划，这是国务院首次以行*规划的方式发布产业发展规划。
从这一点上可以看出：中国正在以举国之力抢战AI的制高点。
2.从行业层面上看
大家可以看到：无论从国家还是从行业的层面上，AI都已经到来。
无论是麦肯锡，还是科学杂志、德勤，以及埃森哲的一些报告，大家都纷纷预言：人工智能在未来会更多地取代人类现有的一些工作，并且使得人类社会的生产效率变得更高。
对此，大家也感到了一些担忧，比如就业率会进一步地下跌——或者说失业率会进一步地上涨。
3.从生活层面上看
AI并不仅仅停留在国家层面和行业层面，也融入到了我们生活中的方方面面。
从上图我们可以看到，AI现在确实很火。
而对于想要从事AI的产品经理来说，该抓哪些重点呢？
首先要了解AI技术的发展演进历程，包括它的一些技术原理和技术边界；只有这样，我们才能更好地去设计产品。
所以，我们先看下AI的前世今生。
二、AI的前世今生
AI其实并不是这两年才出现的，它很早就诞生了，但是为什么到这两年它才开始火起来呢？
1.AI的诞生与AI的成长
在年Dartmouth会议上，当时四个图灵奖的得主聚集在一起提出了十大问题，标志着AI行业的诞生：
自此之后，AI一共经历了三次浪潮：
70年代和90年代，由于算法结构及当时的计算能力因素，在当时行业的应用上、效果上，都没有达到一个很有效的效果，所以前两次浪潮都是潮起潮落。
随着这个深度学习的出现，历史上的一些问题得以被解决，且取得了超前的好成绩。比如语音识别、图像识别等，都比传统算法有更好的实用效果。因此，我们遇到的AI才变得实用，从而带到生活中。
所以，我们认为这一次是人工智能真正到了爆发的时候。
那么，什么是深度学习？
接下来，我就会用一些简单直观的例子，对深度学习做一个详细分解：
首先，深度神经网络本质上是一个分类器，它是模仿人的感知过程。
如上图，这是一个简单的深度神经网络。从左往右看，整个深度神经网络是一个函数（F就是一个函数），左侧的“1”和“-1”，我们称为输入的特征或者输入的向量；右侧的“0.62”和“0.83”，我们称之为它输出的一个结果。
在这个案例当中，“0.62”和“0.83”实际上是属于不同分类的概率——相当于图像识别中的“这个是男人还是女人？”。
那么，证明他是男人的概率为0.62，她是女人的概率为0.83。
所以，深度神经网络就是：每一个输入经过深度神经网络的运算后，最后得到它在不同分类的概率；而它的本质就是输入一个特征向量，即“1”和“-1”。
换言之，通过深度网络的逐层运算，最终得到该向量属于不同类别的概率。
至于如何定义这个类别？
比如语音识别：属于哪个中文字？属于哪个发音？这些都是分类；
比如人脸识别：是男是女？他年纪多大？这些都是分类；
比如自动评测：它得多少分？他得分还是得0分？这也属于分类。
所以实际上，深度神经网络的核心就是解决一个分类的问题。
那么下面我们怎么来使用这个深度神经网络？
它一般分为三步走：
操作步骤1：准备标注数据
第一步，我们称之为叫标注数据。
刚才这个神经网络当中，进行逐层计算的时候，中间都有很多参数，那么这个参数是怎么得到的？
举一个数字识别的例子：假设我要识别一个图像，它里面写了0~9这十个数字。如果这个图片的像素点上有值，我就认为它是“1”；如果没有颜色，白色就认为它是“0”。
这样一来，我就把一个图像变成了一个向量——比如它是16×16，那么就是X1到X。
我会事先准备一些数据，再交给机器去学习，我会事先选出标准“2”。
拿出来后，我告诉这个机器，它的输出是什么呢？
比如说我准备的标准是“1”，它的输出属于“1”的概率是%；那么它属于其他数字，比如说等，它的这个概率为0，它不可能是其他的数字——所以我会准备大量的数据。
操作步骤2：训练网格
准备完这个数据以后，我就拿进去，我们称之为“训练”，即“训练”这个网格。
我们准备了大量的手写体“1”的各种变形、“2”的各种变形、“0”的各种变形……这些是图像，每一张图像我们都把它转化成向量（特征），然后把特征输到这个网络里面（右侧为输入）；输出我也是跟机器讲好了，比如说第一排的这个数字，无论他怎么写，最后我认为它都是“1”，属于“1”的概率是%，属于其他数字概率是0；第二行，所有的这种手写的方式，我认为它都是“2”——相当于把这样的输入和输出，明确地告诉机器，去训练这个网格。
在训练的过程中，需要的训练数据集是非常之大的。
比如在语音识别中，要大量的标注人员准备差不多10^11这么多的语料。而要解决某一个问题，比如说语音识别，要这么多的数据量；解决肺部结节的图像自动诊断，又需要这么多的数据量……每一个领域都需要这么大数据量，要提前输入到计算机里面，然后训练好这个网格——所以在做AI的时候，这个成本是巨大的。
操作步骤3：使用网格
训练好以后就很简单了，这个网格就可以叫人工智能，就可以拿来用。
如上图，这个时候我再拿一个图片进来（事先不知道是几），我把它的特征抽出来后，用这个网格一算，最后得出：
属于“1”的概率是0.01（几乎不可能）；
属于“2”的概率算出来是0.99（可能性很大）；
属于“0”的概率是0.01（几乎不可能）。
这样逐层算下来后，最后我们认为这张图片就是“2”——实际上，这个网格就可以解决数字识别的问题。
以上就是关于深度神经网络的一个简单直观说明。
2.AI的现状
如上图，我们可以看到整个AI发展的三个阶段：
第一个阶段：计算智能。大数据和云计算技术的出现，使得计算智能机器已经远远超过人类，比如说AlphaGo；
第二个阶段：感知智能。由于深度学习的出现后，人工智能目前已经在大部分的领域能媲美，甚至超过了人类；比如在语音识别、图像识别等领域。
第二个阶段：认知智能。这是最重要的一个阶段，认知智能就是人区别于万物最核心的一个点，比如动物也是有感知的，也能分辨这个是不是能吃的，也能做一些简单的分类。
那么，这三者的区别在哪？
我们实际上认为：人类区别于动物最重要的是想象。
什么叫想象？就是人类能创造一些根本不存在的东西。
比如：
什么叫胜利？什么叫失败？什么叫沮丧？什么叫神明？
这些概念实际上是人创造出来的——通过这种想象出来的概念去凝聚人类，共同去完成一个目标。
目前这个人工智能还没找到有效的一些模型；因为目前整个人工智能的发展，更多的是技术在人们已有的一些计算框架下，通过一些仿真学的一些方式，然后让它的效率变得更高。
因此，我们认为：目前人工智能的发展还处于前两个阶段，即计算智能和感知智能阶段——已经媲美，甚至是超越人类，但在认知领域是有待突破的。
最近这两三年，感知智能在深度神经网络出现以后，取得了飞跃式的发展。
那么在感知智能的应用上，目前已经在哪些领域里面已经非常实用了？
如下图：
我们简单地分析了算法的机理，下面我就会结合它的一些特征，然后继续分享：在这样的一个技术框架下，我们产品经理应该具备哪些能力，才能够区别于互联网的产品经理，从而在AI这个领域取得更好的一些成果？
三、AI产品经理的三大能力模型
基于AI的一些特有性，我们来分享一下关于AI产品经理的三大能力模型：
能力1：对AI技术边界的认知
第一个能力模型很重要，AI产品经理一定要对AI的技术边界要有很强的认知——因为你对所在行业技术边界的认知，直接决定了你设计产品的应用场景。
如果你对AI技术的认知深度不够高，那么你设计出来的产品要么没人用，要么就累死开发——所以AI技术是一个很重要的特征，这是基于概率体系。
也就是说，所有的输入和输出不是一个确定性的结果。
比如我一个手写的“2”，对于一般的人理解，这个肯定是“2”；但是对于计算机，对AI引擎来说，它输出的是概率，如：
输出属于“2”的概率是多少？输出属于“1”的概率是多少？输出属于“0”的概率是多少？
而且有些时候还会犯错——最后输出的结果，可能属于“1”的概率比属于“2”的概率还大。
这个颠覆了我们原来传统做软件、做互联网的思维。
举个例子：
在语音识别这个领域，我们的识别准确率在过去十多年是低于95%的。这时候，我能用这个概率去作会议记录吗？
这个是不行的——个字里面错5个字，甚至可能有些关键字都错了，这个东西不实用。
但是在哪些地方能用呢？比如说K歌的评分，辅助的文字输入——这种偏娱乐性，对准确率要求不高的一些场景下面，我们就可以使用。
再举一个大家耳熟能详的例子：
在图像识别领域，前两年特别火的是什么？猜年龄，或者看你长得像哪个明星？——为什么当时这类型应用特别火？因为当时的图像识别准确率比较低，比如说是低于95%；在这种技术边界下，我们只能做一些娱乐型的设计。
最近两年的发展，在一些特定场景下，我们的准确率能提高到95%以上，甚至是99%。这项人工智能技术，由于它的边界前移了，往后也提升了，所以使得它的应用场景就变得更加宽阔了。
比如现在的安防身份认证，包括用
