AI產(chǎn)品的爆火，讓不少人都希望做AI產(chǎn)品經(jīng)理。但不是那么容易的，光是AI領(lǐng)域的這些基礎(chǔ)名詞，你知道多少呢？

DeepSeek實現(xiàn)信息整合和建議輸出，Manus則直接具備獨立完成復(fù)雜任務(wù)的閉環(huán)執(zhí)行能力，從DeepSeek到Manus爆火，前后不足2個月，技術(shù)更新的很快。AI成為標配，產(chǎn)品經(jīng)理也要持續(xù)更新迭代，在不確定的時代始終給自己一份確定感。

進化指南系列從AI基礎(chǔ)入門、應(yīng)用實踐、場景挖掘三個方面通俗易懂地記錄、分享AI學(xué)習(xí)與實踐。

基礎(chǔ)入門部門，系統(tǒng)地梳理大模型和AI基礎(chǔ)知識，建立AI領(lǐng)域的基礎(chǔ)語言，理解現(xiàn)有大模型的能力范圍和邊界，知道大模型能做哪些事情，不能做哪些事情。

AI產(chǎn)品、AI企業(yè)、AI產(chǎn)品經(jīng)理

人工智能產(chǎn)品=數(shù)據(jù)+算法+算力

如果把人工智能產(chǎn)品比如剛剛開始學(xué)習(xí)的小孩，數(shù)據(jù)就是學(xué)習(xí)用的 “課本” 和 “資料”，數(shù)據(jù)越多學(xué)習(xí)的素材就越多；算法是學(xué)習(xí)的方法，不同的算法就像不同的學(xué)習(xí)方法，有的方法可能學(xué)習(xí)得又快又準，有的可能就會慢一些或者容易出錯；算力：相當(dāng)于 “大腦運轉(zhuǎn)速度”，算力強就算的快，算力弱就有可能卡頓或處理不過來。

AI企業(yè)

分為基礎(chǔ)層企業(yè)、技術(shù)層企業(yè)、應(yīng)用層企業(yè)

AI=基礎(chǔ)層：做AI核心技術(shù)的公司，比如提供AI算法模型的Deepseek，提供算法芯片的英偉達

AI+=技術(shù)層：對于基礎(chǔ)AI能力進行包裝和優(yōu)化，輸出通用方案的公司，比如計算機視覺、語音識別及語義處理

+AI=應(yīng)用層：結(jié)合人工智能技術(shù)進行業(yè)務(wù)賦能，直接解決業(yè)務(wù)場景問題的公司，金融+AI、工業(yè)+AI、能源+AI等等。

AI產(chǎn)品經(jīng)理

把AI技術(shù)包裝為新產(chǎn)品或融入舊產(chǎn)品，用新方法解決用戶需求的人。

在這樣的要求下，就需要產(chǎn)品經(jīng)理了解AI技術(shù)原理，能夠進行解釋說明，理解現(xiàn)有AI的能力范圍和邊界，知道AI能做哪些事情，不能做哪些事情。

經(jīng)典算法模型

CNN 算法（卷積神經(jīng)網(wǎng)絡(luò)）

【原理】

可以把 CNN 算法想象成一個專業(yè)的圖像檢查員。當(dāng)你拿到一張復(fù)雜的大圖片時，要從中找出關(guān)鍵信息是很困難的。CNN 就像檢查員一樣，它不會一下子看完整張圖片，而是把圖片劃分成一個個小區(qū)域，使用特定的 “小窗口”（卷積核）在這些小區(qū)域上滑動查看。

這個 “小窗口” 會檢查每個小區(qū)域的特征，比如邊緣、顏色變化等。每檢查完一個小區(qū)域，就會輸出一個表示該區(qū)域特征的數(shù)值。隨著 “小窗口” 在整個圖片上滑動，就能得到很多這樣的數(shù)值，這些數(shù)值組成了一個新的 “特征圖”。

CNN 會使用多個不同的 “小窗口”，得到多個不同的特征圖，每個特征圖關(guān)注圖片的不同方面。之后，它會對這些特征圖進行處理，比如通過池化操作減少數(shù)據(jù)量，保留重要信息。最后，把處理后的特征輸入到全連接層，就像做總結(jié)一樣，根據(jù)這些特征判斷圖片的類別。

【應(yīng)用場景】

圖像識別：在安防領(lǐng)域，用于識別監(jiān)控畫面中的人臉、車輛型號等；在醫(yī)療領(lǐng)域，幫助醫(yī)生識別 X 光、CT 等影像中的病變。

自動駕駛：識別道路上的交通標志、行人、其他車輛等，為自動駕駛決策提供依據(jù)。

RNN 算法（循環(huán)神經(jīng)網(wǎng)絡(luò)）

【原理】

RNN 就像是一個有 “記憶” 的智能助手，專門處理和時間序列相關(guān)的數(shù)據(jù)。當(dāng)你給它輸入一系列數(shù)據(jù)時，它不僅僅關(guān)注當(dāng)前輸入的數(shù)據(jù)，還會記住之前輸入的數(shù)據(jù)信息。

比如，當(dāng)你輸入一段文字時，RNN 會依次處理每個單詞。在處理當(dāng)前單詞時，它會結(jié)合之前處理過的單詞信息來理解句子的意思。這是因為 RNN 有一個循環(huán)結(jié)構(gòu)，它會把上一個時間步的輸出作為當(dāng)前時間步的一部分輸入，這樣就可以保留歷史信息。

不過，傳統(tǒng)的 RNN 存在 “長時依賴” 問題，也就是很難記住很久之前的信息。后來出現(xiàn)了 LSTM（長短期記憶網(wǎng)絡(luò)）和 GRU（門控循環(huán)單元）等改進版本，它們能更好地控制信息的記憶和遺忘，解決了長時依賴問題。

【應(yīng)用場景】

自然語言處理：用于機器翻譯，將一種語言的句子逐詞處理并結(jié)合上下文信息，翻譯成另一種語言；文本生成，如寫新聞稿、詩歌等，根據(jù)前文內(nèi)容生成后續(xù)的文本。

語音識別：識別連續(xù)的語音信號，結(jié)合之前聽到的語音片段來準確識別整個句子的內(nèi)容。

GAN 算法（生成對抗網(wǎng)絡(luò)）

【原理】

GAN 算法由兩個 “對手” 組成，一個是生成器，另一個是判別器，它們就像兩個在進行比賽的選手。

生成器的任務(wù)是生成數(shù)據(jù)，比如生成圖像、文本等。一開始，生成器生成的數(shù)據(jù)質(zhì)量很差，很容易被識別出來是假的。判別器的任務(wù)是判斷輸入的數(shù)據(jù)是真實數(shù)據(jù)還是生成器生成的假數(shù)據(jù)。

生成器會不斷學(xué)習(xí)，嘗試生成更逼真的數(shù)據(jù)來騙過判別器；而判別器也會不斷提高自己的判斷能力，準確區(qū)分真假數(shù)據(jù)。在這個對抗的過程中，生成器和判別器的能力都不斷提升，最終生成器能夠生成非常逼真的數(shù)據(jù)。

【應(yīng)用場景】

圖像生成：生成逼真的人臉、風(fēng)景等圖像，在游戲開發(fā)、影視制作中用于創(chuàng)建虛擬場景和角色。

數(shù)據(jù)增強：在訓(xùn)練機器學(xué)習(xí)模型時，通過 GAN 生成更多的訓(xùn)練數(shù)據(jù)，提高模型的泛化能力和性能。例如，在醫(yī)學(xué)圖像領(lǐng)域，生成更多的病理圖像用于訓(xùn)練疾病診斷模型。

決策式AI和生成式AI

決策式 AI

【原理】

建立一個樣本歸屬于特定類別的概率，再對新的場景進行判斷、分析和預(yù)測。決策式 AI先學(xué)習(xí)大量已有的數(shù)據(jù)和規(guī)則，當(dāng)遇到新的問題或情況時，它就會把當(dāng)前的信息和自己學(xué)到的知識進行對比分析，按照一定的算法和邏輯，衡量各種可能的行動方案，最后選出它認為最合適的決策，就好像參謀根據(jù)戰(zhàn)場形勢和以往經(jīng)驗給出作戰(zhàn)策略一樣。

【應(yīng)用場景】

交通信號控制：根據(jù)實時的車流量、行人數(shù)量等數(shù)據(jù)，決策式 AI 決定什么時候該亮紅燈、綠燈，以優(yōu)化交通流量，減少擁堵。

人臉識別，決策式AI對實時獲取的人臉圖像進行特征信息提取，再與人臉庫中的特征數(shù)據(jù)匹配，從而實現(xiàn)人臉識別。

決策式AI可以通過學(xué)習(xí)電商平臺上海量用戶的消費行為數(shù)據(jù)，制訂最合適的推薦方案，盡可能提升平臺交易量。

生成式 AI

【原理】

生成式 AI 同樣會學(xué)習(xí)大量已有的數(shù)據(jù)，比如很多的圖片、文字、音頻等。但它不是簡單地根據(jù)規(guī)則做決策，而是在學(xué)習(xí)這些數(shù)據(jù)的模式和規(guī)律后，發(fā)揮 “想象力”，按照這些學(xué)到的模式來創(chuàng)造全新的內(nèi)容，像生成一幅畫、寫一篇文章、創(chuàng)作一段音樂等，生成的內(nèi)容看起來就像是人類創(chuàng)作的一樣。

【應(yīng)用場景】

現(xiàn)在比較火熱的 ChatGPT、Deepseek等大型語言模型這些都是生成式AI，可以生成生成文字、圖片、視頻等等。

這里推薦大家去看丁磊的《生成式人工智能》這本書，對生成式AI介紹很透徹。

常用AI算法

語音識別

【原理】

它先學(xué)習(xí)大量的語音樣本，記住不同語音對應(yīng)的文字內(nèi)容。當(dāng)接收到新的語音時，就把這個語音和它學(xué)過的樣本進行比對，找出最匹配的文字內(nèi)容。

【應(yīng)用場景】

智能音箱如小愛同學(xué)、天貓精靈，用戶可以通過語音讓它播放音樂、查詢天氣等；汽車的語音控制系統(tǒng)，讓駕駛員通過語音操作導(dǎo)航、調(diào)節(jié)空調(diào)等。

虛擬現(xiàn)實（VR）和增強現(xiàn)實（AR）

【原理】

VR 是打造一個完全虛擬的世界，設(shè)備會根據(jù)人的動作和視角變化，實時調(diào)整虛擬場景的顯示，讓人感覺自己真的身處這個虛擬世界中。AR 則是把虛擬的信息疊加到現(xiàn)實場景中，通過攝像頭捕捉現(xiàn)實畫面，然后將虛擬元素融入其中展示給用戶。

【應(yīng)用場景】

VR 常用于游戲，讓玩家有沉浸式的游戲體驗；也用于一些培訓(xùn)場景，如飛行員模擬訓(xùn)練。AR 在教育領(lǐng)域，可以讓學(xué)生通過手機或平板看到書本上的虛擬立體模型；在導(dǎo)航中，能將路線信息疊加在現(xiàn)實道路畫面上。

深度學(xué)習(xí)

【原理】

可以想象成一個有很多層的知識大廈，深度學(xué)習(xí)通過構(gòu)建多層的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)數(shù)據(jù)。它結(jié)合了有監(jiān)督和半監(jiān)督學(xué)習(xí)，在學(xué)習(xí)過程中，數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)的各層之間傳遞和處理，每一層都會提取出不同層次和抽象程度的特征，最終實現(xiàn)對數(shù)據(jù)的深度理解和分析。

【應(yīng)用場景】

人臉識別，用于門禁系統(tǒng)、安防監(jiān)控；工業(yè)生產(chǎn)中的產(chǎn)品質(zhì)量檢測，通過識別產(chǎn)品外觀缺陷來保證產(chǎn)品質(zhì)量。

針對 AI 優(yōu)化的硬件和芯片（如攝像頭）

【原理】

這些硬件和芯片是專門為了讓 AI 運行得更快、更高效而設(shè)計的。以攝像頭為例，它要快速、準確地捕捉圖像或視頻數(shù)據(jù)，并且要能和 AI 算法很好地配合，把數(shù)據(jù)高效地傳輸給 AI 系統(tǒng)進行處理。

【應(yīng)用場景】

安防監(jiān)控攝像頭，配合人臉識別、行為分析等 AI 算法，實時監(jiān)控公共場所的安全情況；智能手機攝像頭，利用 AI 算法實現(xiàn)拍照美化、場景識別等功能。

生物特征識別技術(shù)

【原理】

就像給每個人設(shè)置了一個獨一無二的 “密碼鎖”。系統(tǒng)先學(xué)習(xí)每個人的生物特征（如指紋的紋路、面部的特征點、虹膜的圖案等），把這些特征轉(zhuǎn)化為數(shù)字代碼存儲起來。當(dāng)有人進行身份驗證時，系統(tǒng)會采集當(dāng)前的生物特征，和存儲的代碼進行比對，如果匹配就驗證通過。

【應(yīng)用場景】

家用指紋鎖，保障家庭安全；機場、高鐵站的人臉識別閘機，加快旅客通關(guān)速度。

機器人流程自動化（RPA）

【原理】

用戶輸入具體的業(yè)務(wù)需求和規(guī)則，RPA 會按照這些規(guī)則自動執(zhí)行一系列的操作，就像人在電腦上進行的各種操作一樣，如數(shù)據(jù)錄入、文件處理、報表生成等，從而節(jié)省人力和時間。

【應(yīng)用場景】

金融行業(yè)的銀行賬戶對賬、保險理賠處理；企業(yè)的財務(wù)報銷流程自動化。

自然語言處理（NLP）

【原理】

通過對大量文本數(shù)據(jù)的學(xué)習(xí)，分析語言的語法、語義和語用等信息?？梢愿兄h(huán)境數(shù)據(jù)（如新聞報道中的事件信息）、行為數(shù)據(jù)（如用戶在社交媒體上的發(fā)言），進行情感分析（判斷文本是積極、消極還是中性情感），還能識別人的身份（通過對話內(nèi)容中的特征），結(jié)合智能穿戴設(shè)備收集的數(shù)據(jù)來分析人的精神狀態(tài)。

【應(yīng)用場景】

智能客服，自動回答客戶的問題；輿情監(jiān)測，分析社交媒體上公眾對某個事件或品牌的看法和情感傾向。

知識圖譜

【原理】

一個大型的知識倉庫，把以前儲備的各種問題和對應(yīng)的解決方法整理成一個數(shù)據(jù)庫，并且梳理出它們之間的關(guān)系。當(dāng)遇到類似的問題時，就可以快速在這個倉庫里找到相關(guān)的信息和解決辦法，并推薦給用戶。

【應(yīng)用場景】

電商平臺的客服機器人，如淘寶小蜜，當(dāng)用戶咨詢商品問題時，它能快速找到類似問題的答案進行回復(fù)；智能搜索，在搜索某個主題時，能展示相關(guān)的知識和關(guān)聯(lián)信息。