隨著AI技術(shù)的快速發(fā)展，越來(lái)越多的產(chǎn)品經(jīng)理開(kāi)始思考如何轉(zhuǎn)型為AI產(chǎn)品經(jīng)理。然而，AI思維與傳統(tǒng)的產(chǎn)品思維和用戶思維有何不同？如何從數(shù)據(jù)出發(fā)，構(gòu)建以提升生產(chǎn)力為目標(biāo)的產(chǎn)品設(shè)計(jì)邏輯？本文從赫布理論出發(fā)，深入探討了用戶思維、產(chǎn)品思維與AI思維的異同，并詳細(xì)解讀了AI思維的四大要素：大數(shù)據(jù)、模型、算力和業(yè)務(wù)模式。

近期圍繞“如何轉(zhuǎn)型AI產(chǎn)品經(jīng)理”的話題，提前進(jìn)行了一些準(zhǔn)備工作，但有一個(gè)問(wèn)題，始終繞不過(guò)去。

什么是AI思維？它與產(chǎn)品思維、用戶思維有何異同之處？

什么是AI思維？

無(wú)論用戶思維、產(chǎn)品思維，或是AI思維，都屬于思維，而不同崗位/角色的差異起點(diǎn)就是思維方式。

所以，今天分享“如何轉(zhuǎn)型AI產(chǎn)品經(jīng)理”的思維篇，從思維的角度，探索不同思維方式的異同點(diǎn)。

01 赫布理論：人腦的學(xué)習(xí)機(jī)制

咱們討論之前，先簡(jiǎn)單學(xué)習(xí)一下赫布理論——無(wú)論是用戶思維、產(chǎn)品思維，還是AI思維，基礎(chǔ)都是赫布理論的學(xué)習(xí)機(jī)制。

赫布理論（Hebbian Theory）是由加拿大心理學(xué)家唐納德·赫布（Donald Hebb）于1949年首次提出的神經(jīng)科學(xué)理論，主要描述了突觸可塑性的基本機(jī)制。

赫布理論表明：人類(lèi)大腦中有多個(gè)神經(jīng)元，當(dāng)一個(gè)神經(jīng)元（前突觸細(xì)胞）持續(xù)或重復(fù)刺激另一個(gè)神經(jīng)元（后突觸細(xì)胞）時(shí)，兩個(gè)神經(jīng)元之間的傳遞效能增加，形成一個(gè)細(xì)胞回路，大腦就會(huì)記住這兩個(gè)事物之間的聯(lián)系。

比如當(dāng)你聽(tīng)見(jiàn)《婚禮進(jìn)行曲》時(shí)，你就會(huì)想到自己活某個(gè)朋友的婚禮；

當(dāng)你聽(tīng)見(jiàn)“可樂(lè)”時(shí)，你就會(huì)想到“可口可樂(lè)”；

當(dāng)你看到一個(gè)理論時(shí)（比如赫布理論/牛頓力學(xué)等），你就會(huì)想起它背后所表達(dá)的意思以及理論提出者（前提是你經(jīng)過(guò)持續(xù)或重復(fù)的相關(guān)刺激）。

這種機(jī)制就是“赫布學(xué)習(xí)”機(jī)制，它是人腦的學(xué)習(xí)機(jī)制，也是現(xiàn)在AI領(lǐng)域的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制。

用戶思維 VS 產(chǎn)品思維 VS AI思維

用戶思維是以問(wèn)題為核心的思考方式，它是一種感性思維。

人們是從經(jīng)驗(yàn)中受到刺激時(shí)，人腦就會(huì)像赫布理論一樣，學(xué)習(xí)到相關(guān)事物之間的聯(lián)系，形成自己的認(rèn)知或偏好——甚至是規(guī)律（如果它足夠正確且通用的話）。

經(jīng)驗(yàn)會(huì)改變?nèi)四X的回路，當(dāng)下次遇到新問(wèn)題時(shí)，人們就通過(guò)所形成的認(rèn)知/偏好等，快速分類(lèi)問(wèn)題，甚至做出判斷。

比如每當(dāng)電梯即將關(guān)門(mén)時(shí)，習(xí)慣了國(guó)內(nèi)的電梯設(shè)計(jì)，你會(huì)下意識(shí)伸手或腿阻攔，它會(huì)立即關(guān)門(mén)，但如果出國(guó)后，某些電梯設(shè)計(jì)時(shí)不遵循此規(guī)則，可能就會(huì)將你夾傷。

或者，你習(xí)慣了A系統(tǒng)的使用，它可以記憶你每次的導(dǎo)出模版，而換到B系統(tǒng)后，導(dǎo)出無(wú)記憶，需要你每次都自行選擇模板，你就會(huì)非常惱火。

這就是用戶思維的特點(diǎn)——以問(wèn)題為原點(diǎn)，結(jié)合經(jīng)驗(yàn)所形成的認(rèn)知或偏好后，遇到新問(wèn)題時(shí)會(huì)以此進(jìn)行判斷與決策。

我們?cè)賮?lái)看產(chǎn)品思維。

產(chǎn)品思維是以實(shí)現(xiàn)為核心的思考方式，它是一種（相對(duì)）理性思維。它是以消除信息不對(duì)稱問(wèn)題，提升信息傳遞效率為目標(biāo)進(jìn)行產(chǎn)品設(shè)計(jì)。

比如QQ/微信提升信息傳遞效率，解決遠(yuǎn)距離實(shí)時(shí)交流溝通的問(wèn)題；淘寶/京東等提升商品信息的傳遞效率，打通商品流轉(zhuǎn)的所有中間環(huán)節(jié)，降低雙方的成本等。

但它的基礎(chǔ)也是赫布學(xué)習(xí)理論，與用戶思維的差異點(diǎn)是它在保留認(rèn)知/偏好的基礎(chǔ)之上，提升至方法論的程度，確保它更具有通用性。

比如用戶跟你提需求說(shuō)：“你們系統(tǒng)都是月度報(bào)表，而沒(méi)有周報(bào)以及每日工時(shí)情況，這個(gè)需求提了很久，你們什么時(shí)候做？”

你會(huì)基于方法論——需求是1，方案是0——先弄清楚用戶的需求背景與訴求，再思考解決方案；

你也會(huì)基于經(jīng)驗(yàn)——用戶提的是解決方案，而不是需求。它的需求是否可規(guī)則化或系統(tǒng)化——比如如何劃分每周，每日工時(shí)是否有計(jì)算公式？

當(dāng)了解清楚需求與規(guī)則后，你還需要考慮投入產(chǎn)出比與優(yōu)先級(jí)，最終進(jìn)行決策。

它跟用戶思維的最大差異就出來(lái)了——用戶思維是問(wèn)題思維（即它是問(wèn)題，且符合認(rèn)知/偏好，就需要解決）；產(chǎn)品思維是實(shí)現(xiàn)思維（即需求合理，可規(guī)則化，優(yōu)先級(jí)高，投入產(chǎn)出合理。當(dāng)問(wèn)題一一符合時(shí)，才需要解決）。

最后，我們來(lái)看AI思維。

用戶思維與產(chǎn)品思維的起點(diǎn)，都是基于過(guò)往經(jīng)驗(yàn)，通過(guò)所經(jīng)歷的事情形成事物之間的關(guān)聯(lián)關(guān)系。

但有人估計(jì)過(guò)，人腦通過(guò)神經(jīng)元來(lái)激活閱讀理解的信息速度是每天1MB左右，而產(chǎn)生的信息速度卻是每天2.5EB。換句話說(shuō)，每天所產(chǎn)生的信息是你大腦所能處理信息的的2500億倍。

當(dāng)你看到這個(gè)數(shù)據(jù)差之后，可能就理解了人腦的局限，而這種局限性卻是AI的能力所在。

AI思維是以數(shù)據(jù)為核心，以提升生產(chǎn)力為目標(biāo)進(jìn)行產(chǎn)品設(shè)計(jì)。

它是一種（絕對(duì)）理性思維——它甚至不關(guān)心事物的因果關(guān)系，而更在意的是關(guān)聯(lián)關(guān)系。

比如淘寶、京東等電商平臺(tái)的首頁(yè)推薦產(chǎn)品，早先是由專(zhuān)業(yè)的運(yùn)營(yíng)人員，決策哪些選品或活動(dòng)更能受到用戶的喜愛(ài)，隨著用戶規(guī)模的激增以及用戶的多樣化后，再專(zhuān)業(yè)的運(yùn)營(yíng)人員，也無(wú)法精準(zhǔn)預(yù)測(cè)每個(gè)用戶的喜好——產(chǎn)品思維失效，而AI思維開(kāi)始發(fā)揮價(jià)值。

因?yàn)楫a(chǎn)品思維是基于方法論判斷一個(gè)（或多個(gè)）需求的合理性，卻無(wú)法判斷海量用戶的需求差異和合理性，以及可能陷入盲目跟進(jìn)競(jìng)品的羊群效應(yīng)之中——羊群中一旦有一只羊先行，其他羊就會(huì)不假思索地跟進(jìn)。

比如送外賣(mài)，如果僅考慮一個(gè)外賣(mài)員配送指定數(shù)量的外賣(mài)（如5份），則外賣(mài)員自己就可以有效設(shè)計(jì)最佳路徑，而如果要考慮成千上萬(wàn)的外賣(mài)員以及數(shù)以百億份的外賣(mài)，則非人力范圍所在（不管是外賣(mài)員，或“專(zhuān)業(yè)”的產(chǎn)品經(jīng)理）。

同時(shí)，從工作內(nèi)容看，互聯(lián)網(wǎng)產(chǎn)品經(jīng)理的屬于可視化工作（面向具體用戶和需求進(jìn)行頁(yè)面化產(chǎn)品設(shè)計(jì)，解決信息效率問(wèn)題），而AI產(chǎn)品經(jīng)理屬于不可視化的工作（面向無(wú)數(shù)看不見(jiàn)的用戶進(jìn)行數(shù)據(jù)化處理與決策，解決生產(chǎn)力問(wèn)題）。

比如ChatGPT/DeepSeek等產(chǎn)品，如果以互聯(lián)網(wǎng)產(chǎn)品視角看，它們非常簡(jiǎn)單，可看見(jiàn)的就是一個(gè)輸入框和聊天界面，而從AI產(chǎn)品視角看，它們所依賴的海量的數(shù)據(jù)的采集、預(yù)訓(xùn)練、微調(diào)等，通過(guò)模型化的方式，實(shí)現(xiàn)了通用化AI產(chǎn)品的建設(shè)，過(guò)程中的大量工作都屬于“不可見(jiàn)”工作。

02 AI思維的四大要素

用戶思維的四大要素是：?jiǎn)栴}、效用、成本、收益；

產(chǎn)品思維的四大要素是：用戶、需求、解決方案、價(jià)值；

AI思維的四大要素是：大數(shù)據(jù)、模型、算力、業(yè)務(wù)模式。

第一要素是大數(shù)據(jù)。AI思維是從數(shù)據(jù)出發(fā)，通過(guò)數(shù)據(jù)采集、清洗、分類(lèi)、回歸、聚類(lèi)等方式，對(duì)現(xiàn)有海量數(shù)據(jù)進(jìn)行分析和判斷，學(xué)習(xí)內(nèi)在規(guī)律后，對(duì)新數(shù)據(jù)/新問(wèn)進(jìn)行預(yù)測(cè)。

它與產(chǎn)品思維是從用戶出發(fā)，已經(jīng)發(fā)生了本質(zhì)的不同，導(dǎo)致如果想轉(zhuǎn)型AI產(chǎn)品經(jīng)理，必須從用戶思維轉(zhuǎn)向數(shù)據(jù)思維，從可視化界面轉(zhuǎn)為“不可見(jiàn)”的數(shù)據(jù)，從以一個(gè)具象的用戶轉(zhuǎn)向不具象的數(shù)據(jù)。

第二要素是模型。人腦是由大腦的神經(jīng)元之間的重復(fù)連接，產(chǎn)生事物之間的聯(lián)系，從而做出決策，而AI的本質(zhì)，也是對(duì)大腦的“模仿”和超越。

人腦的決策模型是神經(jīng)網(wǎng)絡(luò)，而AI決策是以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型。

以深度學(xué)習(xí)為例。它的基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò)，而關(guān)鍵的模型是卷積神經(jīng)網(wǎng)絡(luò)（即CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（即RNN）。

卷積神經(jīng)網(wǎng)絡(luò)是在感知機(jī)三層結(jié)構(gòu)（即輸入層、隱藏層、輸出層）的基礎(chǔ)上，增加了多個(gè)層級(jí)（即輸入層、卷積層、池化層、全連接層），讓每個(gè)神經(jīng)元分別負(fù)責(zé)不同的任務(wù)，最終可實(shí)現(xiàn)單一事務(wù)的識(shí)別（比如圖像識(shí)別、物體識(shí)別等）。

比如輸入層是對(duì)圖像進(jìn)行預(yù)處理，降低圖像識(shí)別的維度，卷積層的神經(jīng)元是負(fù)責(zé)提取圖像中的某個(gè)局部的關(guān)鍵特征點(diǎn)（比如提取小貓的頭部、身體等），池化層是對(duì)圖像進(jìn)行壓縮降維，減少計(jì)算量，全連接層是負(fù)責(zé)將前面所有層的數(shù)據(jù)，連接組合起來(lái)（比如將小貓頭部、身體、四肢等局部組合起來(lái)），然后識(shí)別出來(lái)物體（比如如它是一只小貓）。

卷積神經(jīng)網(wǎng)絡(luò)識(shí)別的是獨(dú)立的事件（比如它非常適用于圖片識(shí)別），卻不能進(jìn)行連續(xù)性的識(shí)別或預(yù)測(cè)。

比如“今天分享的內(nèi)容比較多，但它們都是關(guān)于（）”。

如果要對(duì)這句話進(jìn)行填空，聯(lián)系上下文后，應(yīng)該可以得到答案（即思維方式或AI），但卷積神經(jīng)網(wǎng)絡(luò)做不到，而循環(huán)神經(jīng)網(wǎng)絡(luò)則可以。

循環(huán)神經(jīng)網(wǎng)絡(luò)“只有”三層：輸入層、隱藏層、輸出層，但其隱藏層內(nèi)部是循環(huán)反復(fù)的，它可以接受新輸入信息，同時(shí)自循環(huán)收集上一次的內(nèi)容，它就具備了記憶、連接上下文的能力——特別適用于自然語(yǔ)言翻譯、語(yǔ)音識(shí)別等領(lǐng)域。

第三要素是算力。大數(shù)據(jù)的處理與預(yù)測(cè)，可實(shí)現(xiàn)的核心就在于算力。我們常見(jiàn)的算力系統(tǒng)是電腦、手機(jī)、人腦等，它們是可以提供一部分算力，但對(duì)于AI來(lái)說(shuō)，遠(yuǎn)遠(yuǎn)不夠。

它需要大規(guī)模的計(jì)算機(jī)集群，將成百上千的算力系統(tǒng)連接起來(lái)，形成一個(gè)計(jì)算集群，才可以進(jìn)行大規(guī)模運(yùn)算。比如谷歌實(shí)驗(yàn)室的谷歌大腦就是將16000臺(tái)計(jì)算器連接在一起，才能實(shí)現(xiàn)強(qiáng)大的自主學(xué)習(xí)。

當(dāng)然，除了計(jì)算器集群外，算力本身還需要GPU架構(gòu)，它可以更好的實(shí)現(xiàn)深度學(xué)習(xí)模型的運(yùn)算，這也是英偉達(dá)成為AI時(shí)代的“最佳送水人”的原因所在。

第四要素是業(yè)務(wù)模式。無(wú)論是產(chǎn)品思維，還是AI思維，最終都要落地在一個(gè)場(chǎng)景上，這也是互聯(lián)網(wǎng)產(chǎn)品經(jīng)理與AI產(chǎn)品經(jīng)理最大的相似之處。

比如金融領(lǐng)域，之前的放貸模式是依賴人工進(jìn)行借貸人得征信調(diào)查工作，如果良好則發(fā)放；否則就不發(fā)放。這種模式的效率低下，成本高，無(wú)法規(guī)?；@就是AI的最佳落地應(yīng)用場(chǎng)景之一。

再比如教育行業(yè)。從早期的拍照搜題+雙師大班網(wǎng)課，到現(xiàn)在的人工智能學(xué)習(xí)機(jī)、人工智能教輔等的落地應(yīng)用，都是在AI的加持下，用更高效、更低成本的方式，重新完成了對(duì)場(chǎng)景的重構(gòu)。

特別申明

作為一名學(xué)習(xí)者，本文學(xué)習(xí)和“借用”了最近讀到的一些前輩的書(shū)籍里的部分案例與內(nèi)容（尤其是丁磊老師所著的《AI思維：從數(shù)據(jù)中創(chuàng)造價(jià)值的煉金術(shù)》）。

如果你想原汁原味的學(xué)習(xí)，建議直接閱讀對(duì)應(yīng)書(shū)籍；

如果分享內(nèi)容有侵權(quán)或不妥之處，請(qǐng)聯(lián)系我立即刪除，感謝~