在當(dāng)今數(shù)字化浪潮中，AI 技術(shù)的迅猛發(fā)展正重塑著各個行業(yè)，產(chǎn)品管理領(lǐng)域也不例外。AI 領(lǐng)域權(quán)威吳恩達指出，AI 促使軟件開發(fā)效率大幅提升且成本降低，這一變革催生了對能精準(zhǔn)決策 “建造什么” 的產(chǎn)品經(jīng)理的強勁需求，尤其是深諳 AI 的產(chǎn)品經(jīng)理，其前景一片光明。與此同時，傳統(tǒng)軟件產(chǎn)品管理與 AI 產(chǎn)品管理間的差異也愈發(fā)顯著。

一、用戶需求洞察

傳統(tǒng)產(chǎn)品經(jīng)理洞察用戶需求，主要依靠市場調(diào)研、用戶反饋、競品分析等手段。通過問卷調(diào)查、用戶訪談、焦點小組等形式收集大量數(shù)據(jù)，挖掘用戶痛點、需求與期望。這種方式聚焦用戶顯性需求，從用戶行為和言論分析中確定產(chǎn)品功能特性。以微信為例，早期通過大量用戶調(diào)研，了解到人們對于即時通訊的需求，不斷優(yōu)化文字、語音聊天功能，以及朋友圈展示、點贊評論等社交功能，滿足了用戶日常溝通與社交分享的需求。

吳恩達強調(diào)，AI 產(chǎn)品的獨特之處在于挖掘用戶潛在需求。AI 產(chǎn)品經(jīng)理借助大數(shù)據(jù)分析、機器學(xué)習(xí)算法，深度挖掘海量用戶數(shù)據(jù)。例如抖音，通過分析用戶在平臺上的觀看歷史、點贊、評論、停留時長等多維度數(shù)據(jù)，精準(zhǔn)捕捉用戶興趣偏好，推薦出用戶可能感興趣卻未曾察覺的視頻內(nèi)容，極大提升用戶體驗。

對比快手，同樣作為短視頻平臺，快手也利用 AI 算法分析用戶行為數(shù)據(jù)，但在用戶需求洞察側(cè)重點上有所不同?？焓指⒅赝诰?“老鐵文化” 下用戶對于真實、接地氣內(nèi)容的潛在需求，通過算法推薦更多來自普通人日常生活記錄、才藝展示等內(nèi)容，形成了與抖音不同的社區(qū)氛圍和內(nèi)容生態(tài)。這體現(xiàn)出 AI 產(chǎn)品經(jīng)理能夠利用技術(shù)手段，挖掘出隱藏在用戶行為背后的深層需求，與傳統(tǒng)產(chǎn)品經(jīng)理在需求洞察的方法與深度上存在顯著差異。

二、產(chǎn)品設(shè)計理念

傳統(tǒng)產(chǎn)品設(shè)計以功能為導(dǎo)向。產(chǎn)品經(jīng)理依據(jù)市場調(diào)研得出的用戶需求，規(guī)劃產(chǎn)品功能，并著重優(yōu)化功能，使其易用高效。在設(shè)計時，關(guān)注產(chǎn)品邏輯架構(gòu)、界面交互等，滿足用戶完成特定任務(wù)的需求。像傳統(tǒng)辦公軟件 WPS，在功能設(shè)計上，圍繞文檔編輯、表格制作、演示文稿展示等核心功能不斷優(yōu)化，如增加豐富的字體、格式選項，便捷的圖表制作工具等，以提升用戶辦公效率。

在 AI 時代，產(chǎn)品設(shè)計理念轉(zhuǎn)向以智能為導(dǎo)向，這是 AI 產(chǎn)品經(jīng)理的核心思路。吳恩達認(rèn)為，AI 產(chǎn)品不僅要實現(xiàn)功能，更要能自主學(xué)習(xí)、持續(xù)進化，為用戶提供個性化、智能化服務(wù)。例如智能客服領(lǐng)域，京東的智能客服 JIMI，運用自然語言處理技術(shù)和機器學(xué)習(xí)算法，不僅能快速回答常見問題，還能在與用戶對話過程中學(xué)習(xí)用戶語言習(xí)慣、問題類型，不斷優(yōu)化回答策略。隨著使用時間增長，能更精準(zhǔn)理解用戶意圖，提供更優(yōu)質(zhì)服務(wù)。

與之競爭的阿里小蜜，同樣具備強大的智能客服能力。阿里小蜜基于阿里巴巴龐大的電商業(yè)務(wù)數(shù)據(jù)，利用 AI 技術(shù)實現(xiàn)對各類購物場景問題的快速響應(yīng)。它不僅能解答商品咨詢、訂單查詢等常規(guī)問題，還能根據(jù)用戶歷史購買行為和瀏覽記錄，進行個性化推薦，如在用戶咨詢某類服裝時，推薦搭配的飾品或其他相關(guān)商品，這都是智能導(dǎo)向設(shè)計理念在不同競品中的體現(xiàn)，展示了 AI 產(chǎn)品根據(jù)用戶需求不斷進化和提供個性化服務(wù)的能力。

三、工作重心

3.1 解決問題的方向

傳統(tǒng)互聯(lián)網(wǎng)產(chǎn)品經(jīng)理主要解決連接問題，致力于打破信息壁壘，將人、信息和資源連接起來。以社交平臺和電商平臺為例，社交平臺產(chǎn)品經(jīng)理通過設(shè)計功能，方便用戶社交互動；電商平臺產(chǎn)品經(jīng)理則搭建購物通道，促進商品流通。

吳恩達認(rèn)為，AI 技術(shù)的核心在于提升效率和解決復(fù)雜問題。AI 產(chǎn)品經(jīng)理主要聚焦于提升效率。像智能客服，借助自然語言處理技術(shù)和機器學(xué)習(xí)算法，快速準(zhǔn)確回應(yīng)用戶問題，極大提高了客戶服務(wù)效率。在制造業(yè)，AI 產(chǎn)品經(jīng)理運用人工智能優(yōu)化生產(chǎn)流程，實現(xiàn)自動化生產(chǎn)和質(zhì)量檢測，大幅提升生產(chǎn)效率和產(chǎn)品質(zhì)量。據(jù)統(tǒng)計，采用 AI 技術(shù)的制造企業(yè)生產(chǎn)效率平均提高 20% 以上。

3.2 目標(biāo)用戶群體

傳統(tǒng)產(chǎn)品主要面向消費者，滿足個人用戶需求。例如音樂播放軟件，圍繞個人音樂收聽習(xí)慣和娛樂需求設(shè)計，提供個性化推薦、高品質(zhì)播放等功能。

吳恩達指出，AI 技術(shù)目前在企業(yè)級應(yīng)用中有巨大潛力。當(dāng)下 AI 產(chǎn)品主要面向企業(yè)服務(wù)。在金融領(lǐng)域，AI 產(chǎn)品為銀行提供風(fēng)險評估和反欺詐解決方案；在醫(yī)療行業(yè)，輔助醫(yī)生疾病診斷，提高醫(yī)療效率和準(zhǔn)確性。市場調(diào)研機構(gòu)數(shù)據(jù)顯示，AI 產(chǎn)品在企業(yè)服務(wù)市場占比逐年增加，未來幾年有望持續(xù)快速增長。

四、技術(shù)要求

4.1 傳統(tǒng)產(chǎn)品經(jīng)理的技術(shù)要求

在互聯(lián)網(wǎng)創(chuàng)業(yè)熱潮時期，大量來自不同專業(yè)背景（如生物、英語、化學(xué)等）的人員成為產(chǎn)品經(jīng)理。他們大多不懂技術(shù)，工作重點集中在市場調(diào)研、用戶需求分析、產(chǎn)品設(shè)計和項目管理等方面。與技術(shù)團隊溝通時，主要依賴需求文檔和口頭交流，對技術(shù)實現(xiàn)細(xì)節(jié)了解較少。

4.2 AI 產(chǎn)品經(jīng)理的技術(shù)知識儲備

吳恩達在其教學(xué)和研究中反復(fù)強調(diào)，扎實的技術(shù)基礎(chǔ)是 AI 從業(yè)者的必備素養(yǎng)。AI 產(chǎn)品經(jīng)理需要具備豐富的技術(shù)知識。要深入理解機器學(xué)習(xí)、深度學(xué)習(xí)原理，清楚遷移學(xué)習(xí)、增強學(xué)習(xí)的應(yīng)用場景。遷移學(xué)習(xí)能將一個任務(wù)的知識遷移到相關(guān)任務(wù)，加快模型訓(xùn)練；增強學(xué)習(xí)則讓智能體通過與環(huán)境交互學(xué)習(xí)最優(yōu)策略。

還要了解各類特征，像圖像特征、情感特征等。在圖像識別中，顏色、紋理、形狀等圖像特征幫助模型識別圖像內(nèi)容。同時，需掌握多種算法，如做推薦系統(tǒng)，要懂協(xié)同過濾、最新最熱等常用算法。協(xié)同過濾根據(jù)用戶歷史行為推薦，最新最熱算法則依據(jù)熱度和時效性推薦。

4.3 技術(shù)能力對 AI 產(chǎn)品經(jīng)理的重要性

AI 產(chǎn)品經(jīng)理只有懂技術(shù)，才能知道如何用 AI 解決客戶需求，確保產(chǎn)品靠譜。吳恩達也提到，在 AI 項目中，技術(shù)理解和跨團隊協(xié)作至關(guān)重要。與數(shù)據(jù)科學(xué)家和工程師合作時，AI 產(chǎn)品經(jīng)理憑借技術(shù)知識，能更好理解技術(shù)實現(xiàn)過程和難點，提出合理需求和解決方案。在評估產(chǎn)品可行性和性能時，技術(shù)知識也能幫助其確保產(chǎn)品滿足用戶需求和期望。比如評估圖像識別產(chǎn)品，可通過了解圖像特征提取算法和模型準(zhǔn)確率等指標(biāo)判斷產(chǎn)品性能。

五、工作內(nèi)容

5.1 AI 產(chǎn)品方案討論

吳恩達認(rèn)為，深入理解業(yè)務(wù)是 AI 落地的關(guān)鍵。在 AI 產(chǎn)品方案討論階段，梳理業(yè)務(wù)流程是關(guān)鍵的第一步。以保險行業(yè)為例，從客戶購買保險到保險公司支付賠償金的流程中，AI 產(chǎn)品經(jīng)理需分析各環(huán)節(jié)，找出可由 AI 解決的問題，如車險定損賠償流程中的人工審核環(huán)節(jié)，可借助 AI 提高效率。

同時，要梳理 AI 技術(shù)以匹配業(yè)務(wù)需求。各大招聘平臺對 AI 產(chǎn)品經(jīng)理的崗位要求中，業(yè)務(wù)場景理解能力、組織溝通能力和邏輯思考能力是高頻要求。AI 產(chǎn)品經(jīng)理需與數(shù)據(jù)科學(xué)家緊密合作，深入了解業(yè)務(wù)需求，確定數(shù)據(jù)收集、處理和分析方法。比如為保險行業(yè)設(shè)計 AI 產(chǎn)品，需收集大量車險照片數(shù)據(jù)，通過分析訓(xùn)練，讓機器準(zhǔn)確識別車輛破損情況，提升定損效率和準(zhǔn)確率。

5.2 數(shù)據(jù)和模型選擇

吳恩達強調(diào)數(shù)據(jù)是 AI 的燃料，優(yōu)質(zhì)數(shù)據(jù)和合適模型是 AI 成功的基礎(chǔ)。確定產(chǎn)品方案后，傳統(tǒng)產(chǎn)品經(jīng)理通常直接畫原型圖，而 AI 產(chǎn)品經(jīng)理需先明確讓機器識別證件或車輛破損所需的數(shù)據(jù)和模型。

數(shù)據(jù)方面，通俗來講，輸入大量破損或正常圖片訓(xùn)練機器，以提高精準(zhǔn)度。但照片數(shù)據(jù)可能因遮擋、背景、書寫規(guī)范等因素影響模型精準(zhǔn)度。例如北京某保險科技公司收集車險照片數(shù)據(jù)時，因照片質(zhì)量參差不齊，模型準(zhǔn)確率僅 70% 左右，經(jīng)篩選清洗數(shù)據(jù)，去除模糊、遮擋和背景復(fù)雜的照片后，準(zhǔn)確率提升到 85%。

模型方面，要選擇適合業(yè)務(wù)場景的算法。算法模型工作包括需求確定、算法設(shè)計、討論、確認(rèn)和驗收等環(huán)節(jié)，AI 產(chǎn)品經(jīng)理需不斷循環(huán)迭代，直至模型滿足用戶需求。比如車險定損識別，可考慮使用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)算法，因其在圖像識別方面性能出色，經(jīng)多次試驗優(yōu)化，最終確定合適算法模型，提高了定損效率和準(zhǔn)確率。

5.3 傳統(tǒng)產(chǎn)品經(jīng)理階段

在原型設(shè)計和對接工作階段，AI 產(chǎn)品經(jīng)理與傳統(tǒng)產(chǎn)品經(jīng)理有相似之處，但也有不同要求。傳統(tǒng)產(chǎn)品經(jīng)理根據(jù)需求設(shè)計原型圖，并與開發(fā)、設(shè)計團隊對接，確保產(chǎn)品開發(fā)順利。AI 產(chǎn)品經(jīng)理也需進行原型設(shè)計，但要考慮 AI 技術(shù)應(yīng)用及與算法團隊協(xié)作。

比如設(shè)計智能客服產(chǎn)品原型，傳統(tǒng)產(chǎn)品經(jīng)理關(guān)注界面友好性和功能完整性，而 AI 產(chǎn)品經(jīng)理需思考如何融入自然語言處理技術(shù)，提高回答準(zhǔn)確率和響應(yīng)速度。對接工作中，AI 產(chǎn)品經(jīng)理需與算法團隊、運營團隊緊密合作，確保產(chǎn)品上線后持續(xù)優(yōu)化改進。

5.4 產(chǎn)品上線維護

吳恩達指出，AI 產(chǎn)品的持續(xù)優(yōu)化是其保持競爭力的關(guān)鍵。AI 產(chǎn)品經(jīng)理在產(chǎn)品上線后需持續(xù)維護和優(yōu)化，這與傳統(tǒng)產(chǎn)品經(jīng)理差異較大。傳統(tǒng)產(chǎn)品經(jīng)理上線后主要關(guān)注用戶反饋和市場推廣，AI 產(chǎn)品經(jīng)理還需具備與算法團隊對接及迭代模型的能力。

由于實際使用環(huán)境復(fù)雜多變，AI 產(chǎn)品經(jīng)理需清楚產(chǎn)品上線后的維護和解決方案。比如智能客服上線后遇到新問題類型，AI 產(chǎn)品經(jīng)理需與算法團隊合作，及時更新模型，提高回答準(zhǔn)確率。同時，要具備算法模型迭代能力，從數(shù)據(jù)中發(fā)現(xiàn)產(chǎn)品問題和用戶需求。以某電商平臺智能推薦系統(tǒng)為例，上線后通過分析用戶行為數(shù)據(jù)，發(fā)現(xiàn)部分商品推薦滿意度不高，AI 產(chǎn)品經(jīng)理與算法團隊深入挖掘數(shù)據(jù)，調(diào)整推薦算法參數(shù)，提升了推薦準(zhǔn)確性和個性化程度，提高了用戶滿意度和購買轉(zhuǎn)化率。

六、新能力要求

6.1 了解 AI 技術(shù)的能力邊界

吳恩達多次提醒從業(yè)者，要正確認(rèn)識 AI 技術(shù)的優(yōu)勢和局限。AI 產(chǎn)品經(jīng)理要清楚 AI 技術(shù)并非萬能，有特定適用范圍和局限性。要了解機器學(xué)習(xí)、深度學(xué)習(xí)和大模型的關(guān)系與優(yōu)缺點。深度學(xué)習(xí)在圖像識別、語音處理等領(lǐng)域表現(xiàn)出色，但需大量數(shù)據(jù)和計算資源；機器學(xué)習(xí)部分算法在處理小規(guī)模數(shù)據(jù)時更高效。

要熟悉技術(shù)名詞，如神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，理解主流算法原理和適用場景。卷積神經(jīng)網(wǎng)絡(luò)適用于圖像識別，能自動提取圖像特征；循環(huán)神經(jīng)網(wǎng)絡(luò)在處理序列數(shù)據(jù)（如自然語言處理）中具有優(yōu)勢。還要了解模型構(gòu)建全流程，包括數(shù)據(jù)收集、預(yù)處理、模型選擇、訓(xùn)練、評估和優(yōu)化等環(huán)節(jié)，明確各流程節(jié)點產(chǎn)出物和職責(zé)。比如數(shù)據(jù)收集階段，與數(shù)據(jù)團隊合作確定數(shù)據(jù)來源和質(zhì)量標(biāo)準(zhǔn)；模型訓(xùn)練階段，與算法工程師溝通訓(xùn)練進度和效果。

6.2 擁有評估模型的能力

吳恩達認(rèn)為，科學(xué)評估模型是 AI 產(chǎn)品成功的保障。明確評估標(biāo)準(zhǔn)、指標(biāo)和方法是 AI 產(chǎn)品經(jīng)理必備能力。對于二分類模型，可采用準(zhǔn)確率、查準(zhǔn)率、召回率、特異度、F1 分?jǐn)?shù)、ROC 曲線和 AUC 等指標(biāo)評估。例如垃圾郵件檢測，準(zhǔn)確率衡量整體分類性能，但樣本不平衡時可能不準(zhǔn)確；查準(zhǔn)率關(guān)注預(yù)測正例中真正例比例，避免正常郵件誤判；召回率衡量真實正例中被正確預(yù)測的比例，確保捕捉垃圾郵件。

對于回歸模型，可用 MSE（均方誤差）、RMSE（均方根誤差）、MAE（平均絕對誤差）和 R2（決定系數(shù)）等指標(biāo)評估預(yù)測值與真實值差距。MSE 放大差異，適合開發(fā)過程使用；MAE 計算簡潔，常作為實際評估指標(biāo)；R2 直觀表達模型預(yù)測效果，越接近 1 效果越好。

6.3 積極發(fā)現(xiàn)適用業(yè)務(wù)場景并選擇合適算法模型

吳恩達鼓勵 AI 從業(yè)者積極探索 AI 在不同業(yè)務(wù)場景的應(yīng)用。AI 產(chǎn)品經(jīng)理要積極發(fā)現(xiàn) AI 適用業(yè)務(wù)場景，并根據(jù)具體情況選擇合適算法模型。這需要深入理解業(yè)務(wù)需求，具備豐富技術(shù)知識。

比如智能客服場景，可選擇基于深度學(xué)習(xí)的自然語言處理算法，如 Transformer 架構(gòu)的語言模型，更好理解用戶問題并準(zhǔn)確回答；圖像識別場景（如人臉識別支付），可選擇精度高、速度快的卷積神經(jīng)網(wǎng)絡(luò)算法。選擇算法模型時，要考慮設(shè)備性能和系統(tǒng)平臺。若 AI 能力部署在本地硬件設(shè)備，需基于設(shè)備性能權(quán)衡，避免選擇過于復(fù)雜的算法導(dǎo)致設(shè)備性能不足。不同系統(tǒng)平臺支持庫不同，算法適用部署平臺也不同，選擇算法時需綜合考慮。例如 Android 系統(tǒng)上，某些輕量級算法更適合移動設(shè)備性能要求；服務(wù)器端 Linux 系統(tǒng)上，可選擇更復(fù)雜、性能更強的算法。

下一篇：如何轉(zhuǎn)型成為 AIGC 產(chǎn)品經(jīng)理