關(guān)于AI常見基礎(chǔ)概念，你了解多少？

近幾年，從亞馬遜， Facebook，到谷歌，微軟，再到國內(nèi)的BAT，全球最具影響力的技術(shù)公司都將目光轉(zhuǎn)向了人工智能（ AI ）。2016年 AlphaGo 戰(zhàn)勝李世石，把公眾的目光也聚集到了人工智能。

創(chuàng)新氛圍最活躍的中國，已將人工智能定位國家戰(zhàn)略，2017年11月15日，中國新一代人工智能發(fā)展規(guī)劃暨重大科技項目啟動會在京召開，公布我國第一批國家人工智能開放創(chuàng)新平臺，包括：百度-自動駕駛工智能開放創(chuàng)新平臺；阿里云-城市大腦人工智能開放創(chuàng)新平臺；騰訊-醫(yī)療影像-人工智能開放創(chuàng)新平臺；科大訊飛-智能語音人工智能開放創(chuàng)新平臺。

現(xiàn)在中國的所有互聯(lián)網(wǎng)公司，不論大小都在布局人工智能，似乎產(chǎn)品中沒有人工智能的元素都不好意思找投資人，大量的科技巨頭和專家預(yù)測人工智能將帶來第四次革命，繼農(nóng)業(yè)革命，工業(yè)革命，信息革命后從底層改變我們的工作和生活，也有很多專家認(rèn)為人工智能是中國超越美國的一次千載難逢的機(jī)會。

作為一個充滿好奇心的產(chǎn)品經(jīng)理，經(jīng)過一段時間的學(xué)習(xí)思考，將我個人對于AI產(chǎn)品經(jīng)理需要掌握的基礎(chǔ)知識進(jìn)行總結(jié)，因為AI產(chǎn)品經(jīng)理是一個全新的崗位，至今沒有明確的能力模型定義，本文只是將我個人的學(xué)習(xí)和思考進(jìn)行匯總，將產(chǎn)品經(jīng)理需要了解的AI知識進(jìn)行框架梳理，將學(xué)習(xí)過程中看到的一些資料進(jìn)行歸納總結(jié)，希望對想要轉(zhuǎn)型AI產(chǎn)品的朋友有所幫助。

因為內(nèi)容較多，將分成三個部分展開論述：

• 第一部分，介紹AI產(chǎn)品經(jīng)理能力模型，人工智能發(fā)展史及看待人工智能的幾個視角，總結(jié)學(xué)習(xí)資料和方法；
• 第二部分，介紹人工智能的常見算法，如何零基礎(chǔ)通過 TensorFlow 實現(xiàn)手寫數(shù)字識別。
• 第三部分，分析AI產(chǎn)品經(jīng)理在2B和2C領(lǐng)域的能力差異，介紹一些可體驗的AI產(chǎn)品。

一、AI產(chǎn)品經(jīng)理能力模型

1、AI產(chǎn)品經(jīng)理能力模型概述

從現(xiàn)在的招聘市場來看，產(chǎn)品經(jīng)理崗位已經(jīng)出現(xiàn)大量細(xì)分，如數(shù)據(jù)產(chǎn)品經(jīng)理，支付產(chǎn)品經(jīng)理，ERP產(chǎn)品經(jīng)理，CRM產(chǎn)品經(jīng)，供應(yīng)量產(chǎn)品經(jīng)理，POP產(chǎn)品經(jīng)理等，AI產(chǎn)品經(jīng)理可能將成未來的一個主流細(xì)分崗位，而且因為AI對應(yīng)的領(lǐng)域不同，AI產(chǎn)品經(jīng)理下面將衍生出大量的細(xì)分行業(yè)AI產(chǎn)品經(jīng)理。在討論AI產(chǎn)品經(jīng)理之前，我們來看看，非AI產(chǎn)品在公司中需要面對哪些角色，而面對這些角色需要的能力模型是什么，在這個基礎(chǔ)上我們再來討論AI產(chǎn)品經(jīng)理的能力模型。

產(chǎn)品經(jīng)理需要每天與工程師，設(shè)計，老板，運營，市場，用戶/客戶，測試等部門同事溝通，AI產(chǎn)品經(jīng)理從對接人上來看，增加了AI科學(xué)家或者AI工程師，為了可以順暢溝通，產(chǎn)品經(jīng)理的知識結(jié)構(gòu)必然需要增加相應(yīng)的知識，以提升溝通效率，清楚產(chǎn)品設(shè)計邊界。同時，因為AI產(chǎn)品與客戶的業(yè)務(wù)結(jié)合更加的密切，所以需要對所設(shè)計產(chǎn)品的行業(yè)有縱深的全流程理解能力。在這個基礎(chǔ)上，我們來嘗試搭建AI產(chǎn)品經(jīng)理能力模型。

產(chǎn)品能力模型可以從人，事，知識三個角度搭建，通過上文的分析，我們可以看到，在人和事上產(chǎn)品經(jīng)理的能力幾乎沒有太大變化，但是在知識層面需要進(jìn)行基礎(chǔ)儲備，以提高與AI科學(xué)家和AI工程師的溝通效率。

人工智能技術(shù)正處于高速發(fā)展時期，充滿了不確定性，所以產(chǎn)品經(jīng)理的認(rèn)知極限一定程度上影響了產(chǎn)品的未來，本文將總結(jié)人工智能領(lǐng)域的一些基本概念，認(rèn)知極限需要靠閱讀最前沿的paper和團(tuán)隊的AI科學(xué)家/工程師多交流，行業(yè)縱深的理解需要真實的參與到業(yè)務(wù)的整個過程中學(xué)習(xí)，這就為一些非互聯(lián)網(wǎng)領(lǐng)域的，有著多年細(xì)分行業(yè)工作經(jīng)驗的，清楚全業(yè)務(wù)流程痛點的非互聯(lián)網(wǎng)人提供了轉(zhuǎn)型機(jī)會，后面會詳細(xì)論述。

2、AI產(chǎn)品經(jīng)理≠AI科學(xué)家，應(yīng)用實現(xiàn)門檻不高

提到AI大家第一印象可能想到的是復(fù)雜的數(shù)學(xué)公式，天書一樣的算法模型，需要學(xué)習(xí)AI難如登天。

但實際情況是，即使做一名AI應(yīng)用開發(fā)工程師，可能也未必要需要理解那些天書一樣的復(fù)雜算法，Google的深度學(xué)習(xí)框架Tensorflow極大的降低了數(shù)學(xué)門檻，這個框架內(nèi)置了損失函數(shù)優(yōu)化方法，而Keras（基于Tensorflow構(gòu)建的深度學(xué)習(xí)框架）可以把一個模型代碼量大大減少，究竟能減少多少呢，我們以機(jī)器識別貓狗照片的分類器模型為例，可以通過下圖中的14行代碼搞定，寥寥幾行代碼就把一個擁有著卷積層、池化層和全連接層并且使用Adam這個較高級優(yōu)化方法的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)寫出來了。

網(wǎng)上有一張圖，很有意思，生動的表明了不同的人對機(jī)器學(xué)習(xí)的理解：

我們的目標(biāo)是成為一名合格的AI產(chǎn)品經(jīng)理，而不是工程師，所以只要清楚這些技術(shù)的實現(xiàn)框架就可以了，只要可以清楚的描述客戶需求場景，深刻理解客戶訴求，并將其清晰的描述給AI科學(xué)家，并能聽懂AI科學(xué)家的話就可以了，至于他們使用了什么模型，什么算法并不需要你去操心。

3、非互聯(lián)網(wǎng)行業(yè)轉(zhuǎn)型的新機(jī)會

前文中提到了AI產(chǎn)品和服務(wù)對于垂直行業(yè)知識的要求比較嚴(yán)格，下面為face++招聘安防類AI產(chǎn)品經(jīng)理招聘要求。

1. 熟悉安防視頻業(yè)務(wù)邏輯，熟悉雪亮工程項目建設(shè)內(nèi)容，熟悉平安城市業(yè)務(wù)建設(shè)要求，熟悉智慧交通業(yè)務(wù)需求，具備實際產(chǎn)品設(shè)計與研發(fā)、交付全周期經(jīng)驗者優(yōu)先。
2. 2年以上安防行業(yè)產(chǎn)品設(shè)計經(jīng)驗，負(fù)責(zé)安防行業(yè)產(chǎn)品整體規(guī)劃，配合公司行業(yè)發(fā)展，支撐產(chǎn)品行業(yè)解決方案；
3. 負(fù)責(zé)安防行業(yè)的產(chǎn)品市場分析及競爭分析，制定相應(yīng)產(chǎn)品策略；
4. 負(fù)責(zé)安防系統(tǒng)平臺的產(chǎn)品定義、平臺產(chǎn)品導(dǎo)入和平臺產(chǎn)品策略；

可以看出，傳統(tǒng)行業(yè)中的從業(yè)者可以利用其多年經(jīng)驗為AI團(tuán)隊提供認(rèn)知價值，所以非互聯(lián)網(wǎng)行業(yè)的從業(yè)者完全可以通過補全上文提到的互聯(lián)網(wǎng)產(chǎn)品經(jīng)理相關(guān)知識轉(zhuǎn)型進(jìn)入到高速增長的AI領(lǐng)域。

二、人工智能發(fā)展史

智能：以寬泛的心理能力，能夠進(jìn)行思考、計劃、解決問題、抽象思維、理解復(fù)雜理念、快速學(xué)習(xí)和從經(jīng)驗中學(xué)習(xí)等操作

人工智能：制造出智能的機(jī)器，尤其是智能的計算機(jī)程序，它能做一些以前需要人才能做的事情，這個機(jī)器或者計算機(jī)程序就叫人工智能。

人工智能有很多種的表現(xiàn)形式，目前在各個專業(yè)的方向，出現(xiàn)了很多超越人類的人工智能。比如在國際象棋上，有 IBM 的國際象棋大師“ Deep Blue ”；圍棋上有 Google 的 AlphaGo和AlphaZero；醫(yī)學(xué)上有 IBM 的“ Waston ”；私人助理上有蘋果的“ Siri ”，微軟的“ Cortana ”；甚至搜索引擎百度和 Google，你也可以把它看做是一個人工智能。它們都由一段段代碼、一個個算法、一堆堆的數(shù)據(jù)組成。

人工智能的黃金時代（20世紀(jì)50~70年代）

1950年，一位名叫馬文·明斯基(后被人稱為“人工智能之父”)的大四學(xué)生與他的同學(xué)鄧恩·埃德蒙一起，建造了世界上第一臺神經(jīng)網(wǎng)絡(luò)計算機(jī)。這也被看做是人工智能的一個起點。同年，被稱為“計算機(jī)之父”的阿蘭·圖靈提出了一個舉世矚目的想法——圖靈測試。按照圖靈的設(shè)想：如果一臺機(jī)器能夠與人類開展對話而不能被辨別出機(jī)器身份，那么這臺機(jī)器就具有智能。而就在這一年，圖靈還大膽預(yù)言了真正具備智能機(jī)器的可行性。

1956年，在由達(dá)特茅斯學(xué)院舉辦的一次會議上，計算機(jī)專家約翰·麥卡錫提出了“人工智能”一詞。后來，這被人們看做是人工智能正式誕生的標(biāo)志。在1956年的這次會議之后，人工智能迎來了屬于它的第一次高潮。在這段長達(dá)十余年的時間里，計算機(jī)被廣泛應(yīng)用于數(shù)學(xué)和自然語言領(lǐng)域，用來解決代數(shù)、幾何和英語問題。

人工智能的第一次低谷（20世紀(jì)70~80年代）

由于科研人員在人工智能的研究中對項目難度預(yù)估不足，導(dǎo)致與美國國防高級研究計劃署的合作計劃失敗，社會輿論的壓力也開始慢慢壓向人工智能這邊,導(dǎo)致很多研究經(jīng)費被轉(zhuǎn)移到了其他項目上。當(dāng)時，人工智能面臨的技術(shù)瓶頸主要是三個方面：

• 第一計算機(jī)性能不足，導(dǎo)致早期很多程序無法在人工智能領(lǐng)域得到應(yīng)用；
• 第二，問題的復(fù)雜性，早期人工智能程序主要是解決特定的問題，因為特定的問題對象少，復(fù)雜性低，可一旦問題上升維度，程序立馬就不堪重負(fù)了；
• 第三，數(shù)據(jù)量嚴(yán)重缺失，在當(dāng)時不可能找到足夠大的數(shù)據(jù)庫來支撐程序進(jìn)行深度學(xué)習(xí)，這很容易導(dǎo)致機(jī)器無法讀取足夠量的數(shù)據(jù)進(jìn)行智能化。

人工智能的繁榮期（1980年~1987年）

1980年，卡內(nèi)基梅隆大學(xué)為數(shù)字設(shè)備公司設(shè)計了一套名為XCON的“專家系統(tǒng)”。這是一種，采用人工智能程序的系統(tǒng)，可以簡單的理解為“知識庫+推理機(jī)”的組合，XCON是一套具有完整專業(yè)知識和經(jīng)驗的計算機(jī)智能系統(tǒng)。這套系統(tǒng)在1986年之前能為公司每年節(jié)省下來超過四千美元經(jīng)費。在這個時期，僅專家系統(tǒng)產(chǎn)業(yè)的價值就高達(dá)5億美元。

人工智能的冬天（1987年~1993年）

僅僅在維持了7年之后，這個曾經(jīng)轟動一時的人工智能系統(tǒng)就宣告結(jié)束歷史進(jìn)程。80年代末，美國國防先進(jìn)研究項目局高層認(rèn)為人工智能并不是“下一個浪潮”，至此，人工智能再一次成為浩瀚太平洋中那一抹夕陽紅。

人工智能的新春（1993~現(xiàn)在）

1994年Chinook Checkers，機(jī)器國際跳棋上超越了人類；

1997年Deep Blue深藍(lán)戰(zhàn)勝國際象棋世界冠軍；

2006年，辛頓發(fā)表了一篇突破性的文章《A Fast Learning Algorithm for Deep Belief Nets》，這篇論文里辛頓介紹了一種成功訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的辦法，他將這種神經(jīng)網(wǎng)絡(luò)稱為深度信念網(wǎng)絡(luò)。

2008年卡內(nèi)基梅隆大學(xué)和通用的無人駕駛汽車CMU Boss研發(fā)成功；

2012年Amazon的倉儲機(jī)器人Kiva，減少工人在倉庫中走動的頻次；

2013年，深度學(xué)習(xí)算法在語音和視覺識別上取得成功，識別率分別超過99%和95%，進(jìn)入感知智能時代。

2014年計算機(jī)被當(dāng)13歲男孩 首次通過圖靈測試

2014年沒有剎車、沒有方向盤，只有一個啟動Button的Google Car；

2016年AlphaGo4:1戰(zhàn)勝李世石；

2017年神秘Master60盤連勝，狂掃棋壇高手。

三、看待人工智能的幾個視角

人工智能領(lǐng)域包含大量的概念和定義，如監(jiān)督學(xué)習(xí)，機(jī)器學(xué)習(xí)，強化學(xué)習(xí)，強人工智能等，最初學(xué)習(xí)的時候很容弄混，其實很多概念是不同角度觀察的結(jié)果，還有些概念是嵌套關(guān)系，現(xiàn)將人工智能領(lǐng)域的概念從不同視角進(jìn)行梳理。

1、?從連接主義學(xué)習(xí)來看

非監(jiān)督學(xué)習(xí)(unsupervised learning)， 非監(jiān)督學(xué)習(xí)學(xué)的是沒有標(biāo)準(zhǔn)答案的樣本。拿貓和狗的圖片識別舉例。算法要自己去尋找這些圖片的不同特征，然后把這些圖片分為兩類。它實際上不知道這兩類是什么，但它知道這兩類各有什么特征，當(dāng)再出現(xiàn)符合這些特征的圖片時它能識別出來，這是第一類圖片，那是第二類圖片。

監(jiān)督學(xué)習(xí)(supervised leaning)，是從標(biāo)記的訓(xùn)練數(shù)據(jù)來推斷一個功能的機(jī)器學(xué)習(xí)任務(wù)。訓(xùn)練數(shù)據(jù)包括一套訓(xùn)練示例。在監(jiān)督學(xué)習(xí)中，每個實例都是由一個輸入對象（通常為矢量）和一個期望的輸出值（也稱為監(jiān)督信號）組成。監(jiān)督學(xué)習(xí)算法是分析該訓(xùn)練數(shù)據(jù)，并產(chǎn)生一個推斷的功能，其可以用于映射出新的實例。 拿貓和狗的識別來舉例子。算法看一張圖就告訴它，這是貓；再看一張圖片，告訴它這也是貓，再看一張圖，告訴它這是狗，如此往復(fù)。當(dāng)它看了幾十萬張貓和狗的圖片后，你再給它一張陌生的貓或者狗的圖片，就基本能“認(rèn)”出來，這是哪一種。這樣的學(xué)習(xí)方法很有可能造A成模型把所有答案都記了下來，但碰到新的題目又不會了的情況，這種情況叫做“過擬合”。

強化學(xué)習(xí)(reinforcement learning)，所謂強化學(xué)習(xí)就是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使獎勵信號(強化信號)函數(shù)值最大，強化學(xué)習(xí)不同于連接主義學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，主要表現(xiàn)在教師信號上，強化學(xué)習(xí)中由環(huán)境提供的強化信號是對產(chǎn)生動作的好壞作一種評價(通常為標(biāo)量信號)，而不是告訴強化學(xué)習(xí)系統(tǒng)RLS(reinforcement learning system)如何去產(chǎn)生正確的動作。由于外部環(huán)境提供的信息很少，RLS必須靠自身的經(jīng)歷進(jìn)行學(xué)習(xí)。通過這種方式，RLS在行動-評價的環(huán)境中獲得知識，改進(jìn)行動方案以適應(yīng)環(huán)境。在智能控制機(jī)器人及分析預(yù)測等領(lǐng)域有許多應(yīng)用。 我們小時候，看到馬戲團(tuán)的猴子居然會做算術(shù)題，感覺到很驚訝，這是怎么做到的呢？其實就是每次拿對了數(shù)字的時候，訓(xùn)練人員就給它一些食物作為獎勵，這些獎勵讓他“知道”，這么做是“對的”，如果拿錯了，可能就會有懲罰，這些懲罰就是要讓它“知道”，這樣做是“錯的”。

2016年的 NIPS 會議上，吳恩達(dá) 給出了一個未來 AI方向的技術(shù)發(fā)展圖，毋庸置疑，監(jiān)督學(xué)習(xí)是目前成熟度最高的，可以說已經(jīng)成功商用。

2、從智能水平來看

因為好萊塢大量AI題材的影視作品，我們看到的大量的超人工智能，所以再來看現(xiàn)在的AI產(chǎn)品就感覺沒那么智能。從智能水平上劃分，我們可以將人工智能分為三類，弱人工智能，強人工智能，超人工智能。

弱人工智能Artificial Narrow Intelligence (ANI):?弱人工智能是擅長于單個方面的人工智能。比如有能戰(zhàn)勝象棋世界冠軍的人工智能，但是它只會下象棋，你要問它怎樣更好地在硬盤上儲存數(shù)據(jù)，它就不知道怎么回答你了。

強人工智能Artificial General Intelligence (AGI):?人類級別的人工智能。強人工智能是指在各方面都能和人類比肩的人工智能，人類能干的腦力活它都能干。創(chuàng)造強人工智能比創(chuàng)造弱人工智能難得多，我們現(xiàn)在還做不到。

超人工智能Artificial Superintelligence (ASI):?牛津哲學(xué)家，知名人工智能思想家Nick Bostrom把超級智能定義為“在幾乎所有領(lǐng)域都比最聰明的人類大腦都聰明很多，包括科學(xué)創(chuàng)新、通識和社交技能?！背斯ぶ悄芸梢允歉鞣矫娑急热祟悘娨稽c，也可以是各方面都比人類強萬億倍的。

3、從技術(shù)分層來看

• 認(rèn)知：是指收集信息和解析信息來感知世界，比如圖片識別、語音識別、自然語言處理等；
• 預(yù)測：是指通過計算，來預(yù)測行為和結(jié)果。比如廣告推薦，歌曲推薦等；
• 決策：是指確定實現(xiàn)的方式和路徑，比如移動路線規(guī)劃、自動買賣股票等；
• 集成解決方案：是指人工智能和其他技術(shù)結(jié)合時，產(chǎn)生的多種集成解決方案，比如和汽車結(jié)合就是無人駕駛，和醫(yī)療器械結(jié)合就是手術(shù)機(jī)器人。

目前商業(yè)化比較普遍的，是認(rèn)知和預(yù)測領(lǐng)域的應(yīng)用。

4、從技術(shù)分類來看

• 基礎(chǔ)架構(gòu)層：云計算、芯片、Tensorflow等框架；
• 中間層：圖像識別、語音識別、語義識別、機(jī)器翻譯等；
• 應(yīng)用層：智能濾鏡，講故事機(jī)器人，助理機(jī)器人，搜索引擎，內(nèi)容推薦，阿里魯班制圖等。

5、從應(yīng)用場景來看

• 互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)應(yīng)用：搜索引擎、精準(zhǔn)營銷、用戶畫像、反欺詐
• 智能交通：自動駕駛、共享出行、自動物流
• 智能金融：銀行業(yè)、保險業(yè)、證券投資（風(fēng)控、反欺詐、投資決策）
• 智能醫(yī)療：輔助診斷、手術(shù)機(jī)器人、智能制藥、輔助器官、外骨骼
• 智能農(nóng)業(yè)：智慧農(nóng)業(yè)管理系統(tǒng)、智慧農(nóng)業(yè)設(shè)備
• 智能寫作：寫稿機(jī)器人、收集資料機(jī)器人
• 機(jī)器翻譯：文字翻譯、聲音翻譯、圖像翻譯
• 機(jī)器仿生：動物仿生、器官仿生
• 智能助理：律師助理、時間管理助理
• 創(chuàng)作藝術(shù)：編曲、寫歌、寫小說、繪畫

p.s. 人工智能>機(jī)器學(xué)習(xí)>深度學(xué)習(xí)>神經(jīng)網(wǎng)絡(luò)模型>卷積神經(jīng)網(wǎng)絡(luò)=遞歸神經(jīng)網(wǎng)絡(luò)

四、學(xué)習(xí)資料和方法

1、推薦書

科普-發(fā)展類：《浪潮之巔》《人工智能狂潮：機(jī)器人會超越人類嗎？》《人工智能：李開復(fù)談AI如何重塑個人、商業(yè)與社會的未來圖譜》《智能革命:迎接人工智能時代的社會、經(jīng)濟(jì)與文化變革》《AI：人工智能的本質(zhì)與未來》《科學(xué)的極致-漫談人工智能》《終極算法》

科普-腦洞類：《三體》《未來簡史》《奇點臨近》《機(jī)器人時代》

個人感覺產(chǎn)品經(jīng)理讀上面的這些有一個宏觀的認(rèn)知就可以了，核心是對業(yè)務(wù)縱深的理解，對AI技術(shù)邊界的理解，對AI技術(shù)知識的框架理解（后面會介紹機(jī)器學(xué)習(xí)的常見算法及應(yīng)用場景），下面的書是AI開發(fā)同學(xué)會看的書，真的感興趣可以看看。

學(xué)術(shù)類：《世界著名計算機(jī)教材精選·人工智能:一種現(xiàn)代的方法(第3版)》《深度學(xué)習(xí)》

編程類：《白話深度學(xué)習(xí)與TensorFlow》《TensorFlow實戰(zhàn)》《Python編程 從入門到實踐》

數(shù)學(xué)類：《數(shù)學(xué)之美》《程序員的數(shù)學(xué)》(簡單數(shù)學(xué)入門)《程序員的數(shù)學(xué)-2》(概率與統(tǒng)計)《程序員的數(shù)學(xué)-3》(線性代數(shù))

2、推薦學(xué)習(xí)網(wǎng)站

吳恩達(dá)在163課堂上的深度學(xué)習(xí)課程、coursera上的機(jī)器學(xué)習(xí)課程、gitchat上人工智能課程、udacity上深度學(xué)習(xí)課程等

3、推薦公眾號

36大數(shù)據(jù)、凡人機(jī)器學(xué)習(xí)、機(jī)器之心、CSDN大數(shù)據(jù)、智能玩咖、專知、網(wǎng)易智能

4、讀paper網(wǎng)站

https://www.semanticscholar.org/search?q=ai&sort=relevance、google 論文

因為AI產(chǎn)品經(jīng)理能力模型中很重要的一點就是拓寬認(rèn)知邊界，所以非常有必要讀最前沿的paper，不用糾結(jié)與算法，只看這樣的算法可以做什么！

P.S. BAT做AI能不能成？最大的機(jī)會在哪里？

在回答這個問題之前，我們先來看人工智能當(dāng)下的發(fā)展現(xiàn)狀，當(dāng)下的人工智能是有明確邊界的，有一種說法叫一秒法則，人工智能可以處理人1秒中可以想出答案的問題，這個問題還需要有以下幾個特點：大規(guī)模，重復(fù)性，限定領(lǐng)域，快速反饋。

從前文中人工智能發(fā)展史我們可以看到，資本在人工智能發(fā)展中扮演重要角色，而當(dāng)下人工智能的特性非常適用于企業(yè)層面的效率提升，而且企業(yè)可以承擔(dān)更高的采購費用，企業(yè)投資和個人消費的邏輯差異性極大，企業(yè)計算的是相對人工的長期成本差異，一個機(jī)器人10萬元，可以持續(xù)升級并使用四年，這個成本就遠(yuǎn)低于一個工人的四年人力成本總和，而且機(jī)器人不用休息。

所以我們能看到，今天的AI主要也是在2B端發(fā)力，2C端的產(chǎn)品多是音響，助理等，用戶付費意愿不強，或者使用場景單一，曾經(jīng)看過一份報告，語音機(jī)器人的最主要交互是查詢天氣預(yù)報，定鬧鐘，聽音樂，這遠(yuǎn)遠(yuǎn)達(dá)不到家用機(jī)器人的要求。

再來看BAT在人工智能方面有哪些優(yōu)勢，BAT在人工智能的布局早早開始，百度A（AI）B(Big data)C(Cloud)戰(zhàn)略，阿里騰訊也有各自云服務(wù)，大數(shù)據(jù)中心，人工智能實驗室，這些大公司勝在基礎(chǔ)架構(gòu)層、數(shù)據(jù)量和資本優(yōu)勢上，擁有大量的人工智能科學(xué)家，可以持續(xù)優(yōu)化算法，提升算法模型的準(zhǔn)確度。

從產(chǎn)品對于AI技術(shù)準(zhǔn)確性需求的角度來看，分成兩種情況，一種是需要算法準(zhǔn)確度需要達(dá)到99.9999%才能應(yīng)用的產(chǎn)品，一種是算法準(zhǔn)確率達(dá)到99%或者95%就可以的產(chǎn)品。

準(zhǔn)確度要求極高的產(chǎn)品或服務(wù)。如手術(shù)機(jī)器人，自動駕駛技術(shù)，智慧交通等，這些產(chǎn)品和服務(wù)直接關(guān)系到人的生死，要求具有極高的準(zhǔn)確度，需要AI科學(xué)家持續(xù)的優(yōu)化，只有達(dá)到近乎百分之百的準(zhǔn)確度才會商用。

準(zhǔn)確度要求不高的產(chǎn)品或服務(wù)。如面部識別，語音機(jī)器人，無人機(jī)農(nóng)藥噴灑，藝術(shù)設(shè)計，搜索引擎，精準(zhǔn)營銷等，這些產(chǎn)品和服務(wù)對于精確度要求不高，因為即使不精確也不會直接造成人員傷亡。

再來從行業(yè)的壟斷程度看，分為壟斷程度高的行業(yè)和壟斷程度低的行業(yè)。

壟斷程度高的行業(yè)。行業(yè)的壟斷程度越高，頭部公司的體量越大，最初可能因為缺乏AI技術(shù)而采購技術(shù)，當(dāng)技術(shù)環(huán)境成熟，BAT和google這類公司開源了大量技術(shù)后，行業(yè)壟斷型公司會則會搭建自己的AI團(tuán)隊，搭建自己的大數(shù)據(jù)，云計算和AI實驗室，以運營商行業(yè)為例，資源壟斷型市場，三家獨大，每家都在搭建自己的大數(shù)據(jù)分析平臺，也在搭建自己的人工智能實驗室。

壟斷程度低的行業(yè)。如衣食住行相關(guān)的制造業(yè)和零售行業(yè)，因為分散，他們有需求，但是沒有足夠體量和資本自己搭建AI團(tuán)隊，所以他們會將AI技術(shù)作為一項工具，以合理的價格采購成套服務(wù)，來實現(xiàn)+AI的升級。

如同當(dāng)年的互聯(lián)網(wǎng)+和+互聯(lián)網(wǎng)一樣，也會演化出AI+和+AI的發(fā)展方向。

通過上面的分析，我們可以繪制象限圖。

• 我認(rèn)為第一象限因為BAT擁有科學(xué)家優(yōu)勢，雖然壟斷程度高的企業(yè)很有錢，但是因為BAT有數(shù)據(jù)優(yōu)勢和科學(xué)家優(yōu)勢，在這個領(lǐng)域BAT優(yōu)勢明顯，可以向企業(yè)提供獨特的AI服務(wù)，提升壟斷企業(yè)效率，這部分產(chǎn)品需要靠AI科學(xué)家驅(qū)動。
• 第三象限雖然技術(shù)門檻低，壟斷程度低，會出現(xiàn)大量小AI公司進(jìn)入這個市場，BAT進(jìn)入這個市場擁有足夠的品牌優(yōu)勢，因為市場需求量較大，BAT可以考慮做開放平臺，為有垂直領(lǐng)域的AI公司體統(tǒng)底層服務(wù)，如果自己來做，這部分服務(wù)和產(chǎn)品將是運營和產(chǎn)品來主要驅(qū)動。
• 第二象限暫時來看不太適合進(jìn)場，第四象限壟斷企業(yè)會自己組建AI團(tuán)隊來做，我們能看到，手機(jī)制造這個還不算壟斷的行業(yè)中，因為資本實力雄厚，各個廠家已經(jīng)在組建自己的AI研發(fā)團(tuán)隊。

回答最初的問題，個人感覺BAT做AI有機(jī)會，在第一象限有合作研發(fā)的機(jī)會，在第三象限有平臺或垂直服務(wù)的機(jī)會，垂直領(lǐng)域的知識可以通過招聘獲取，垂直領(lǐng)域的市場拓展是最困難的，下面將從企業(yè)屬性來分析這個問題。

關(guān)于2B類的服務(wù)，這里提供給大家兩個視角，第一個視角，從民營企業(yè)視角看AI。第二個視角，從國營企業(yè)視角看AI，筆者個人感覺，民營企業(yè)和國有企業(yè)的在+AI上的需求上差異性極大。

從民營企業(yè)視角看AI。民營企業(yè)的核心訴求就是創(chuàng)造更多的價值，賺更多的錢，可以從開源和節(jié)流兩個角度進(jìn)行+AI，民營企業(yè)家和管理者有充足的動力去進(jìn)行改革升級，只要技術(shù)是有用的，可以提升效率或壓縮成本的，民營企業(yè)會積極擁抱改變，從吳曉波老師的激蕩三十年可以看到，中國的企業(yè)家不缺乏面對變革時轉(zhuǎn)型的決心和行動力。BAT可以考慮在盡可能多民營企業(yè)家聚集的場合，推廣真實高效的+AI產(chǎn)品和服務(wù)，如吳曉波頻道的年會，羅胖的年會等。

從國營企業(yè)視角看AI。國營企業(yè)即承擔(dān)創(chuàng)造價值的責(zé)任，也同時承擔(dān)著保證國有資產(chǎn)不流失的責(zé)任，組織內(nèi)部員工多是對上級和自己的職位負(fù)責(zé)，所以創(chuàng)新一定要穩(wěn)妥，而且國營企業(yè)有個有趣的現(xiàn)象，每年年底寫第二年工作計劃時，必須要有創(chuàng)新，也就是每年都要有新的創(chuàng)新點，但是不能太激進(jìn)，國有企業(yè)的核心訴求是不犯錯，未必有功，但求無過，所以如果BAT的產(chǎn)品只是專注于提升效率并不符合國有企業(yè)的中層和領(lǐng)導(dǎo)的訴求。但是，國有企業(yè)其實有大型互聯(lián)網(wǎng)公司賦能創(chuàng)新的需求，這個時候需要BAT等AI企業(yè)積極主動的提供解決方案。

現(xiàn)在的國有企業(yè)技術(shù)服務(wù)招標(biāo)有一套冗長的流程，所以要想搞定這些國有企業(yè)，首先提供高效便捷的AI產(chǎn)品和服務(wù)，同時從頂層或中層得到領(lǐng)導(dǎo)認(rèn)可，從執(zhí)行層面為企業(yè)招標(biāo)準(zhǔn)備完善資料和陪標(biāo)公司。大型的國有企業(yè)的定制化要求很高，現(xiàn)在用友和亞信等軟件開發(fā)團(tuán)隊多是長期駐廠，提供運維服務(wù)和新需求開發(fā)，如果BAT真的想要做垂直領(lǐng)域的AI服務(wù)，則需要BAT放下架子，做好持久戰(zhàn)的準(zhǔn)備。

下一篇文章將介紹AI常見的算法和常見AI產(chǎn)品使用的技術(shù)模型，并介紹一些常見的模型概念，如卷積神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò)等，同時將分享如何利用TensorfLow快速實現(xiàn)手寫數(shù)字識別，準(zhǔn)確度可達(dá)到98%，通過這個過程，產(chǎn)品經(jīng)理們可以初步了解到AI的實現(xiàn)過程。

#專欄作家#

田宇洲（微信公眾號：言之有術(shù)），人人都是產(chǎn)品經(jīng)理專欄作家，北京大學(xué)軟件工程管理碩士，北京電信4年產(chǎn)品經(jīng)理，負(fù)責(zé)B2B電商平臺的前后端產(chǎn)品設(shè)計，擅長游戲化產(chǎn)品設(shè)計，挖掘用戶畫像。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自unsplash，基于CC0協(xié)議