PM、AI和5G

1、什么是产品经理

如果这里的问题是「产品经理应当具备怎样的能力」，每个人都会有自己的答案，看似有理但却不成体系。这里尝试从一个新的角度—企业与产品、企业家与产品经理的关系讲起。

萨伊曾讲：企业家将资源从生产力和产出较低的领域转移到生产力和产出较高的领域。

俞老师讲：产品经理以创造用户价值为工具，打破旧的利益平衡，并建立对己方有利的新利益链，建立新平衡。

总体上，企业的本质，只在于两点：

• 发现市场获利机会

• 生产效率高于市场

而产品工作的本质也恰好在于两点：

• 价值发现

• 效率生产

产品经理所做的工作通常可以被分为三步：理解、思考、执行。理解是价值发现的前提，思考与执行是效率生产的必要条件。

产品经理的能力模型也是以支撑以上三步为目的。如「理解」主要由洞察力支撑，洞察力又受到经历、视野等影响；「思考」的核心是价值判断，其基础是逻辑，以及建构在逻辑之上的抽象、解构、架构能力；「执行」主要依赖领导力，或者叫「非职权影响力」，其底层又是自驱力。

业内对于产品经理认知的分歧大多集中在能力模型一层，上文描述的也只不过是可行解之一。但我们可以直觉感受到，所有的能力要求，都逃不脱「理解、思考、执行」这一框架。

俞老师讲，产品经理的能力主要来源于三部分：业务经验、平台适配、认知能力。

业务经验，是指在特定业务场景下，产品经理对用户模型的认知程度；平台适配，是指产品经理对所处平台组织结构、决策方式等的适应程度；而认知能力更多的是，明白如何做正确的事情，以及如何正确的做事情。

业务经验和平台适配不具备通用性，且最多三到五年就会到达天花板，而认知能力无上限，且具备极强的通用性。我在做 AI 业务时所总结方法论，一样可以复用到其他任何类型的产品上。这也是我过去一直讲「AI 产品经理与其它产品经理间不存在本质区别」的原因。

2、什么是 AI

前段时间，读了陆奇博士的《AI 的本质与创业创新》，其中有一点与我共鸣极强：以深度学习为代表的 AI 技术相较于旧有的计算形式而言，其最突出的优势在于其具备通用性与成长性。

从应用的角度来看，AI 技术具备远强于旧有计算形式的场景理解与还原能力。

通用性使得过去一些无法被高效处理的数据（如图像、语音）变得可被处理，由此使得一些新的产品形态成为可能，如智能安防、语音助手等。

同样，新数据源的接入，以及数据处理能力成长性，使得对于当下一些已有的产品形态和业务场景而言，更精准用户行为/决策模型还原成为了可能。

有人讲，策略产品经理所做的事情的本质，就是实现极致体验和最低成本的连接。而手段，就是实现尽可能精准的用户群划分，进而实现商品/服务和用户偏好的多维度匹配。

其价值在于，当对用户群的划分越精准时，每群用户的行为/决策偏好特征就越明显。而当匹配维度越丰富（超越了单一价格维度，同时考虑商品价格外属性与用户价格外偏好）时，就越有可能为一次交易找到主观评价（取决于边际效用，借用微观经济学的概念）差异最大的买卖双方。从而将交易剩余最大化，使得同一次交易对买卖双方而言都能产生更大的价值，进而有潜力使得旧有的产品形态、业务场景创造新的、更大的价值。

3、AI 产品经理到底在做什么

从我的角度来看，基于场景理解与还原能力的产品逻辑可以被这样一个简单模式描述：

未知 -> 已知 -> 感知

未知->已知：指决策哪些特征是需要被识别/理解/还原的，AI 算法的本质在于识别固定模式，而非对全量原始数据进行理解。如语音助手需要对用户表达某几类意图的语句及其中的关键信息进行识别，完成从未知到已知的过程。

已知->感知：指基于已理解/还原的场景，后续采取何种动作最终作用于用户感知上。仍以语音助手为例，语音助手需要在正确理解用户意图之后，决策如何给予用户反馈，如何满足用户需求。

但有些情况下，事情还会更复杂一些。

比如，当产品逻辑是，当已知事件 P 发生时，执行 Q 动作。但是问题在于，事件 P 的发生与否并无法通过算法一步得知。

举个例子，比如我们无法通过算法一步得知车内是否有异味，但我们可以通过算法得知司机是否吸烟，以及乘客是否对车内味道有抱怨。这时，未知->已知->感知，就变成了未知->直接已知->间接已知->感知。直接已知->间接已知，由产品经理基于对客观世界因果关系的认知得到。

另外，AI 产品策略很大程度建构于不确定性之上。对 App 而言，产品策略大多是确定的，如当用户进入时如何，点击某按钮后如何。但 AI 策略不是。AI 产品策略要面对两个巨大的 Gap：

• 未知到已知的不确定性
• 直接已知到间接已知的不确定性

未知到已知的不确定性：其原因在于，AI 算法的准召还远没到达双100%的程度，产品经理必须在准确率与召回率间做权衡。准确率不高，结果不可信怎么办？召回率不够，漏掉正样本怎么办？

直接已知到间接已知的不确定性：算法识别到了直接已知，有多大概率能表示目标间接已知发生了？误判的代价多大？这都是设计 AI 产品策略时不得不考虑的问题。

技术永远不可能完全 Ready，理想态难以实现时，完全可以考虑降级服务。如算法只保召回，由人工保准确，或相反。毕竟产品经理们实现自身价值的方式，正是在各类约束条件的限制下，权衡/决策，利用一切可利用的资源去最大化创造价值。AI 产品经理如此，其他产品经理亦如是。

4、5G 对 AI 应用的影响

AI 算法的提出，其实早已是上个世纪的事情了。之所以直至近年才开始应用，是因为 AI 应用的大规模落地需要存在三个关键要素：算法、算力、数据。近年来，随着分布式云计算的应用和线上数据积累规模的迅速扩大，才使得 AI 的落地成为可能。

5G 是可预见的，即将融入人类社会生活的关键技术之一。对 5G 的理解可以从两个维度入手：

• 下载与上传
• 带宽与时延

这里我只抛两个未必成熟的点，一个是5G将会带来上传带宽的增大。上传带宽的增大意味着过去无数人构想过的「万物互联」将成为可能，也即意味着「线下大数据」的存在将成为可能。过去仅仅依赖线上大数据+推荐算法，就足以催生出大量人类固有需求的新满足方式，线下大数据的接入，将会帮助 AI 的落地进一步突破数据要素的限制。

另一个点，是时延的降低。新技术的应用场景可以被简单的划分为四类：

• 虚拟世界的非关键应用：如游戏等
• 虚拟世界的关键应用：如金融等
• 现实世界的非关键应用：如智能家居等
• 现实世界的关键应用：如无人驾驶等

时延的降低将会使得 AI 技术得以落地在现实世界的关键应用上。

除了5G，乐观的估计，量子计算也将会在10年之内成熟，这又将会帮助 AI 进一步突破算力要素的限制。

我过去常引用一句话：一个人的命运啊，当然要靠自我奋斗，但是也要考虑到历史的行程。

5、为了什么而写作

这里多讲一些，如果以「阅读-沉淀-写作」来对认知迭代周期进行描述的话，现在的我大概处于第二周期的「沉淀」阶段。

第一周期的主题是「AI与人机对话」，从16年底起，我开始接触AI，如饥似渴的阅读了包括机器学习、深度学习、自然语言处理、语音识别、推荐系统、搜索引擎、数据挖掘、知识图谱在内共八个领域上百万字的资料文献。17年年中，开始深入人机对话领域，分析了当时业内几乎所有主流人机对话平台的设计思路。18年初开始写书，10月，我的第一本书《人工智能产品经理：人机对话系统设计逻辑探究》出版。

18年中，我裸辞从杭州来北京，当时对我最具有诱惑力的 Offer 其实有两个，一个是百度自然语言处理部，另一个是滴滴 AI Labs。百度那边做的其实正是我一直以来最擅长的事情，我完全可以选择呆在自己的舒适区里。但我却总是有种感觉，我觉得我做的事情太过狭隘，好的产品经理并不应该像那时的我一样。所以我选择了滴滴，选择去看到更大的世界。

来到滴滴后，也许是受俞老师的影响，我明白了产品经理应当是理解世界、讲述世界的人，也开启了我认知迭代的第二个周期「认知世界与自我认知」。我开始不再拘泥于外界对于产品经理知识/能力的要求，开始更深入的去接触包括经济学、心理学、进化论、沟通/谈判、商业、历史、哲学在内的诸多领域，读了近百本，上千万字的各领域经典，收获颇丰。同时滴滴也为我提供了极佳的实践环境，让我得以在不断解决更复杂问题的过程中，不断迭代自己的认知。

在这样一个时间点，我能够明确的感觉到，一个新的、范围更大的、对世界更具解释力的认知体系正在我的思维中成型。这也是我选择写一个简介为「探寻认知世界与自我认知的边界」的公众号的原因。

至于最开始的问题「为了什么而写作」，我想主要是出于两点。一个是，我能够从写作中得到快乐（我很幸运能拥有这种感受）；另一个是，我在过去的一篇文章中，提到：

我更清晰的看到了我心中所真正期待的未来：技术与工具的发展将人们从低价值的重复劳动中解放出来，使得人们得以节省下时间与精力去从事更有价值的事。人们不再需要迫于生计去从事自己根本不感兴趣的工作，每个人都可以将自己的全部精力投入到自己真正热爱的事业中去。《2011-2018，七年就是一辈子》

其实最近在读微软 CEO 萨提亚·纳德拉的《刷新》，我意识到，里面提到的「为他人赋能」正是我所一直期待/追求的。我希望帮助他人创造更大的价值，而写作恰好是方式之一。希望我的洞见和认知也能对你有帮助。