这篇文章会稍微有些长，我希望通过产品经理的视角来比较全面地对人工智能做概述和简单的分析。在这篇文章中，我们不会尝试讨论技术问题，NLP、DNN、深度学习等都不会涉及到，而是单纯讨论产品视角，其中的核心内容大多来自我的经验、观察和分析。
—— BEGIN ——
人工智能火了相当长一阵子，许多资本、创业者、大小公司似乎都在追逐这难得的风口，特别是李开复老师在多个公开场合鼓吹人工智能概念之后，随处可见的都是关于人工智能的报道和分析的文章。
人工智能作为计算机科学皇冠上最耀眼的明珠，过去几十年一直吸引着无数的计算机科学家、从业者去攀登，无数人在不断摸索人工智能的未来技术。
作为一名在人工智能领域从业过，又保持持续关注的产品经理，我在阅读了大量的文章之后，所看到的要么是将人工智能作为噱头去讨论一个空泛的行业话题，要么是在深刻分析人工智能背后的技术。我深刻感受到这些文章对于产品经理而言并没有实质性的帮助，反倒是容易让人迷惑。
所以，我决定结合自己的经验、观察和分析，希望从产品的视角来对人工智能进行一场相对全面的概述和讨论，也希望在这个过程中能够提升自己对人工智能的理解，并且希望吸引更多的小伙伴参与到讨论中来。
人工智能产品到底是什么？
1. 所谓的人工智能产品到底是什么？
在计算机世界中，基于海量数据积累，构建的一套基于海量数据的数据统计分析，它能够为一些应用场景下的关键决策带来指导和支撑，这种产品模型有一个通用的名词，叫做大数据运算。而那些基于大数据运算所做的几乎所有的场景化产品，都可以被称作人工智能产品。
人工智能产品是有别于人工智能技术的，技术是核心的竞争力，而产品的终极是要能够使用。
我们举个例子，基于深度学习技术所进行的图像识别，是一种人工智能的技术，而利用这种技术所设计的可以被用户使用的产品，就是人工智能产品，比如微软小冰的“小冰识狗”功能。
2. 在人工智能产品中，产品经理应该重点关注什么？
在人工智能产品中，我们重点讨论的应该是场景化问题，而非技术问题或者数据问题。
作为产品经理，我们所关注的核心应该是如何将成型的人工智能技术运用到合适的场景中。
众所周知，人工智能的技术到今天为止依然处于发展阶段，没有哪一项技术已经臻于完美。在技术发展过程中做产品，往往需要考虑的就是取长补短，有的放矢。
比如 Alpha Go，作为其主要开发者的 DeepMind 团队，在过去几年一直在一个场景下进行深入的研究，从而取得了突破性的进展。再比如亚马逊 Echo 音响中的人工智能语音助手 Alexa，人机对话是一个非常复杂的学术难题，但是 Alexa 聪明地限制了场景
（语音交互+智能家居）
，从而使得用户的体验变得非常好。
所以，当我们在讨论人工智能产品的时候，
它必须是聚焦于一个具体的场景，或者是一个可控的场景，从而面向特定的用户群体所，去提供一套有价值的产品或者服务。
如果说把人工智能拆解为几个关键名词，比如“数据”、“算法”、“场景”、“硬件”等等，我认为其中最关键的应当是“场景”，而此时我们会发现，“场景化”正是我们作为产品经理一直所从事的工作。
人工智能是如何火爆起来的？
现在我们简单回答第二个问题：人工智能火爆起来的原因。
事实上，在过去几十年中，人工智能一直是计算机科学中相当热门的领域，无论是机器学习、神经网络，都一直有各种科研组织为之奋斗，只是我们大多数人作为计算机基础科学之外的路人甲无从得知而已。
然而，这几年人工智能突然火爆起来，在我看来至少有如下两个方面的原因。
1. 客观原因
随着云计算的发展，数据的采集、处理和分析都变得容易，大数据得以存在于各行各业各种数据体系中，大数据的普及带来的就是人工智能的火爆。
而且，深度学习技术的发展带来了许多新鲜的思路和解决方案，无论是图像处理、自然语言处理、大数据分析、推荐引擎技术等等，一下子使得许多幕后技术可以走到台前，使得许多产品功能可以直接应用上深度学习带来的技术变革。这种技术带来的福音，使得人工智能变得更加接近用户，所以关注度的提升带来了火爆的效果。
2. 主观原因
如果说互联网 Web 1.0 起源于 1990 年的话，互联网 Web 2.0 则是在大约 2007 - 2010 年开始普及。
Web 1.0 时代下，人机交互的方式是通过 PC 个人电脑完成，人们每天有固定的时间使用电脑，电脑帮助人们更快的连接信息、连接他人、连接交易。
随着智能手机的普及，Web 2.0 时代到来，我们不再受限于电脑的不便携性，人们可以随时随地通过手机访问网络，碎片化的人机交互特性带来的冲击非常巨大。信息获取的方式不再只通过媒体，自媒体也可以承载更多信息，甚至付费时代也随之而来；我们去聊天时，不再有在线离线之别，随时随地与人沟通。这些变革一致持续至今。
当我们回过头去看的时候，发现 Web 1.0 到 Web 2.0 大约持续了 15 年，而 Web 2.0 至今也已有 10 年。
时代的发展总是有一些有趣的规律。今天，我们已经开始考虑 Web 3.0 时代，那个时候的人机交互方式又会有怎样的特质呢？
在最近几年冒出来的各种聊天机器人产品、智能硬件产品其实已经在尝试回答这一问题，而资本又需要推进这一新鲜事物的萌芽和发展。所以，我们看到了大量的主观报道开始追踪任何新鲜的人工智能产品，不断吸引着人们的目光投向这个未知的创新领域，李开复老师的演讲其实从一定程度上也是在不断主观传播人工智能产品。这些主观的传播，所带来的便是人工智能的火爆。
更重要的是：主观传播对于投资界、从业者而言价值和意义都巨大，因为关注度的提升，这个领域所聚集的能量、人才、资源就会增加，这对于刚刚开始产品化的人工智能而言大有裨益。
站在产品的视角
人工智能的本质是什么？
接下来，我们要开始逐步探讨本文的核心部分。
首先看看，站在产品视角的人工智能本质。
如果我们回过头来看我们自己做过的产品、或者用过的产品时，我们作为产品经理所需要思考的应该是如下的三个方面。
-
产品的架构和路径是什么样的：
用户画像是什么，用户会按照怎样的路径逐个使用功能，哪个功能是主功能，哪个是辅助功能，哪个是运营功能，功能的频率分布是什么，等等。
-
产品的流量是如何运作的：
用户拉新如何而来，用户留存和活跃如何保持，我们所追求的 DAU、MAU 如何完成，killer feature 是什么，等等。
-
产品的商业化是如何完成的：
流量漏斗是如何形成的，最后变现的模式是什么，商业模式稳固吗，和竞争对手的差异是什么，等等。
那么，当我们去看待人工智能在产品上的本质时，其实也应该是站在以上三个问题的视角的。
1. 人工智能解决了什么产品问题
人工智能一定是解决了产品上的某个问题才能凸显期价值的，哪怕是游戏价值。互联网作为一种效率工具，其在连接人与一切中起到了至关重要的作用，也创造了巨大的价值，那么人工智能有可能在这种连接提升价值吗？
举个例子：
当我们去使用一些金融类软件或者服务时，最需要提升的安全问题。过往这么多年，许多金融软件或服务不愿意在客户端提供过多的功能，主要是担心网络安全或者用户丢失手机等问题。
但是随着人脸识别技术的突飞猛进，许多软件都引入了人脸识别的功能，在你进行一些大额交易或者安全风险比较高的操作时，会要求你打开前置摄像头进行一些列的眨眼睛、左右摇头、上下摇头的动作，从而确保你是真实的本人
（虽然有些软件并没有使用到人工智能技术，只是把你的这些步骤给录制下来，作为证据而已）
。这种技术+产品
（场景）
的应用，就极大地提升了效率的价值，解决的是产品的问题。
人工智能解决的当然不只是产品某一方面的问题，甚至有时解决的是整个企业解决方案的问题。
再来举个例子：
当一家企业积累了超过 10 年的行业数据，这些数据涉及交易、记录、财务、仓储、物流等等方方面面，普通的算法已经处理不了这种复杂的数据体系。
此时，大数据可以有效地通过数据统计分析在其中找寻到一些特殊的规律，譬如当运送货物的时间改变时，可能交易数量会产生翻倍的增长。
这种通过大数据找到规律，然后加以辅助决策的输出，所构成的产品模型就是人工智能。因为人是不可能找到这种规律，也就不可能做出这种决策。
所以，我们能够看到，人工智能对于产品而言，其价值是在过去多年的互联网价值体现上的一种延续，都是期望能够将效率优势更大化。
2. 人工智能之于流量
我不认为人工智能是一个行业，而应该是一种手段或者方式，其目的是提升流量的价值。
在我之前的一篇文章《人工智能「风口」，先行者为什么是搜索引擎？》中，我聊到了百度的明星人工智能产品 DuerOS 操作系统，其便是为百度提升流量的价值。
DuerOS 操作系统是可以在各种不同场景下进行接入的，从而完成一些功能。比如可以给你播音乐，为你点外卖，帮你控制家里的智能家居等等。
这种多场景的接入其实就是一种数据层面上的深入沉淀：一个在百度上搜索过的用户，又用过百度知道、贴吧这些产品，百度大致能够分析出来他是多大年龄、哪里人、什么工作、什么学历等等，这些数据曾经是在线上卖给广告商用来做广告投放的。
在 DuerOS 接入之后，百度又可以拿到这个人家里都是什么电器、每天几点在家、比较在意哪些生活品质、对哪方面的消费比较冲动等等，此时百度不仅可以把这个用户卖得更贵，甚至可以直接介入广告后的消费商品推荐。这些种种的场景，其实就是 DuerOS 帮助百度将其已有的流量优势加深，使得百度所拥有的用户数据价值优势得到提升。
我始终相信，
人工智能真正有价值的是流量的价值。
Web 1.0 时代，一个流量只是一次点击或者访问，而到了 Web 2.0 时代，一个流量变成了一个可以数据化具象的人，那么到了 Web 3.0 时代，一个流量是不是就应该是一个真是的个体的所有场景延展呢？
在人工智能产品中，流量也许更加专注的是深度，而非单纯的广度。
人的本质是懒惰的，人工智能无论在交互上、处理问题的方式上都更加接近于自然。亚马逊的 Alexa 可以通过 ifttt+workflow
（不了解的同学可以自行百度一下）
的方式，让一条指令完成一系列特定的任务，这种在效率上的提升可以极大地提升流量运营的深度，让用户的 Engagement 大大提升，其想象空间就会变得巨大：
如果一个助手产品就可以帮我完成一系列工作，我还何必要下载一堆乱七八糟的应用呢？
3. 讨论商业模式话题
我不认为人工智能的创业公司都是奔着科研去的，
凡是从商的公司，从投入第一笔资金开始就已经想好了第一种盈利的模式。
在我们国家，由于技术型驱动的公司并非主流，大部分的人工智能公司都是在场景化下去解决一个具体的商业问题，从而试图盈利。
举个例子。
之前锤子手机发布会上，有一家人工智能公司“三角兽”可谓出彩，其提供的功能“Big Bang”功能也深受锤子粉丝的喜爱。
三角兽事实上做的是一个聊天机器人产品，他们拥有一支几十人的顶级算法工程师团队
（许多人和我曾经是同事~~）
，但是他们并没有只做一个“小黄鸡”聊天机器人就了事，而是通过聊天技术的积累，开始为各种 B 端企业提供聊天引擎，而且每一次服务的合作都是付费的，其盈利模式也就可以窥斑见豹了。
当大公司组建团队去做人工智能时，更是会提前考虑商业上的价值。
没有哪一家公司是随便就跳进来做人工智能产品的，哪怕是 BAT，也是在结合自身业务的基础上来搭建人工智能的团队。
百度会因为用户数据的拓展而开发 DuerOS，阿里也会因为需要提升交易额而去做它需要做的人工智能。
除了商业盈利目的之外，商业意义的另一层含义是对未来的投资。
企业介入未来技术的研发工作，其实一定程度上是确保其核心竞争力的持续性。
作为科技性质的互联网公司，技术一定是最后的竞争壁垒，人工智能技术的积累对于任何一家有研发实力的互联网公司都是值得投资的，无论早晚。
如何看待人工智能产品分类？
现在，我们来看看人工智能产品的分类。
我对人工智能产品进行了一个二维坐标系的划分，具体如下：
人工智能产品坐标系（图）
在今天，几乎所有的人工智能产品都可以落入到这个坐标系中，下面我对这个坐标系进行一个简单的解释。
1. To 企业服务 VS To 个人产品
企业服务也就是我们常说的 To B 业务，而个人产品更多是我们常说的 To C 业务。To B 解决的其实是一家机构正在面临的经营中的问题，而 To C 则是在为一群特定的用户提供一组具体的功能。
我们举几个例子。
国内有一家公司叫做“第四范式”，国外也有一家类似的公司叫做“ Palantir ”，他们都是典型的 To B 型人工智能公司，他们的产品具有非常显著的特征，就是结合企业自身的数据和特征进行产品的落地和实行，我们不能简单说他们是外包公司，更应该说他们是 PaaS+SaaS
的结合体，通过其自身云端的技术模型，结合企业的情景来解决问题。
亚马逊的 Alexa 、微软小冰、Siri 、度秘，这些产品都是 To C 的典范，他们是面向个人用户的产品，是通过其自身的产品迭代来满足特定人群的需求。
2. 存量业务 VS 增量业务
存量业务所对应的是已经成熟的产品模式，而增量业务是创新的产品模式。这么说可能会比较抽象，我举几个例子来说明一下。
01 存量业务
比如说搜索引擎：
我们过去十几年使用搜索引擎时，最习惯的交互方式是：
输入关键词，然后迅速出来一大堆的搜索结果，我们从被高亮的结果中选中我们最想要的那个，从而完成搜索。有时候一次搜索没找到结果，还得再来搜一次。
今天，必应搜索在美国正在尝试一种新的产品：通过聊天对话的方式来完成搜索。简单说，就是问机器人一个问题，机器人迅速从所有问题中找到最可能的一个结果给你，如果错了，就继续在聊天对话框中提问。
这个技术的难度在于对每次回答结果的精确性要求非常高，而且多轮对话之后能够通过上下文动态提升准确率。这就是一个典型的存量业务，因为搜索业务本身并没有改变，只是加入了人工智能产品，从而使得搜索业务变得高效。
再比如亚马逊在美国推出的 Amazon Go，也是通过人工智能技术提升了快速购物的效率，所以也是一个存量业务。
02 增量业务
增量业务通常可以直接对标为创新型应用，是过去很少有人尝试过的一种新的产品模式，或者从来就不存在过的新的场景。
比如 Siri，Google Now，Cortana，他们都属于增量业务，因为过去从来没有人用手机做语音助手，他们都属于这个领域的创新者。这个领域中还包括国内的图灵机器人、出门问问、助理来也等等。
