随着人工智能技术的飞速发展，AI在各个领域的应用如雨后春笋般涌现，为产品创新带来了前所未有的机遇。
然而，在这股热潮中，产品经理们也容易陷入一些关于AI的常见误区。这些误区可能会影响产品的设计、开发和落地，甚至导致资源的浪费和决策的失误。
为此，
起点课堂邀请了前雪球产品高级总监@黄喆老师，分享当下产品经理对于AI认知的一些常见误区，希望能给你带来一些思考！
误区1 ：
过度神话AI能力，忽视边界
黄喆老师：
每个事情都是有边界的，对于AI的能力来说，同样是有边界的。举2个例子，医疗和教育。目前AI在这两个行业的融合应用已经有很多成功的案例，并且产生了比较好的效果。
在教育方面，很多家长现在会用Deepseek来给孩子教学。但是教育AI在处理数学、物理等学科时，常无法识别手写公式的连笔或变形符号（如积分符号∫与求和符号Σ的混淆），且难以实时推导多变量方程（如偏微分方程中变量关系的动态变化）。
而当学生追问"为什么从步骤A推导到步骤B"时，AI往往只能重复既定知识库内容，无法构建个性化推理路径。
对于立体几何教学，AI训练数据也是未能包含足够多视角立体图示标注，难以建立空间想象辅助 。
在医疗方面，比如说一些疾病的诊断是非常个人化的，需要针对病人的实际情况做个性化诊断。医疗AI训练集往往会缺乏一些疾病数据的标注。
比如中医讲究望闻问切，医生可以通过病人的脸色、语气、交流互动去了解一些信息，但这些信息其实不一定是数字化的信息，即使是录制成视频投喂AI，也会有很多捕捉不到的问题。
所以人工智能，是在有限的条件和基础下，帮助专业的人去做一些数据的预处理，但在我们做一些业务的决策时，一定要做好边界的划分，即什么样的事情由AI来帮你去做，什么样的事情由人来最终选择和判断。
人工智能是有边界的，这个边界反映在我们很多的产品工作中，作为产品经理，就需要做好这两个之间的分段。
误区2：
对技术细节缺乏了解，盲目依赖第三方API
黄喆老师：
我们在做人工智能的结合的时候，对技术了解很少或者是基本不了解，然后就完全信从于第三方提供的结果。
比如说多模态生成视频，很多同学都比较感兴趣，但其实你要知道这背后的一些限制，比如说生成视频是多少秒的，有多少帧。
这背后反映的是什么？说明运算的成本是很高的。背后的算力对应的就是你直接需要花的钱，你的成本。
比如我之前有一个朋友在央视网，领导说人工智能很火，要用人工智能做一个短片。领导一开始的预期是做一个两分钟的短片，但是按照他们的投入和技术能力，两分钟的短片要做两年。最后砍砍，砍成了一个15秒的短片。
如果你做的这个事情，包括你做的这个推理模型的一些调用，对于计算都是有一定要求的。还有就是隐形成本，如果要做数据计算，数据清洗部分也是需要成本的。这些成本其实不在于你接了大模型，比如Deepseek是免费开源的，但如果你提供的数据不行，那最后的结果也不会好。
对于产品经理来说，切入点是什么？需要关注数据质量，而且我们做产品工作都是结果导向的，不是说光接个模型就行了，还要看模型到底最后结果怎么样。
所以作为产品经理，今天面对AI的大背景，你需要去了解，知道大概是一个怎样的成本。
误区3：
低估AI落地成本，忽视长期投入
黄喆老师：
第三个误区其实也会涉及到成本的问题，也会影响我们长期的判断和选择。很多企业会做一些本地化部署。虽然从技术角度来说，本地化部署实现起来不难，有很多大一点的公司和团队都能提供这样的服务和能力。
但是作为产品经理，你不能光看一次性的投入，还要看持续性的投入，比如说硬件采购是一次性的，但合规安全、算力消耗、人力维护，还有用了多长时间，这一系列的延续性成本，都是需要计算的。
给大家举一个法律模型的案例，叫ChatLaw。
我之前在一家法律科技的公司做过一些产品和AI的融合，法律行业里面有一个裁判文书网，有大量的案件信息和数据公开，很多团队都会拿这个数据去做自己的算法或者模型。
但是法律行业的数据都是非结构化的，这些数据要经过数据清洗和数据标注才能用到模型里。因为这是纯法律行业的数据，需要有法律背景的人才能做，前后找了1万多人来做数据标注这个事情。
