【作者】邓雄

　　【来源】互联运营观察

　　【编辑】善小倩

　　关于小产品应该有怎样的思维，走怎样的商业模式?360人工智能工程中心总经理邓雄博士目前在一次论坛上有自己独特的解读，下面刊发他的一些观点。

　　做机器学习或者深度学习，不仅仅是一个技术或者产品形态，更是一种思维;这种思维会决定你如何把一个业务/产品做成功，它是一个模式的问题。

　　我们看人工智能的时候，不要仅停留在技术或产品层面，应该再往上提一层，而这一层可能会决定未来20年人工智能发展的一个趋势。

　　所以我认为：AI是相较于过去20年互联网时代更大的一个提升。

　　这个提升，有一个非常重要的本质是它的商业模式发生了变化。

　　一、人工智能大时代变革

　　这张图大家可能在很多地方都看到过：

　　

 

　　在过去的三次工业革命过程中，有非常典型的生产力的特点(比如水蒸气、电、或者是IT相关的)，也有与生产力相对应的新商业模式的特点。

　　第一次是机械化的模式，第二次变成了流水线作业的模式，到第三次是自动化。

　　从2015年开始，我们开始真正意义上跨入了第四次工业革命。

　　那么，这次工业革命到底有什么特点呢?

　　生产力或者是产品技术方面，特点是物联网和人工智能;

　　模式上的特点是智能化，从自动化到智能化。

　　我们具体看一下第三次工业革命的分支，所谓的信息革命(或者说我们在过去20年里一直经历的互联网时代)，这个状态大概经历了三个节奏：

　　第一个节奏是信息化，银行以及很多其他机构，连小型机都没有，都是纯大型机;用的是20年前就成熟的数据库技术来存储他们的数据。

　　这个时候的特点是：信息开始被格式化存储，可以独立分散地处理——相较于第二次工业革命，已经有了很大的进步。

　　紧接着，互联网时代开始，出现了最核心的集成电路技术，以及TCP/IP协议。

　　最终带来的结果是：在信息化时代，孤立的信息开始慢慢被开放共享出来，信息开始爆炸——但是在这个时间点，数据还没有真正融合到一起。

　　到了下一个阶段，也就是云计算和大数据的阶段，数据开始真正被从各个不同的地方汇集到一起，服务开始变得越来越专业化。

　　这期间经历了大概20年的窗口期，一些比较重要的成功公司也在这个过程中间逐步诞生。

　　

 

　　从2007年到2015年，在最开始成立的公司中，很多公司的产品是技术层面上的(尤其是原创技术层面)，他们在比较早的时间上市;五六年之后，开始出现一些新的公司，这些公司在具体的领域做的很强，把过去五六年间已经成熟的技术用到了特定的领域中，发挥了更垂直、更深入的作用，使得他们走向成功。

　　再往后，这个机会就越来越少了。

　　

 

　　——这是一个商业模式变迁的规律。

　　

 

　　在未来的20年，当生产力从第三次工业革命的IT技术变到了未来的人工智能或者物联网技术的时候，可能会有些什么变化?

　　这个变化其实就是第四个阶段：数据被融合之后，开始慢慢价值化，每一个服务逐步场景化，变成非常智能、能理解你的一些功能。

　　核心特点就是：数据的价值开始凸显起来。

　　数据、算法、算力，成为这个时代最重要的三个标签，这个窗口期正常情况应该在10到20年。

　　

 

　　也就是说：不管是做人工智能创业，还是做产品的，或者是相关的技术运营也好，至少有10到20年不要转行。

　　

 

　　那么在未来10到20年左右的时间，商业模式是不是也会有同样的一个规律：在前期可能是AI的技术需要你解决，技术点被解决之后，会有一些特别领域的产品模式创新逐步体现，最终会有一些运营执行强的公司产生。

　　以上是我认为的过去20年和未来20年。

　　二、人工智能时代的产品技术本质——精细化、人性化、智能化

　　我们看一下行业中最著名的咨询公司之一的说法：

　　这是Gartner关于技术或者相关产品成熟度的一个模型。这个模型大概分成了5个阶段，纵坐标是期望(大家对这个技术产品落地的期望)，表示的是：随着一个技术、一个想法，或者一个产品形态的诞生，到最终成熟可能会经历五个阶段，这五个阶段会伴随着大家对它的期望而变化。

　　——在最开始产生的时候，大家对这样一个新的概念会非常热衷，直到一个最高点;到最高点之后，大家会发现有些东西可能是自己想的太美好，其实是做不到的，所以会把一些泡沫给慢慢吹掉，突出一些比较真实的能够落地的产品形态，或者是一些技术成果;紧接着，技术成果会慢慢在一些具体的领域中真实地发挥作用，最终形成一个行业或整个社会比较普遍的一个应用。

　　大数据在2013年的时候到达了泡沫的顶点，紧接着2014年的时候，大数据开始慢慢沉淀。

　　

 

　　

 

　　到了15年，大数据的概念已经消失了，取而代之的是研究了60年的一些技术：机器学习和相关的一些产品形态。

　　

 

　　到了2016年的时候，机器学习甚至被往回拉了，大家对他的期望开始比之前更膨胀。

　　

 

　　到了2017年，深度学习非常火。

　　

 

　　这个时间点就代表了现阶段我们对人工智能的一个认识：人工智能在此时此刻是一个最火的阶段，在未来它会慢慢落地，在一些特定的场景中逐步发挥它的作用(当然不可能是所有的场景)。

　　这个过程跟智能时代的本质有什么关系?

　　第一个关系是传统的大数据开始被机器学习、深度学习的概念融合、吸取和替代。

　　第二个是深度学习和机器学习开始受到了更大的关注。

　　这就是我最开始提到的两个核心的特征：

　　第一个特征是没有数据就没有AI。我对AI产品技术一个本质特征的定义，区别于过去的互联网时代的产品定义：它是数据互联融合之后所驱动出来的智能化，是数据驱动出来的智能化。

　　第二个特征是AI也是商业模式创新的一种思维。

　　这两点是今天给大家分享的两个关键点。

　　1. AI产品技术的本质

　　如何理解互联网数据驱动的智能化?

　　首先要说的是，对刚才提到的在未来10到20年的人工智能，大家不要对它抱太大的希望，它只能辅助你，而不能取代你的工作。

　　

 

　　真正的AI实际上是非常性感的概念，数据可能是未来10到20年人工智能时代新的石油，但是这个石油在大部分场景中间都没有被开发出来。

　　比如说，我们今天很多创业公司可能在做农业，那如果说要在农业中间加入AI的成分就相对比较困难，因为数据太少了。

　　另外一部分，比如像刚才提到的硬件的算力，只有有限的突破，而更前沿的像量子计算这样一些技术还处在非常起步的阶段。

　　所以围绕着这样一个基础的状态，我们目前的人工智能时代只是前面两个：深度学习和机器学习，他们的重要特点是重度依赖于数据。

　　

 

　　在很多的工作里，我们更多的是把深度学习、机器学习在过去60年算法研究的成果，逐步地用到一些真实的落地应用中而已。

　　这是今天的人工智能时代看起来不那么美好的一个真实的结果。在这个过程中，人工智能可能会有一些具体的领域——比如人们帮助机器听说读写这样一种能力，以及预测和决策的这种能力。

　　这不是本质，本质是什么?

　　AI时代所需要的数据在很多行业没有被开发出来的，但是有一个非常幸运的点：过去20年的互联网产业已经足够数据化;在互联网产业中数据已经喷发了，而且算力相较于过去的20年已经有指数级的倍增(这种增加对于未来20年的人工智能实际上有非常大的一个基础性的作用的);同时，这些数据开始呈现非常多样性的特点：从企业的内部到企业的外部，甚至到万物互联。

　　在互联网这个产业中，数据成为了所有，一切都数据化了。

　　

 

　　而且我们能够看到，所有的决策都来自于数据。这就是互联网数据所驱动出来的结果，有三个关键词：精细化、人性化和智能化。

　　我们做出来的最终的AI产品需要的特点是：足够精细，在特定的领域、特定的场景中间能够足够的智能——这是AI时代的产品，跟过去互联网时代产品的一个最本质区别。

　　举个例子：Alpha Go被谷歌收购之后，把技术用到了谷歌数据中心的空调制冷上;使得空调制冷成本降低了40%——这还是在谷歌已有AI团队的基础上进一步减少。当他们把开关打开，能耗马上降下来;一旦关掉，能耗马上上升。

　　

 

　　当遇到这样一个具体需求的时候，我们过去会考虑到的问题是：

　　环境温度是什么?

　　冷却系统要调节到什么温度?

　　环境温度升高，是不是要马上打开冷却系统?

　　当负荷增加，是不是马上降温?

　　这是我们过去着眼的需求。

　　当我们考虑精细化、人性化和智能化特点的时候，可能会考虑更多的东西。比如说，下一个小时的温度会怎么样?下一个小时负荷会变成怎么样?这是人工智能时代产品的特点。

　　再举个例子，塔吉特的孕妇事件：

　　这个事情大概发生在02-03年左右的一个时间，美国的第二大零售超市——塔吉特收到一名当地居民的投诉。这家超市会提前给他们家频繁地发送特定人群(孕妇)才会使用的优惠券，而他们家只有一个正在读高中的女孩;她父亲非常愤怒，他觉得塔吉特是在诱导他的女儿去做她那个年龄段不应该做的事情。

　　数月之后，法院的起诉突然被取消了——她父亲突然发现女儿真的怀孕了，而且比塔吉特晚了一个多月才知道。

　　

 

　　这件事体现的是人工智能时代产品的一个特点：你需要更懂你的用户，需要更精细化地拆分你的用户人群，需要更加智能地做所有你应该做的过去的事情。

　　这个产品从今天看来，就叫推荐引擎，当时的准确率能够达到87%——因为他们从02年开始用这个技术，到10年12年左右，他们的营收大概提升了50%以上。

　　另外一个例子是普拉达的试衣间，这个故事也很吸引人：

　　普拉达旗舰店的是一件是真正意义上按精细化、人性化、智能化的思维设计的。

　　他们怎么做的?

　　所有衣服的内部都有一个小标签，用来标识一件唯一的衣服——但这个事情用户是不知道的，当用户穿着这件衣服到试衣间，远端的服务器就知道。

　　利用智能硬件个性化内容，镜子播放的视频或图像，会根据用户进试衣间时的衣服特点调整，产生淘宝的买家秀和卖家秀的效果，从用户体验上直接提升用户的购买意愿。

　　

 

　　更重要的是：这些数据被收集后融合起来，一件衣服经常被试穿但是却没被购买，那么他们会在几周之内发现，同时在当季把这件衣服修改成接近当时的爆款，大量降低成本。

　　另外一个例子是国外的电信公司：

　　在国外的电信、银行这种公司，非常注重对用户本身的理解，他们希望在用户流失之前就知道他的流失意愿——这种类型的需求在国内各个领域也是非常普遍，但国外已经在尝试了，他们能够在一个季度之内把用户的流失降低50%。

　　

 

　　我们有个结论：获取一个新用户的成本是保留一个老用户成本的十倍左右，所以这也是一个巨大的成本的节省。

　　去年11月，谷歌无人驾驶在特定城市已经作为免费出租车的形式投入运营了;它的背后是是650万公里的数据积累——同样在做汽车，做传统汽车和做智能驾驶汽车，是不是也有类似精细化、人性化、智能化的特点?

　　

 

　　所以，AI代表了一种新的产品设计和研发的思维——产品的着眼点是数据，而产品的特点就是足够精细，足够小，足够智能。

　　三、人工智能商业模式&互联网商业模式——从以用户为核心资产到以数据为核心资产

　　AI其实是一种新的商业模式，这个模式是以数据作为最核心的资产。

　　在互联网时代，核心的特点是：用户是核心资产，不是你做的生意本身——不管你是做搜索卖货还是社交，你的核心资产都是用户。

　　

 

　　这个时候体现出来的是：

　　营销是如何精准分析用户;

　　在销售上，怎么把用户变成钱的方法;

　　在架构上，如何反映用户的诉求。

　　在产品上，如何从需求倒推到研发上，快速迭代满足用户的需求;

　　

 

　　到了人工智能时代，这个商业模式其实有一点变化——这个时候一切都数据化，数据成为最核心的资产。

　　我们的平台、产品、客户，都用数据去描述它，而不是用我们的人脑思维或者我们的经验去描述他——这是人工智能时代商业模式变化的一个特点。

　　

 

　　AI代表了一个大的变革：不再把用户看成中心，以围绕用户来开展各种工作;而是把用户变成数据，把一切业务一切操作变成数据，用数据的方式来反映到我们的产品开发中。

　　它的核心的模式特点就是数据思维。

　　

 

　　举个案例：过去20年，雅昌是转型比较成功的大数据(或叫偏人工智能)公司，这个公司经历了四个阶段的发展，大家可以看到如何做商业模式的变化：

　　

 

　　第一个阶段，这个公司是一个传统的印刷出版公司，连互联网公司都不是。

　　公司最核心的优势就是它的营销、销售、产品、生产或者它的组织架构——都非常的传统;采用的是通过大量资金的投入，或者设备的投入来体现企业的竞争力。

　　

 

　　然后尽量接所有的业务，尽量在巨大的竞争中降低成本来存活下来——这是一个非常苦的状态。

　　但是，这个公司有非常重要的特点：积累数据。十年之后，积累了大概4000万条的艺术品和6万个艺术家的信息，这个信息在艺术领域是相对比比较大的数据。

　　于是在第二阶段，它变成了一个数据服务商。他告诉所有人：我有很多艺术相关的数据，围绕着数据，开始出现了艺术品数据库产品——这个跟我们传统所理解的应用产品是不一样的，艺术品数据库产品开始跟其他公司做生意。

　　它跟拍卖公司说我有数据，你拍卖的图册，你拍卖的信息要做验证，可以用我的数据去做验证。

　　

 

　　这是一种数据产品的思维，用数据去做生意。

　　紧接着第三个阶段，他开始互联网化，产生了一个互联网的平台——从数据的拥有变成了数据的产生，由用户自己来产生数据，数据就越来越大。

　　这个时候你会发现，他更多的盈利模式变成了广告，变成了直播。

　　

 

　　一个做印刷的公司做广告和直播，大家能理解吗?是因为更洞悉用户需求，还是因为有数据才能做?

　　到第四个阶段的时候，数据驱动出来的服务越来越多，它开始做搜索引擎。

　　比如，你要搜索所有拍卖艺术家的信息，在百度上你搜不到的，因为数据在这里——这是数据决定出来的生意，甚至他开始改变了拍卖艺术品的状态，使之变成了电子化的过程。

　　

 

　　再进一步，做非常重要的指标性产品，比如雅昌指数，大家要买画，要买古董的时候，去上面查一查这个指数好不好，未来会不会增值，开始预测未来，考虑下一个阶段的状态，更加精细智能。

　　

 

　　总结一下：AI新的商业模式怎么以数据为核心呢?

　　通过数据的方式，产品经理升级产品，从应用产品做到数据产品。

　　有了这个数据，你从产业下游转到上游，开始从一个点转到了一个面——有数据，你才能做这件事情。

　　

 

　　不是因为你觉得用户需要，因为你很难把握用户的需要。

　　总结一下：智能时代的本质特点是互联数据驱动的智能化，它的产品特点是智能、人性、精细。

　　用AI，我们可以创造出来更多的一些创新性的模式，这种模式有可能会决定你的企业的成败，这是智能时代的一个本质。

　　四、人工智能产品落地——场景化、产品设计、持续改进

　　具体怎么落地?比如，金融的业务可能已经存在，我们做智慧金融的时候;正常情况下，做一个AI落地的方式是这样的：

　　我们要收集金融的数据，我们通过业务负责人或产品经理去联合一个团队，去把这些数据变成场景化的模型服务，再反推回去提升金融的具体业务。

　　比如风控，业务目标很大，产品经理很有雄心，但是业务本身非常杂乱。

　　我们做了各种类型的风控，有可能会用到各个具体的金融场景中。

　　组合的团队可能背景非常复杂：有些人非常懂AI，有些人非常懂业务，有些人擅长数据处理、数据分析，有些人擅长沟通。经常会遇到这样一些问题：很多团队怎么联合起来?没有现成的方案?团队的人永远很少?很多技术很难从别的部门拿过来?

　　

 

　　在数据层面上，我们自身的数据不多，我们要预期数据、违约数据、用户行为数据，都只有那么一点点。

　　这些数据作用到我们的模型的时候，本身特征又很少，很难使用。

　　做风控是不是需要把它拆分成几个场景：做行为的，做用户欺诈的，做别的等等;要么没人梳理，要么很少有人梳理。

　　做模型本身这个产品的时候，有很多基础设施都是不具备的——这是我们在做人工智能现阶段产品落地的一个状态。

　　而产品经理要把这些问题全部解决掉：因为你是那个业务的负责人，你是牵头的人;虽然你在每个点都不那么精通，但你是牵头人。这个千头万绪的问题，最终就会导致AI产品落地和传统产品落地差别比较明显，你解决的问题会非常不同。

　　这个过程中，用金融为例的话，解决的方式是什么?

　　三个步骤：

　　

 

　　第一个步骤是场景化

　　当你足够地理解业务，把它场景化的时候，那么你成功了20%。

　　在风控场景中，进一步细化场景，把场景中的关键要素提炼出来：

　　有多少数据描述这个场景?

　　这些数据的维度是怎么样的?

　　这个数据怎么更新的?

　　大家记住：这是产品经理考虑的，不是技术考虑的。因为这还在业务调研阶段，技术还没参与进来。收益是什么?产品的价值在哪里?——这些东西都做完了，你完成了20%的工作。

　　第二步是产品设计

　　剩下的20%，就要考虑以数据为核心资产的各种操作所带来的产品设计：

　　数据怎么收集?

　　在哪里收集?

　　什么时候收集?

　　数据怎么去分析?

　　可能用什么样的方式去分析?

　　数据的结果怎么解释给用户?

　　怎么体现出来?什么时候体现?

　　以及用户的反馈怎么通过数据化的方式收集起来?最终用在业务优化上。

　　这些都是产品设计的过程。

　　当你把这些都设计好了之后，就可以把这个东西交给技术和其他人。

　　这个过程中你有更多的工作要做：需要充分地理解业务专家、算法工程师、平台工程师、数据分析师这些人的职责，同时协调他们，把正确的事派给正确的人。

　　你需要理解AI产品的数据、模型、参数以及结果，解释产品细节。

　　第三点是把抽象场景细化为数据需求

　　当你把这些东西都设计好、理解好、分析清楚之后，才开始真正地展开产品设计。

　　产品设计是围绕数据展开的：

　　你要考虑数据怎么收集?——这是需求;

　　数据从哪里收集?——这是策略。

　　你还要考虑产品的结果如何展示给用户。

　　AI产品是不可能一次做好的，需要通过时间逐步迭代。这个过程需要你具备数据分析的能力，不是简简单单地说：

　　唉，我调研了几个用户，我知道了用户的需求，刚性需求是这个厕所场景非常重要，这个厨房场景稍微比较频率低一点。

　　你需要从数据角度直接分析出来为什么，否则这个AI产品的落地会非常曲折。

　　从大数据的角度分析，然后通过数据分析的结果，最终提炼出你的需求，同时把它数据化。数据化的过程中，你需要考虑：

　　是否适合场景?

　　是否适合AI?

　　不适合AI的，你需要过滤。

　　

 

　　这40%的工作全部做完之后，剩下的就是实施过程中协调人与流程，而你的工作是桥接业务和AI的具体解决方案。

　　所以，你既要懂业务，也要懂AI——否则你两边都说不上话，从核心变成空气。

　　你关注的是数据结果，所以从数据的指标出发，持续优化，这是AI产品经理的日常。

　　

 

　　人和流程是AI落地最大的挑战，60%工作都在里面。研发负责支撑产品，AI产品经理是决定智能产品落地的关键。

　　五、人工智能产品经理六条建议

　　

 

　　做人工智能的产品，一定要以数据为核心;你的数据思维非常重要。

　　你可以天天考虑用户的需求，但是一定要把数据作为你最终考虑的问题，这是关键——一切的工作其实围绕数据来的。

　　AI的产品一定要具备微观需求的识别能力，你从传统、宏观的方式去洞察需求，分析出来一个业务、一个场景的刚性也好，高频也好的能力，细化到数据分析的层面，去理解这个需求，把它场景化——这是做AI产品经理的一个提升。

　　洞察力对产品力非常重要，但是我们需要微观的洞察——从微观的角度，数据层面上去理解它。

　　AI产品经理必须具备一个非常重要的能力：对需求的场景化，把一个大的业务需求逐步拆分成AI能够落地的一些点，所有的AI产品都是从小处着眼的。

　　AI产品的价值来源于微小的持续优化。比如风控有可能适合某些特定的场景或人，在这个具体场景下持续去优化，会做得越来越好。

　　一个成功的AI产品体现出来的一定是智能化，能预测未来的一种状态。一个成功的AI产品经理，也一定是AI团队的大脑。

　　我们现在都把AI的团队叫做大脑团队。你是整个业务、公司的一个大脑，而其他人有可能是在做周边的一些肢体的工作——你决定了细节的维度，应该怎么去反应。

　　AI产品经理如果很成功的话，应该是大脑团队中的大脑，应该了解一些技术，需要具备数据分析的能力，需要对AI有一些知识的储备，否则很难持续把这个产品做好。

　　六、未来人工智能发展的趋势

　　补充一点，未来人工智能发展的一个趋势，以帮助我们产品经理看到未来哪些有可能是我们可以深入去做的一些点。

　　第一个点是人工智能时代就在眼前，大家不用怀疑。因为算力、算法和大数据这三个基本要素在一定程度上，在某些特定的产业场景中，已经满足一定的要求了，所以它能够在一定程度上爆发。

　　然后，关于图像、视频和自然语言处理相关的一些机会是最多的。这些相关的机会也就是人工智能实际落地的机会。像自动驾驶、语音、智能客服等。

　　可能需要特别注意的是：Gartner预测未来两年三年，80%的消费者对APP的使用将大量削减，取而代之的是开始用不需要浏览屏幕来实现的浏览——类似于智能音箱一样的东西，虚拟的个人助手;要么是语音的，要么是别的一种形态的。

　　用另外一句话说，移动互联网时代，手机移动APP开始取代了PC端的网页。但是，其实也正被另外一些东西取代，这是另外一种趋势。这个趋势是马上就要到来的。

　　人工智能时代，一个非常重要的主题是内容——所有的工作，所有的人工智能都来源于数据，而数据产生于内容。

　　大家想过没有：为什么喜马拉雅做智能音箱是合适的?因为他们有内容。这个内容直接决定了你做音箱是可以落地的，否则你做一个音箱没有内容，用户不会买。

　　我刚才一直在强调场景非常重要，如果说没有确定的场景，人工智能目前是很难落地的。