2018年3月21日，由 Amazon Web Services (AWS)中国主办的“AWS 智星之选创业论坛暨 AWS 智能之星创业大赛开幕式”，在北京清华科技园完美启动。

　　本次大会现场不但有多位行业专家共同探讨人工智能领域的发展情况， 创业邦星际营Bang Camp采访到BC9期学员爱因互动创始人、CEO 王守崑，分享交流了如何做一个 AI 产品经理的角色、机器学习以及AI 在当下对行业的影响。

　　王守崑老师毕业于清华大学自动化系本硕，是中国最早的个性化推荐系统的研究者和实践者之一。在创立爱因互动之前，曾在豆瓣工作 8 年，担任首席科学家，负责了豆瓣的整体算法架构设计和实施。后来参与创立了在线教育公司微学明日，担任 CEO 兼 CTO。这次的分享内容涵盖了人工智能公司产品经理的工作范式、对话机器人的挑战与潜力、以及对话机器人的商业价值和商业场景等话题。

　　人工智能正是发生在 21 世纪的新的通用技术，但一门新通用技术的行业的成熟期是极其漫长的。不但需要基础设施的支持，还需要各种类型的人才积累。目前人工智能技术正处于这个漫长的行业积累当中，人工智能在学术、实验室的效果很好，各行各业都在关注AI 在业界中的实践表现，但是目前从事这个领域的绝大部分是技术专家，很少其他领域的专业人士参与。特别是交互领域的 AI 产品，很多时候被称为“人工智障”。所以有时候创业者需要“精分”，既懂产品也要懂公司运营。

　　如何看待AI的发展方向?

　　爱因互动主要做售前的对话机器人，自然语言处理加上个性化推荐技术帮助垂直行业企业解决销售效率问题。我们现在的重点切入行业是保险和第三方财富管理，以及在售前过程需要比较长时间沟通的如房产行业、 汽车行业。

　　自然语言处理一直被称为人工智能领域中的“皇冠上的明珠”，比如大家熟知的图灵测试。AI目前在实验室表现非常好，但是在实际的应用场景中还有很大的提升空间。在实际应用中，计算机视觉是最成熟的领域之一;而自然语言处理、通用推理、对话机器人等等在实际的商业应用中的表现还有很大的提升空间。我有个朋友一直在说：目前我们见到的这些人工智能，如果严格从我们人类的角度来看，其实不应该叫人工智能，而是“人工智障”。

　　关于创业首先想讲的第一件事，到底选什么样的方向?

　　

 

　　我大概从三个方面看这件事情：

　　我们在做的这间事情有什么样的用户价值?

　　他的稀缺性如何?

　　技术成熟度是怎么样?

　　创业公司，建议做技术成熟度没那么高，但是用户价值(或潜在的用户价值)非常大的事情。技术成熟度高的业务一定是大公司或垄断性平台做的事情;而有些技术特别不成熟，可能得20年以后才能够见得到曙光，就不适合创业公司去做，更适合研究机构。用户价值非常高，技术成熟度还有一步之遥，这就是我们在做的事情。

　　说起人工智能，大家更多的是从技术的角度来探讨。今天我们反其道而行之，聊聊 AI 的产品经理，以及在 AI 的大航海时代，需要什么样的产品经理。

　　AI产品开发的日常

　　

 

　　产品在互联网行业中始终处于核心地位，做AI的产品经理其实是一个巨大的挑战。AI 企业的产品经理经常吐槽的一件事情，就是相比传统的软件开发、互联网产品开发而言，我们现在没有找到行之有效的AI产品开发的迭代范式。做AI产品开发和做互联网产品开发有很大不同，甚至该怎样写测试用例都没有公认的规范。产品经理经常说我不知道该怎么测这个功能，工程师说这个做完了，但是在不同场景、不同参数，甚至不同的人来测，得到的结果完全不一样。

　　挑战1 ：需求的不确定性

　　我们大致把产品经理的日常工作分为四个环节。第一，观察，观察用户、场景以及行业;第二，思考，思考需求、推演抽象，得出框架;第三，表达，表达方式可以是文档、设计稿、产品原型等等。表达这一步是把观察思考的内容具象化，在团队内部展示沟通、协调资源;第四，实践，包括开发、上线、迭代、复盘等过程。四个步骤，形成工作闭环。

　　AI 公司的技术和产品特性会给产品经理带来一些新的挑战：

　　需求不确定(比如，如何写测试用例);

　　难以判断产品项目效果(预期很难管理);

　　缺乏数据(市场、用户、反馈);

　　还未形成有效的产品开发迭代范式...

　　目前很多人工智能公司的都是从 To B 切入的，为行业客户提供人工智能的产品或解决方案。客户的需求是很难在一开始就界定清楚，在开发的过程中是不断在变化的，产品经理在这里需要发挥缓冲区的作用。

　　另外一方面你会从老板、客户、用户那里收集到繁杂不清的需求，受技术成熟度限制，有些需求可能是实现不了的，你需要对这些需求进行过滤，并对重要优先级进行排序。

　　除了需求以外，更大的挑战来自于落地场景的不确定性，这就需要产品经理扮演 Hunter 的角色，找到一个精准并且足够小的落地场景，提现用户价值。这也是一部分互联网从业者暂时还看不清 AI 的原因。

　　挑战2：打不开的技术黑盒

　　AI 时代的产品经理需要面对的另外一个挑战是技术黑盒。在成熟的产品体系下，产品经理是不需要考虑技术黑盒的问题的。但是 AI 产品显然不属于这种情况。

　　针对快速变化的技术领域，我们的建议是产品经理尽量不要试图从内涵的角度了解技术，因为你最终的目标不是技术专家。在面向对象编程领域一直有这样一个说法：如果一个东西看起来是鸭子，叫起来也是鸭子，走起路来也是鸭子，那它就是鸭子。从外部属性的角度去了解技术，放在产品经理的语境中同样适用。

　　那么如何从外延理解或者定义技术呢?

　　首先，可以从能达到的效果来定义技术。其次，从适用环境来定义技术，即这项技术适用于什么样的环境，环境变了会有什么样的变化。再其次，从产品消耗的资源来定义它，即如果要实现这样一项技术，要消耗什么样的资源，要多少数据;如果环境变了，或者说如果在资源不够的情况下，会产生什么样的问题。

　　此外还可以从团队配置的角度来定义技术。所有的技术、产品最终都是由人来实现的，所以从人、团队的角度去定义技术，其实应该是产品经理最重要的职业技能之一。在 AI 时代里，我们不能保证某个技术黑盒一定能打开，或者对于某项技术的理解到什么程度，但是经过职业积累，产品经理需要能够把控实现某需求需要什么样的团队配置，以及对于工程量的估算。

　　挑战3：来自团队的挑战，端口更复杂

　　第三个挑战，就是团队的挑战。在一个成熟的行业中，组织架构的设计上倾向于让这个团队之间的接口非常明确(守崑老师是技术背景)。同时，团队的交互是非常清晰的，这样才能让系统是可控的。我们可以想象流水线的情况，对于流水线上的工人来说，他们的接口就是上一个 Stack 和下一个 Stack 这两个接口就够了，而且跟他发生交互的人，跟他的工作性质是类似的。

　　AI 是一个新兴的、不确定性很高的行业，团队的组织架构跟成熟行业大公司很多方面都存在差异。对于产品经理来说可能面临的一个很严重的挑战就是，你的接口会变得特别多。产品经理需要跟公司里的每一个人打交道，并且还有一些新物种，刚刚已经被吐槽半天了，所谓的科学家。怎么和科学家打交道，这是 AI 产品经理的必修课。

　　

 

　　在这里我们强调一下表达这个环节。我们看前面提到的各种挑战，面对不确定性、面对技术黑盒的挑战、面对团队各种各样不同的角色，所以我们认为在这样一个环境下，产品经理的表达能力非常重要。这里的表达能力不仅仅是沟通能力，不仅仅是说出来的能力。写文档，做具像化，做展示都是表达能力的一部分。你写的文档能不能让你的同事很好的理解，让你的客户很好抓住重点，这也是表达能力的其中之一。好的表达能力能够让整个团队协同高效、事半功倍。

　　哪些适合AI来完成?

　　

 

　　关于哪些工作适合 AI 来完成，知名学者吴恩达有一个观点，不失为一种有效的判断方法，即“一秒法则”。如果人的判断或者人做的事情能在一秒钟之内完成的话，这件事情就很有可能会被 AI 替代。产品经理在客户那边寻找场景的时候，就可以遵循这样的原则。

　　我们可以把一秒法则拆分为两个核心，一是“一秒之内做决定”，二是“大规模重复性的事情”。当然，这一定是限定在一定领域内的事情。当前的机器学习能解决的事情就是限定领域的事情，跨领域的事情，过于抽象和普适性的事情，不是当前技术能解决的。这意味着，所有能用一秒法则去做的事情一定是大规模和重复性的，并且背后含义是这件事一定是在限定的、非常窄的领域。如果这个场景涉及到复杂领域，就没有办法用一秒法则去做。比如，计划暑假去哪里玩儿?这回涉及到很多领域的问题，比如目的地的情况，机票是不是订得到，预算是多少等等一系列问题。

　　另外一个场景特征就是，就是可以快速获得反馈。实际工作中的产品经理经常要考虑的问题，就是能不能快速获得反馈。无论是不是用人工智能的技术，越快获得反馈的产品或场景，其实越适合建模用算法来解决。原因在于它能够快速的去做优化调整，去调整参数、调整模型，它拥有足够多的训练数据，而且是足够快的。反过来说，有比较长的反馈周期的场景，在当前的技术条件下，是很难做优化的。因为中间可能会发生很多事情，要控制的变量太多，很难把这个周期中的因和果联系起来。

　　所以产品经理做是否可以借助 AI 技术做一定程度上的优化的判断依据就是，是否能获得大规模的重复性数据，领域足够垂直足够窄，并且事情做得好不好可以很快收到反馈。

　　AI 时代的日常挑战

　　AI产品经理会对细节掌控上做更多的要求，需要产品经理从细节上把握需要做的事情以及实现过程。同时还会考察到产品经理的在定义问题时的思考深度，以及大局观的决策力，把可能影响到结果的各种因素综合考虑。

　　刚才提到了我们对AI的一个理解，其实还是机器学习，我们也认为当前的机器学习离我们想象中的AI有些距离。当然我作为一个创业者，我对自己的看法，我们要更乐观一些。这里是我在从事的自然语言处理行业，假象成熟的时间表。当前初级文案工作，已经可以做了。文字的加工与生成自动写稿，在1-2年之内就能够突破。商用翻译在1-2年之内可以突破。

　　

 

　　我们在商业翻译领域做的更好。专业化文章的撰写，一个主题生成一篇文章，这个可能需要3-5年的时间。专业文章撰写已经细分到很多领域了，体育领域、财经领域、娱乐领域……。在对话的过程中，人机交互的过程中，所谓智能问答，一问一答，已经成熟了，在很多领域应用了。限定专业领域的对话机器人，做到人的水平，在窄的领域里有1-2年的时间。通用的跨领域对话达到人的水平，可能还要有3-5年的时间，这是我比较乐观的看法。很多人有不同的看法，有些人的预测里，要十年以上才行。

　　AWS：初创企业的好伙伴

　　最后说一下初创企业的好伙伴，AWS。在使用AWS的过程中亚马逊给了爱因互动非常多的帮助。AWS提供了什么样的支持，从两方面说下：

　　

 

　　1.AWS提供对初创企业扶持的计划，加入后能够为像我们这样的初创企业有很多的帮助;比如将workflow放到云平台上进行协作和对接，还有很多丰富的组件功能和完备的SDK接入。并且AWS会提供一些免费额度的云服务，我们随后也成为了AWS迁移计划的主要成员之一。

　　2. 基于客户的需求，我们也有测试过其他的云平台。我们对比了一下运维的成本包括服务的完整性，选择了与AWS进行合作。稳定性上相较于其他产品，封装的部分有很多是可以直接拿来用的，也与我们的技术栈吻合。

　　最后给大家分享一句话，也是我在不同场合一直强调的一句话：算法不应该替代人与人之间的交互，而应该让人与人之间的交互更加顺畅美好(Algorithms should facilitate rather than replace social process)。