如何将triz应用于人工智能领域的产品?

摘要:赵敏、宁振波、郭朝晖是走向智能研究院资深专家,《三体智能革命》编委会中三位重要作者。他们从去年5月起多次参加了中国工程院主持的“中国智能制造发展战略研究报告”的研讨、评审与修订工作,对该报告的形成过程、研究主旨和详细内容有比较深入的了解和心得。

  赵敏、宁振波、郭朝晖是走向智能研究院资深专家,《三体智能革命》编委会中三位重要作者。他们从去年5月起多次参加了中国工程院主持的“中国智能制造发展战略研究报告”的研讨、评审与修订工作,对该报告的形成过程、研究主旨和详细内容有比较深入的了解和心得。

  这是三位资深专家第二次联袂撰文解读该报告,以三体模型的视角阐述他们对智能制造以及三个范式的深刻认识。内容非常丰富,视角比较独到,值得认真阅读。

  2017年12月7日,中国工程院周济院长在南京“世界智能制造大会”上发表了题为《关于中国智能制造发展战略的思考》的报告,今年1月周院长在工程院再次做了题为《新一代智能制造--新一轮工业革命的核心驱动力》的更详细同主旨报告,系统阐述了我国发展智能制造的战略,提出了智能制造三个范式(图1),引发了社会上极大关注和热烈反响。鉴于“走向智能研究院”的“《三体智能革命》写作组”曾多次受邀参与该报告多个版本讨论,笔者三人的部分观点和建议也纳入了该报告中,业界朋友提出,希望笔者能够给出一些对该报告的解读以及更详细的第三方观点。

  图1 工程院提出的智能制造三个范式

  在上月写过一篇解读文章的基础上,笔者尝试在本文中,以“三体智能模型”基本视角,对智能和智能化做一个多角度、多阶段的梳理,试图探讨智能的要义以及人造系统走向“智能化”的演变过程,加深对智能制造发展战略中的“智能化”的理解,同时对中国工程院提出的智能制造三个范式给出了进一步的解读与优化建议。

  一、《三体智能革命》中的智能本质

  关于什么是智能或智能的本质,很多文章、专着都做过论述。有的从生命的角度去理解,有的从控制论的角度去理解,有的从人工智能的角度去理解。但是,目前尚无对智能的共识性的理解,也没有形成统一的定义。

  既然是以“三体智能模型”来解读智能制造的三个范式,那么笔者首先简介《三体智能革命》的若干基本概念。

  《三体智能革命》是第一本旨在反映智能科技革命成果、预测新工业革命趋势、探讨智能社会基本原理的未来学着作。该书首次将物理世界、生命世界与数字世界的智能现象开展“打通”研究,提出了三体智能模型——物理实体、意识人体、数字虚体,介绍了智能研发、智能设计、智能制造等新成果,揭示了“互联网+”诱发创新、三体化一走向智能等新趋势,并在2015年就正式提出了“人类社会必将走向智能社会”的重大判断。该判断与“十九大”报告上的判断完全一致。三体智能模型如图2所示。


  图2 三体智能模型

  在图1中,物理实体是自然界物质以及基于物理实体材料而构建的人造系统;意识人体是包括了“人体”、“人脑”和人脑中的“意识”的生物系统,是“社会人”的统称;数字虚体是存在于电脑和网络设备之中的用来驱动软硬件设备的高级数理逻辑系统,是人类智能的承载与延伸。三体交汇融合后产生了三个界面:

  其中读者比较熟悉的就是“赛博物理系统(CPS)”。

  物理实体可以简称物或P(Physical);意识人体简称人或C或H,如笼统强调人则用H(Human),如强调意识则用C(Conscious),笔者倾向于使用C(Conscious);数字虚体简称为数或C(Cyber)。尽管在这里有两个简称都是C,但是其含义完全不同。

  《三体智能革命》在书的开篇对智能做了高度概括:智能本质是一切生命系统对自然规律的感应、认知与运用。这是一种最大限度覆盖了各种智能现象的广义定义。

  作者提出的生命系统,泛指包括地球上和宇宙间的一切具有生命周期的事物,实际上就是高度抽象概括的三类“体”,即自然界中的一切物理实体、生物界有着充分自由意识的人体和由人借助计算机技术所创建的数字虚体。

  二、对智能的通俗理解

  笔者三年前写书时就试图把智能的含义说得通俗一些:按照人所期望的“场景”、以符合自然规律的方式来实现人造系统的功能,让功能价值最大化。书中以通俗话语写到:人造系统的功能是“遂人愿,知人意”,即希望功能发生时就一定发生,不希望发生时就保持原状。

  这种通俗的智能释义,与“自动化”有很大的不同。所谓自动化是指系统一旦启动,就会按照既定的程序一直执行下去,直到程序走完而结束,期间并不会根据外部条件的变化(即不同的场景)而做出超出规定程序步骤的自主选择。而智能化是系统会根据外部条件(场景)的变化(不确定性)而自动做出最恰当选择,这种选择使得系统能够在正确的时间、以正确的方式、发出正确的动作、获得正确的结果(即精准执行),以实现最大化的功能价值。

  有了以上研究结论后,笔者又发现/)内容主要来自原创、合作媒体供稿和第三方投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。
本网站刊载的所有内容(包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等)版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时,请及时通知本站,予以删除。

}

构建智能系统,尤其是数量巨大的初级智能系统,并非首先用到人工智能,而是首先用到由长期的工业技术积累所形成的工业智能和其它智能技术。

1 智能系统的定义与识别

实现智能制造,需要构建和识别各式各样的智能系统。符合以下特征的任何一个级别的人造系统,可以认为是智能系统。

类比于人脑的认知能力,《三体智能革命》作者们对人造系统的智能特征做了提取,将智能系统分成三类:

初级智能系统具备三个基本特征:状态感知、自主决策、即刻执行,即前面提到的有感知,自决策,善动作。其决策依据通常依靠科学效应来实现(例如利用光敏传感器自动开启和调光的智能路灯,数控车床防撞刀装置等),由工业智能实现,无需嵌入计算系统;

恒定智能系统具备四个基本特征:状态感知、实时分析、自主决策、精准执行。这类系统效率极高,自主工作,但是智能水平在构建时预先设定,难以改动(例如具有感知衣料特性并自动决定洗衣策略的智能洗衣机)。这样的系统必须嵌入计算内核,嵌入软件和知识,以工业智能为主,在自主决策环节引入少量人工智能;

开放智能系统具备五个基本特征:状态感知、实时分析、自主决策、精准执行、学习提升。具备这五个特征的人造系统是高度智能、有一定认知能力的系统,具备了自我改善、学习提升的持续发展能力(例如具有深度学习能力、可借助网络共享知识,并自主更新和优化程序的智能机器人)。这样的系统具备强大的计算能力,需要使用人工智能技术或认知计算技术,可以实现对大数据的分析与处理,能不断应用、积累和创造知识。

由此可知,构建智能系统,尤其是数量巨大的初级智能系统,并非首先用到人工智能,而是首先用到由长期的工业技术积累所形成的工业智能和其它智能技术。

工业智能主要是依靠丰富的科学效应在工程技术领域的应用来实现的。

2.1 科学效应与工程技术

科学效应是几何效应、物理效应、化学效应、生物效应的统称。效应来源于科学研究与发现,但是在工业领域获得了极为广泛的应用。如果仔细分解一个机器设备,其中每一个关键子功能都是由科学效应实现的,例如洗衣机靠离心力脱水甩干,空调靠相变制冷。

科学效应是工程技术的实现依据和解决技术问题的根本,用好一个效应可以获得几十项发明专利。发明家爱迪生的1023项专利里只用到了23个效应;飞机设计大师图波列夫的1001项专利里只用到了35个效应。

科学效应:效应物质在外部物质属性输入作用影响下所形成的属性输出,输入和输出形成了特定的因果现象。例如,离心力、相变、热膨胀、双金属结构、形变、电场、磁场、电磁场、电致伸缩、磁致伸缩、电致变色、磁流体、压电效应、传导、对流、辐射、毛细管、衍射、电解、爆炸、磁热效应、超导、多普勒效应、马格努斯效应、珀耳贴效应、韦森堡效应等(了解更多的效应,可参阅作者今年1月出版的《TRIZ进阶及实战》一书)。

2.2 以物理效应构建的智能系统

在工业革命的早期,人类就利用科学效应来实现各种功能,以增强对机器的自动控制。先来看一个第一次工业革命时期的蒸汽机转速调节器,当蒸汽机转速增加时,离心力导致飞球升高带动气阀开口减小,蒸汽机转速随之降低;反之,蒸汽机转速降低时,飞球下降使得气阀开口变大、蒸汽机的转速便随之提升。依靠这样的机制,蒸汽机转速就能自动保持基本恒定。离心力这个物理效应在这里起到了关键作用。

这个结果是符合初级智能系统的基本定义的。实际上这个控制系统的状态感知是由飞球来承担的,飞球转动时离心力所形成的向上的分力,克服了重力。重力与离心力博弈的结果形成了自动决策,实时反映在飞球的高低变化上,通过连杆机构实现了对阀门的实时调节(即刻执行)。这样的自动化调节机构完全替代了过去由人来做的调节工作,遂人愿,全自动。

案例不同,原理相通——自动识别工人的手是否在冲床下方的自动检测设备,让机器轧手成为了历史,而其工作原理,不过是一个红外成像传感器;酒店或仓库的防火自动喷淋装置,其工作原理是一个盛有酒精的细玻璃管,感知到高温可以自动炸裂;飞机上的自动除冰装置,是通过激光扫描翼面来检测结冰情况,并自动启动加热装置来除冰。从过去到现在,类似的例子数不胜数。

2.3 以生物效应构建的智能系统

借用某些生物效应来实现智能系统的案例更为有趣。在电视剧《大染坊》中,主人公陈寿亭把鱿鱼爪放入正在加热的染缸中。如果鱿鱼爪很快打卷了,就是到了最合适染布的水温,他就立即指挥工人把棉布放入染缸。在这里,鱿鱼爪的生物效应(遇热打卷)起到了传感器的作用。

自2013年以来,英国警方使用蜜蜂作为传感器来缉毒获得了不错的效果。蜜蜂的嗅觉灵敏度高出缉毒犬百倍以上,其特点是闻到了毒品的味道就伸舌头,舌头可以被红外传感器探测到。于是,利用这个生物效应,人们把训练好的蜜蜂无损地固定在一个标准的塑料卡件内,每次以6个蜜蜂为一组,放在一个箱式探测器之内,然后用来检测行李。如果同时有3个蜜蜂伸出舌头,就说明行李中藏有毒品。这种技术明显地提高了检测成功率。

2.4 以工业软件构建的智能系统

工业软件由编程语言、系统软件、应用软件和介于这两者之间的中间件组成。它们是数字化革命的成果,是信息技术与工业技术相结合的产物。数字化的所有的基本功能,其实都是由科学效应来实现的,例如电场形成了计算的0和1,磁场形成了存储的0和1,电磁场形成了无线网络的0和1,等等。因此,软件不过是调用低层硬件通过科学效应来执行各种功能的计算机指令的程序集合。

工业软件可以分为机械自动化、生产自动化、企业信息化等不同的大门类。还可以分为CAX、ERP、PLM、MES、OA、EB等不同用途的软件,也可以细分为PLC、DCS、PAC/PLMC、SCADA、工控机、嵌入式系统、信息安全、生产安全、工控供应链、工业以太网、现场总线、无线通讯、低/中/高压变频器、运动控制、机械传动、电机、电气连接、工业机器人、机器视觉、离散传感器、分析测试仪表、显示控制仪表、工业电源、机箱机柜、低压电器等专属用途软件。

以《三体智能革命》中提到一个飞机关联设计案例为例,在给定飞机方案的情况下做好了CAD设计建模,形成了数字化样机。如果飞机在风洞试验中被确认需要做外形的优化与调整,就会遇到很大的麻烦,只要外形一变,内部所有有关联的结构件全部要跟着变。但是早期软件是做不到关联修改的。设计人员只好全部重新所有的相关结构件,这些重复性的劳动让设计人员苦不堪言。

而关联设计就可以解决这个问题。通过定义飞机设计总体参数及传递上下游和各专业之间接口关系的骨架模型,实现设计信息的有效传递和控制。飞机外形一变,引发骨架模型的相应变更,设计软件基于特定算法,可以自动检测到装配关系上不匹配的零部件,并经过分析计算之后,做出自适应的更改,自动引导大约60%以上的相关结构件的自动变化,这就是一种典型的智能设计,它体现了“状态感知、实时分析、自主决策、精准执行”的智能特征。

3 工业智能与智能制造

上述案例表明,很多人造系统中的智能,都是属于长期的工业技术积累所形成的、利用科学效应来实现的工业智能——系统有明确的状态感知和信息输入与输出,有着自动的决策,有着快速而灵敏的执行结果。它们可以是机械技术实现的,可以是电子技术实现的,也可以是生物技术实现的,或者是综合实现的。

对企业而言,任何的工具以实用为根本。在能用电子驱蚊器、喷雾器、紫外灭蚊器等技术手段来驱蚊、杀蚊的地方,就不要用高射炮来打蚊子。工具适用、并且有提升和改进的余地,才是最佳选择。

智能制造的原理其实并不难懂——网络无所不在、知识在任何场景下以数字化形式调用,用尽可能多的数据流动与尽可能少的成本物耗来满足个性化定制的需求。企业首先要做的,是在充分认识自身发展水平的基础上,找到一个适合企业自身条件和发展方向的快速提升的路径。其次,是让企业里的机器设备变得更加柔性,机器上的数据更加有序自由流动。

只要机器设备能够比较“聪明”,如能够自动感知人的存在而不伤人,能够修改几行软件代码就调整了机器功能,能够在任务变动的情况下自我调整生产节拍,能够自动识别并剔除缺陷产品,能够长时间、高质量地生产产品等,这样就能替代一大部分人的体脑工作,就可以释放巨大的生产力,甚至就可以改变生产关系。而构建这样的智能系统,并不一定需要人工智能的介入,基本上可以用工业智能来实现,因此,对于初级智能系统和恒定智能系统的应用是企业起步的重点。

但即使是初级智能系统,在我国的企业里也没有得到普及应用,很多设备还是哑设备、笨设备,还是会伤人,还是不自动,还是难以调整功能。大力发展以初级智能系统为核心的工业智能,是让设备变得更聪明、让企业走向智能制造的初始路径。

4 人造智能与人工智能

《三体智能革命》中定义:人造智能是人造系统所具有的一种模仿、拓展和超越人类智能的能力。

人造智能包含了所有由人开发和建立的人造系统的智能,例如源于信息技术领域的人工智能、认知计算、黑暗森林、互联网大脑等,以及源于制造技术领域的基于传感器和自动化技术的工业智能等。

作者已经在此前专门撰文指出,目前市场上流传的“智能制造里面的智能是人工智能”的说法,是不正确和片面的,具有较大的误导作用。正确的说法是:“智能制造里面的智能是人造智能”

人工智能的发展已经经历了两起两落,现在正处于第三次蓬勃兴起的大好时期。目前,过分夸大和贬低人工智能都是不可取的。人工智能的很多研究成果,已经可以期待在数年后真正用于制造业的生产过程。但是在今天,其实用性还是有一定的问题的,需要时间来优化和成熟。如果能够有人工智能的技术立即用于智能制造当然好,但是,如果没有马上能用于智能制造的人工智能技术,智能制造就不能发展了吗?事情当然不是这样。

其实,问题的实质在于概念的混淆和理解的偏差。因此澄清概念,正确理解智能制造就变得非常重要。

我们今天要实现的智能制造,是基于人造智能(而并非仅仅是人工智能)的智能制造。其中,源于工业领域长期积累的工业智能,与源于信息领域的人工智能,是要相互借鉴和融合的。以这两种智能技术为主体,兼顾其他智能技术,才是今后智能制造技术的主流发展方向。而如前所述,对于目前普遍处于工业1.X~2.X水平的中国企业来说,首先需要的,并不是高大上的人工智能,而是长期积累的工业智能。起步于工业智能,逐渐融入人工智能,才是更适于中国企业的智能制造之路。

人工智能走向成熟的市场应用大概还需要5年左右的时间,这正好是工业智能大有作为的时期。

智能制造中的智能,是人造智能。人造智能包含了工业智能、人工智能和其它类型的智能。

构建智能系统,应该特别注重应用由长期的工业技术积累所形成的工业智能,同时兼顾人工智能。工业智能基本都是由科学效应来实现的。

起步于工业智能,逐渐融入人工智能,是当下比较适用于中国企业的智能制造路径。

两化融合和智能制造,应该首先从对两种智能的清晰认识开始,从两种智能的融合开始。

}

这是方舟的第2篇原创文章

大家好,我是方舟,距离上次在“方舟谈AI“专栏发表原创文章已经1年多了,这期间其实我自己归纳整理了很多思考和知识碎片,为了便于编辑和存储都放在我的印象笔记和有道云笔记中,最近和同行们日常交流中都鼓励我把这些所思所想系统性的梳理出来,我想了想也觉得系统性的总结是产品经理的好习惯,有必要将这些东西整理后陆续发出来。

今天想讲的内容是《浅谈AI产品经理的能力矩阵》,与其说是AI产品的能力标准,不如说,这是我自己学习、择业、确定项目方向时的一个重要参考指南,同时也在基于这个能力矩阵去完善能力圈层。

文章最后,我提炼了一套我自己的AI产品方法论,即,AI产品经理能力矩阵=道+术+器+核心价值观。

01 传统产品经理能力矩阵

这里的传统产品经理泛指传统互联网产品经理,区别于保洁(产品经理这个职能的开创者)时期的实体工业产品经理,互联网产品经理标准化是在移动互联网的商业模式成型过程中,也就是2010s这个时期,在这个时期随着移动互联网的发展,各个公司特别是BAT为代表的巨头公司细化了产品经理所需要具备的能力模型,并且基于这个能力模型去对产品人员进行量化考核,首先,我们看看几个有代表性的大公司内部对产品经理的考核矩阵:

百度产品经理能力模型(引用自“三节课”平台)

腾讯经理能力模型(引用自“三节课”平台)

这是三个典型的大厂产品能力模型,对产品经理的能力的定义已经非常明晰了,基本分为了专业硬能力和通用软能力两大类。软能力包括了最常提到的学习能力、执行能力、沟通能力、责任感、沟通表达能力、市场洞察能力、创新能力、影响力等等,这些能力是比较难以量化,需要通过具体项目推进去观察,带有一定的主观性。硬能力包括了产品规划、需求调研、需求拟定(原型、需求文档等)项目管理、商务沟通、运营数据分析、市场营销等,主线是围绕产品从0-1-N全周期的具体推进,每一个环节会有具体的工具和方法,如产品规划阶段就需要用到PEST分析法、SPAN竞争与策略、波特五力模型、波士顿矩阵等,有的公司还会形成一套标准MRD(市场需求文档);再比如需求拟定环节能力细化为产品原型、交互说明、业务流、数据流、资金流等。再分享一个我目前看到过最完善的产品能力框架图,这张图把产品的能力分为了产品设计能力(市场阶段、规划阶段)、专业技能管理(产品设计阶段)、产品管理(产品开发阶段)、自我管理能力(软技能)、团队管理能力(管理能力)等五大模块,逻辑清晰,建议可以收藏产品能力框架图(引用自《天下网商》)

02AI产品经理的加成能力

简单来说,AI产品经理是传统产品经理与AI产业的交融产物,且目前AI产品经理也细分了多个垂直领域,包括视觉类、语义类、语音类、机器学习类等。一个合格的AI产品经理在具备上述传统产品经理能力模型的基础上,应该熟悉AI技术的效能与边界,对AI产业的三驾马车算法、算力、数据有一定的理解(对PM来说不要求上手coding,但是要对实现原理要理解),并且对部分垂直场景业务逻辑深耕,甚至达到跨领域协作的产品境界。展开来谈,这部分,我围绕算法、算力、数据、硬件、业务五个维度来解释AI产品经理所需要的能力加成。

中世纪拉丁语“algorismus”指的是用印度数字进行四个基本数学运算——加法,减法,乘法和除法的程序和捷径。后来,术语“算法”被人们用作表示任何逐步的逻辑过程,并成为计算逻辑的核心。

算法的历史可以分为三个阶段:

  1. 在古代,算法可以认为是程序化、规则化仪式的过程,通过该过程实现特定的目标和传递规则;
  2. 在中世纪,算法是辅助数学运算的过程;
  3. 在现代,算法是逻辑过程,由机器和数字计算机完全机械化和自动化。

算法就是计算或者解决问题的步骤。想用计算机解决特定的问题,就要遵循相应的算法。这里所说的特定问题多种多样,比如:“将随意排列的数字按从小到大的顺序重新排列”、“寻找出发点到目的地的最短路径”等等。

现在算法已经广泛应用到了我们生活当中,在浏览淘宝的时候,推荐的商品,就应用到了协同推荐算法,我和老王都买了a, b这两个商品,并且老王还买了c。那么,有比较大的概率我也会喜欢c商品。推荐算法认为,当你喜欢一个物品时,你会倾向于也喜欢同类型的其他物品。于是,当用户翻牌了其中一首歌,与它相似的那一堆歌曲很快就会亮起来然后被放进推荐中。

那么AI产品经理掌握算法需要到什么程度呢,私以为按照算法-工程化-功能模块-应用系统的这个链条关系,产品经理更应该注重从算法到用户使用这个落地过程的宽度而非算法本身的深度,对主流的算法原理需要了解但绝对不是像算法工程师一样“钻”进去,以大多数AI产品经理的产品设计和规划能力,还远没有到拼技术的时候。如下图所示是常用算法分类,同时对于AI产品经理来说最重要的分支是机器学习类算法。(后续我会写专门写文章,更细致的图解每一类功能的常用算法,欢迎关注。)

AI算法拓展(以机器学习为例)

如果是AI产品是一台高速飞驰的高性能跑车,那么算力就是强劲的发动机。算力简单来说就是实现算法功能的资源要求,可以按照云、边、端来分类,云即云计算、边即嵌入式、端泛指服务器类资源,而这三者的背后核心都是集成电路,也就是芯片。服务器和云计算的知识,很多产品经理其实都有所了解,知识获取渠道很多,但是边缘计算或者嵌入式是大多数产品经理并不常接触的领域,这里我以嵌入式算力为例着重谈一下。首先来看一下嵌入式系统的定义:以计算机技术为基础,软硬件可裁剪,适应应用系统对功能、可靠性、成本、体积、功耗等严格要求的专用计算机系统。从应用对象上加以定义来说,嵌入式系统是软件和硬件的综合体,还可以涵盖机械等附属装置。接下来浅谈一下做嵌入式相关的AI产品经理需要了解到什么程度。嵌入式硬件:包含嵌入式微处理器、存储器(SDRAM、ROM、Flash等)、通用设备接口和I/O接口(A/D、D/A、I/O等)。实现一款产品往往还包含了外围元器件,比如 GPS、气压计、超声波、PIR 等等。这与我们AI产品需要了解嵌入式技术有什么关系呢?举个例子:您拿到了一个终端设备人脸识别(人脸门禁)的需求。假设,给你提需求的人比较了解这个需求,关于识别速度、人脸库、售价要求都给你了。这时候,作为PM的你就开始想了,需要多大的算力、运行内存预计需要多少、人脸库以及视频/照片存储需要多大的空间。是手动唤醒设备还是无感的呢?分别用什么元器件可满足需求呢?满足需求的情况下,预计硬件成本是多少?性能是否足够?您也许会说,这些直接找技术就好了。那好,确实省时省力!但是这些都是非常表层的需求,你是否还需要拆解需求模块?如果您不了解,拿到需求后,可能觉得这我们可以做,那我们也可以做,但实际情况是我们可能啥也做不了,这样你就不能基于底层技术知识给予初步的可行性判断,这会产生大量的与技术来回沟通(sibi)过程。还有性能指标/功能边界,产品需求输出的时候,怎么定义这个性能指标,不太可能让开发小伙伴们自己随便找个元器件做成样品之后测试,看效果之后再改。产品经理应该有心理预判,我们是需求的推动者,而非二传手。以上,是以嵌入式为例解释了算力知识对AI产品经理的重要性。回到算力的核心,刚才说了是芯片,常用的集成电路分类包括了CPU/GPU/FPGA/ASIC,随着AI行业的发展也延伸出了AI芯片(各种XPU,取名五花八门),本质上都是基于特定类别算法的定制集成电路,这些芯片按照算法类别及算法场景(云端/终端/训练/推理)进行了针对性设计。这里我埋一个问题,现在国内外做AI芯片的厂家这么多,到底真的因为业务需要研制芯片还是其他商业目的?关于这一块,我后续也会专门总结一篇长文详解AI芯片的科技发展史。

都说现在是AI时代,也是大数据时代。我认为对于AI产品经理来说,数据包括这两层理解。第一层意思通用数据分析能力,这里不仅包括针对PV/UV/访问时长/新用户人数等运营指标的数据分析,更深一点的还会包括以分布式数据处理为核心的大数据技术(hadoop/spark/Hbase/Kafka等等),当然产品经理去了解大数据知识不是为了开发,而是为了在产品设计之初就协同研发一起评估中长期的技术需求和能力边界。第二层意思是这里要谈论的重点,针对AI算法所需要的配套数据知识。很多人都知道,目前第三波人工智能浪潮中最炙手可热的算法类别就是深度学习,他与传统算法最大的区别是,训练完成后的算法功能逻辑不是人为推理的,而是通过大量数据去训练的。关于数据其实可分为两种类型:被标记过的数据和未被标记过的数据。什么是标记呢?意同“贴标签”,当你看到一个西瓜,你知道它是属于水果。那么你就可以为它贴上一个水果的标签。算法同事用“有标签的数据”去训练模型,这里就有了“监督学习”。只要是跟“监督学习”沾边的产品/技术,比如图像识别、人脸识别、自然语言理解等等,他们都有一个必走的流程。不断地用标注后的数据去训练模型,不断调整模型参数,得到指标数值更高的模型。

当然,算法训练中的数据要求是AI产品经理所需要了解的必修课之一,除此之外延伸的数据清晰、数据入库、数据验证、数据可视化等工作也是需要一步一个脚印去攻克的难题。

关于这一块,一部分知识与前面所提到的算力息息相关。另外,特别是对于AI硬件产品经理来说,还需要关注摄像头、门禁设备、传感器等硬件知识。对于部分AI产品来说,如车联网领域,硬件、软件、结构、算法等要素是相互牵制的,多方协调才能做出一款产品出来。我以无人机产品为例,简单来说,这个产品的硬件就需要结合算法和数据层面统筹去考虑:

  • 处理器:计算平台,需要满足飞控、视觉算法(目标跟踪、Vslam等)算力要求。
  • 传感器:GPS、激光雷达、视觉传感器、陀螺仪等数据采集器件,需要满足功能效果。
  • 飞控算法:飞控的性能要求,PID 控制、目标跟踪、手势识别等
  • 定位导航:因为飞机不是在单一环境下运行,有可能GPS信号没有/不佳,光线环境不佳等。需要多传感器融合,比如视觉+气压计+超声波+GPS 。
  • 虽然算法产品经理有深度,但需要更高的广度去完成一个产品设计。
  • 各传感器的效果决定了数据的质量。

业务理解是产品经理的能力核心,因为产品经理要做的事情就是围绕特定业务形成商业闭环的,不了解业务,就不理解需求,就无法进行有效的产品设计。对于AI产品经理来说,思考的核心可以有两个走向(开源节流),第一个走向是传统问题能否利用AI技术更低成本的解决(节流),第二个走向是是否能利用AI技术创造需求并创造付费模式(开源)。

同时,我认为术业有专攻,优秀的产品一定是在特定垂直领域反复打磨的,因此一个合格的AI产品经理对某个业务领域一定要有深耕的,才会厚积薄发创造出更有沉淀的产品,AI产品经理本质上还是一个产品经理,一定是以业务为导向的。

03 AI产品经理的完整能力矩阵

好了,说了那么多,最终就是要基于传统产品经理与AI时代的能力加成要求形成一套AI产品经理方法论。我以道+术+器+核心价值观来总结,“道“就是通用软技能,“术”就是具体的实现方法,“器”就是高效的实现工具,而核心价值观是作为AI产品经理的自我修养,是内功!

产品战略与产品创新阶段

  • 市场分析:PEST分析、APPEALS方法、战略定位分析(SPAN)、麦肯锡市场细分八法;
  • 竞争力分析:波士顿矩阵(BCG矩阵)、GE分析、麦肯锡三层面理论等;
  • 机会判断;竞品分析画布、MRD撰写;
  • 用户研究:A/B test、问卷调研、可用性测试、干系人地图、用户洋葱模型等

产品规划与商业模式阶段

  • 需求分析:马斯诺需求层次理论、3W2H方法、5WHY分析法、PSPS模型等
  • 商业分析:SWOT分析、波特五力分析、精益商业画布、BRD文档;
  • 优先级评估:火车模型、Kano模型、COD评分表方法、四象限方法、MoSCoW方法等;
  • 产品规划:产品架构图、产品路线图、计划扑克工作量评估法、六西格玛、TRIZ、盈利模式设计、MVP定义;

产品设计与用户体验阶段

  • 用户体验设计:期望值管理、峰终效应、消费者行为学、同理心三角理论、用户访谈设计、用户画像设计、场景分析等;
  • 产品设计:业务流程图、功能/页面流程图、数据流程图、资金流程图、用户故事、产品原型、PRD文档、需求宣讲能力等;
  • 项目管理:瀑布模型、门径管理流程、PACE方法、精益产品开发、敏捷开发、产品价值管理;
  • 产品运营:AARRR产品运营模型、OGSM工具、运营数据分析、灰度测试、同期群分析、网络推广优化、市场维护等;
  • 产品营销:FABE法则、电梯演讲、产品路演等;
  • 产品方法框架:IPD、门径管理流程、抄超钞等;
  • 产品宏观思维:波士顿矩阵、多产品组合战略等;
  • 团队建设:团队文化定义、组织架构建设等;
  • 通用办公工具:office三件套、Xmin类思维导图等;
  • 产品原型设计:Axure、Sketch、墨刀等;

这里我要援引经典的产品设计五要素图来解释AI产品经理的核心价值观。

作为AI产品经理要时刻记住自己做产品的初心,也就是最底层的战略层,一方面是这个产品的初衷是什么,想清楚了它才能走的长远,如果只是未来表层和框架的浅显需求而做设计,那这个产品设计是站不住脚的,只有从战略层进行思考,产品整体设计才经得起推敲,那时即使在部分表层有缺陷,也瑕不掩瑜,这就好像哲学终的“本我”。

另外一方面,AI产品经理的自我定位也非常重要,在我的工作经历中,看过很多产品经理,因为主观或客观的产品立场不坚定,有时候把自己做成了商务、解决方案,有时候在一些技术架构方面与研发团队钻牛角尖,但往往丢失了一个产品经理的初心,最终产品走向也不是很理想。作为产品经理,我们需要把握的是整个产品的生命线,而很多细枝末节的事情,有细分领域更专业的人去做。

}

我要回帖

更多关于 人工智能的应用 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信