【作者】鄧雄

【來源】互聯運營觀察

【編輯】善小倩

關于小產品應該有怎樣的思維，走怎樣的商業模式？360人工智能工程中心總經理鄧雄博士目前在一次論壇上有自己獨特的解讀，下面刊發他的一些觀點。

做機器學習或者深度學習，不僅僅是一個技術或者產品形態，更是一種思維；這種思維會決定你如何把一個業務/產品做成功，它是一個模式的問題。

我們看人工智能的時候，不要僅停留在技術或產品層面，應該再往上提一層，而這一層可能會決定未來20年人工智能發展的一個趨勢。

所以我認為：AI是相較于過去20年互聯網時代更大的一個提升。

這個提升，有一個非常重要的本質是它的商業模式發生了變化。

一、人工智能大時代變革

這張圖大家可能在很多地方都看到過：

在過去的三次工業革命過程中，有非常典型的生產力的特點（比如水蒸氣、電、或者是IT相關的），也有與生產力相對應的新商業模式的特點。

第一次是機械化的模式，第二次變成了流水線作業的模式，到第三次是自動化。

從2015年開始，我們開始真正意義上跨入了第四次工業革命。

那么，這次工業革命到底有什么特點呢？

1. 生產力或者是產品技術方面，特點是物聯網和人工智能；
2. 模式上的特點是智能化，從自動化到智能化。

我們具體看一下第三次工業革命的分支，所謂的信息革命（或者說我們在過去20年里一直經歷的互聯網時代），這個狀態大概經歷了三個節奏：

第一個節奏是信息化，銀行以及很多其他機構，連小型機都沒有，都是純大型機；用的是20年前就成熟的數據庫技術來存儲他們的數據。

這個時候的特點是：信息開始被格式化存儲，可以獨立分散地處理——相較于第二次工業革命，已經有了很大的進步。

緊接著，互聯網時代開始，出現了最核心的集成電路技術，以及TCP/IP協議。

最終帶來的結果是：在信息化時代，孤立的信息開始慢慢被開放共享出來，信息開始爆炸——但是在這個時間點，數據還沒有真正融合到一起。

到了下一個階段，也就是云計算和大數據的階段，數據開始真正被從各個不同的地方匯集到一起，服務開始變得越來越專業化。

這期間經歷了大概20年的窗口期，一些比較重要的成功公司也在這個過程中間逐步誕生。

從2007年到2015年，在最開始成立的公司中，很多公司的產品是技術層面上的（尤其是原創技術層面），他們在比較早的時間上市；五六年之后，開始出現一些新的公司，這些公司在具體的領域做的很強，把過去五六年間已經成熟的技術用到了特定的領域中，發揮了更垂直、更深入的作用，使得他們走向成功。

再往后，這個機會就越來越少了。

——這是一個商業模式變遷的規律。

在未來的20年，當生產力從第三次工業革命的IT技術變到了未來的人工智能或者物聯網技術的時候，可能會有些什么變化？

這個變化其實就是第四個階段：數據被融合之后，開始慢慢價值化，每一個服務逐步場景化，變成非常智能、能理解你的一些功能。

核心特點就是：數據的價值開始凸顯起來。

數據、算法、算力，成為這個時代最重要的三個標簽，這個窗口期正常情況應該在10到20年。

也就是說：不管是做人工智能創業，還是做產品的，或者是相關的技術運營也好，至少有10到20年不要轉行。

那么在未來10到20年左右的時間，商業模式是不是也會有同樣的一個規律：在前期可能是AI的技術需要你解決，技術點被解決之后，會有一些特別領域的產品模式創新逐步體現，最終會有一些運營執行強的公司產生。

以上是我認為的過去20年和未來20年。

二、人工智能時代的產品技術本質——精細化、人性化、智能化

我們看一下行業中最著名的咨詢公司之一的說法：

這是Gartner關于技術或者相關產品成熟度的一個模型。這個模型大概分成了5個階段，縱坐標是期望（大家對這個技術產品落地的期望），表示的是：隨著一個技術、一個想法，或者一個產品形態的誕生，到最終成熟可能會經歷五個階段，這五個階段會伴隨著大家對它的期望而變化。

——在最開始產生的時候，大家對這樣一個新的概念會非常熱衷，直到一個最高點；到最高點之后，大家會發現有些東西可能是自己想的太美好，其實是做不到的，所以會把一些泡沫給慢慢吹掉，突出一些比較真實的能夠落地的產品形態，或者是一些技術成果；緊接著，技術成果會慢慢在一些具體的領域中真實地發揮作用，最終形成一個行業或整個社會比較普遍的一個應用。

大數據在2013年的時候到達了泡沫的頂點，緊接著2014年的時候，大數據開始慢慢沉淀。

到了15年，大數據的概念已經消失了，取而代之的是研究了60年的一些技術：機器學習和相關的一些產品形態。

到了2016年的時候，機器學習甚至被往回拉了，大家對他的期望開始比之前更膨脹。

到了2017年，深度學習非常火。

這個時間點就代表了現階段我們對人工智能的一個認識：人工智能在此時此刻是一個最火的階段，在未來它會慢慢落地，在一些特定的場景中逐步發揮它的作用（當然不可能是所有的場景）。

這個過程跟智能時代的本質有什么關系？

• 第一個關系是傳統的大數據開始被機器學習、深度學習的概念融合、吸取和替代。
• 第二個是深度學習和機器學習開始受到了更大的關注。

這就是我最開始提到的兩個核心的特征：

• 第一個特征是沒有數據就沒有AI。我對AI產品技術一個本質特征的定義，區別于過去的互聯網時代的產品定義：它是數據互聯融合之后所驅動出來的智能化，是數據驅動出來的智能化。
• 第二個特征是AI也是商業模式創新的一種思維。

這兩點是今天給大家分享的兩個關鍵點。

1. AI產品技術的本質

如何理解互聯網數據驅動的智能化？

首先要說的是，對剛才提到的在未來10到20年的人工智能，大家不要對它抱太大的希望，它只能輔助你，而不能取代你的工作。

真正的AI實際上是非常性感的概念，數據可能是未來10到20年人工智能時代新的石油，但是這個石油在大部分場景中間都沒有被開發出來。

比如說，我們今天很多創業公司可能在做農業，那如果說要在農業中間加入AI的成分就相對比較困難，因為數據太少了。

另外一部分，比如像剛才提到的硬件的算力，只有有限的突破，而更前沿的像量子計算這樣一些技術還處在非常起步的階段。

所以圍繞著這樣一個基礎的狀態，我們目前的人工智能時代只是前面兩個：深度學習和機器學習，他們的重要特點是重度依賴于數據。

在很多的工作里，我們更多的是把深度學習、機器學習在過去60年算法研究的成果，逐步地用到一些真實的落地應用中而已。

這是今天的人工智能時代看起來不那么美好的一個真實的結果。在這個過程中，人工智能可能會有一些具體的領域——比如人們幫助機器聽說讀寫這樣一種能力，以及預測和決策的這種能力。

這不是本質，本質是什么？

AI時代所需要的數據在很多行業沒有被開發出來的，但是有一個非常幸運的點：過去20年的互聯網產業已經足夠數據化；在互聯網產業中數據已經噴發了，而且算力相較于過去的20年已經有指數級的倍增（這種增加對于未來20年的人工智能實際上有非常大的一個基礎性的作用的）；同時，這些數據開始呈現非常多樣性的特點：從企業的內部到企業的外部，甚至到萬物互聯。

在互聯網這個產業中，數據成為了所有，一切都數據化了。

而且我們能夠看到，所有的決策都來自于數據。這就是互聯網數據所驅動出來的結果，有三個關鍵詞：精細化、人性化和智能化。

我們做出來的最終的AI產品需要的特點是：足夠精細，在特定的領域、特定的場景中間能夠足夠的智能——這是AI時代的產品，跟過去互聯網時代產品的一個最本質區別。

舉個例子：Alpha Go被谷歌收購之后，把技術用到了谷歌數據中心的空調制冷上；使得空調制冷成本降低了40%——這還是在谷歌已有AI團隊的基礎上進一步減少。當他們把開關打開，能耗馬上降下來；一旦關掉，能耗馬上上升。

當遇到這樣一個具體需求的時候，我們過去會考慮到的問題是：

• 環境溫度是什么？
• 冷卻系統要調節到什么溫度？
• 環境溫度升高，是不是要馬上打開冷卻系統？
• 當負荷增加，是不是馬上降溫？

這是我們過去著眼的需求。

當我們考慮精細化、人性化和智能化特點的時候，可能會考慮更多的東西。比如說，下一個小時的溫度會怎么樣？下一個小時負荷會變成怎么樣？這是人工智能時代產品的特點。

再舉個例子，塔吉特的孕婦事件：

這個事情大概發生在02-03年左右的一個時間，美國的第二大零售超市——塔吉特收到一名當地居民的投訴。這家超市會提前給他們家頻繁地發送特定人群（孕婦）才會使用的優惠券，而他們家只有一個正在讀高中的女孩；她父親非常憤怒，他覺得塔吉特是在誘導他的女兒去做她那個年齡段不應該做的事情。

數月之后，法院的起訴突然被取消了——她父親突然發現女兒真的懷孕了，而且比塔吉特晚了一個多月才知道。

這件事體現的是人工智能時代產品的一個特點：你需要更懂你的用戶，需要更精細化地拆分你的用戶人群，需要更加智能地做所有你應該做的過去的事情。

這個產品從今天看來，就叫推薦引擎，當時的準確率能夠達到87%——因為他們從02年開始用這個技術，到10年12年左右，他們的營收大概提升了50%以上。

另外一個例子是普拉達的試衣間，這個故事也很吸引人：

普拉達旗艦店的是一件是真正意義上按精細化、人性化、智能化的思維設計的。

他們怎么做的？

1. 所有衣服的內部都有一個小標簽，用來標識一件唯一的衣服——但這個事情用戶是不知道的，當用戶穿著這件衣服到試衣間，遠端的服務器就知道。
2. 利用智能硬件個性化內容，鏡子播放的視頻或圖像，會根據用戶進試衣間時的衣服特點調整，產生淘寶的買家秀和賣家秀的效果，從用戶體驗上直接提升用戶的購買意愿。

更重要的是：這些數據被收集后融合起來，一件衣服經常被試穿但是卻沒被購買，那么他們會在幾周之內發現，同時在當季把這件衣服修改成接近當時的爆款，大量降低成本。

另外一個例子是國外的電信公司：

在國外的電信、銀行這種公司，非常注重對用戶本身的理解，他們希望在用戶流失之前就知道他的流失意愿——這種類型的需求在國內各個領域也是非常普遍，但國外已經在嘗試了，他們能夠在一個季度之內把用戶的流失降低50%。

我們有個結論：獲取一個新用戶的成本是保留一個老用戶成本的十倍左右，所以這也是一個巨大的成本的節省。

去年11月，谷歌無人駕駛在特定城市已經作為免費出租車的形式投入運營了；它的背后是是650萬公里的數據積累——同樣在做汽車，做傳統汽車和做智能駕駛汽車，是不是也有類似精細化、人性化、智能化的特點？

所以，AI代表了一種新的產品設計和研發的思維——產品的著眼點是數據，而產品的特點就是足夠精細，足夠小，足夠智能。

三、人工智能商業模式&互聯網商業模式——從以用戶為核心資產到以數據為核心資產

AI其實是一種新的商業模式，這個模式是以數據作為最核心的資產。

在互聯網時代，核心的特點是：用戶是核心資產，不是你做的生意本身——不管你是做搜索賣貨還是社交，你的核心資產都是用戶。

這個時候體現出來的是：

• 營銷是如何精準分析用戶；
• 在銷售上，怎么把用戶變成錢的方法；
• 在架構上，如何反映用戶的訴求。
• 在產品上，如何從需求倒推到研發上，快速迭代滿足用戶的需求；

到了人工智能時代，這個商業模式其實有一點變化——這個時候一切都數據化，數據成為最核心的資產。

我們的平臺、產品、客戶，都用數據去描述它，而不是用我們的人腦思維或者我們的經驗去描述他——這是人工智能時代商業模式變化的一個特點。

AI代表了一個大的變革：不再把用戶看成中心，以圍繞用戶來開展各種工作；而是把用戶變成數據，把一切業務一切操作變成數據，用數據的方式來反映到我們的產品開發中。

它的核心的模式特點就是數據思維。

舉個案例：過去20年，雅昌是轉型比較成功的大數據（或叫偏人工智能）公司，這個公司經歷了四個階段的發展，大家可以看到如何做商業模式的變化：

第一個階段，這個公司是一個傳統的印刷出版公司，連互聯網公司都不是。

公司最核心的優勢就是它的營銷、銷售、產品、生產或者它的組織架構——都非常的傳統；采用的是通過大量資金的投入，或者設備的投入來體現企業的競爭力。

然后盡量接所有的業務，盡量在巨大的競爭中降低成本來存活下來——這是一個非常苦的狀態。

但是，這個公司有非常重要的特點：積累數據。十年之后，積累了大概4000萬條的藝術品和6萬個藝術家的信息，這個信息在藝術領域是相對比比較大的數據。

于是在第二階段，它變成了一個數據服務商。他告訴所有人：我有很多藝術相關的數據，圍繞著數據，開始出現了藝術品數據庫產品——這個跟我們傳統所理解的應用產品是不一樣的，藝術品數據庫產品開始跟其他公司做生意。

它跟拍賣公司說我有數據，你拍賣的圖冊，你拍賣的信息要做驗證，可以用我的數據去做驗證。

這是一種數據產品的思維，用數據去做生意。

緊接著第三個階段，他開始互聯網化，產生了一個互聯網的平臺——從數據的擁有變成了數據的產生，由用戶自己來產生數據，數據就越來越大。

這個時候你會發現，他更多的盈利模式變成了廣告，變成了直播。

一個做印刷的公司做廣告和直播，大家能理解嗎？是因為更洞悉用戶需求，還是因為有數據才能做？

到第四個階段的時候，數據驅動出來的服務越來越多，它開始做搜索引擎。

比如，你要搜索所有拍賣藝術家的信息，在百度上你搜不到的，因為數據在這里——這是數據決定出來的生意，甚至他開始改變了拍賣藝術品的狀態，使之變成了電子化的過程。

再進一步，做非常重要的指標性產品，比如雅昌指數，大家要買畫，要買古董的時候，去上面查一查這個指數好不好，未來會不會增值，開始預測未來，考慮下一個階段的狀態，更加精細智能。

總結一下：AI新的商業模式怎么以數據為核心呢？

通過數據的方式，產品經理升級產品，從應用產品做到數據產品。

有了這個數據，你從產業下游轉到上游，開始從一個點轉到了一個面——有數據，你才能做這件事情。

不是因為你覺得用戶需要，因為你很難把握用戶的需要。

總結一下：智能時代的本質特點是互聯數據驅動的智能化，它的產品特點是智能、人性、精細。

用AI，我們可以創造出來更多的一些創新性的模式，這種模式有可能會決定你的企業的成敗，這是智能時代的一個本質。

四、人工智能產品落地——場景化、產品設計、持續改進

具體怎么落地？比如，金融的業務可能已經存在，我們做智慧金融的時候；正常情況下，做一個AI落地的方式是這樣的：

我們要收集金融的數據，我們通過業務負責人或產品經理去聯合一個團隊，去把這些數據變成場景化的模型服務，再反推回去提升金融的具體業務。

比如風控，業務目標很大，產品經理很有雄心，但是業務本身非常雜亂。

我們做了各種類型的風控，有可能會用到各個具體的金融場景中。

組合的團隊可能背景非常復雜：有些人非常懂AI，有些人非常懂業務，有些人擅長數據處理、數據分析，有些人擅長溝通。經常會遇到這樣一些問題：很多團隊怎么聯合起來？沒有現成的方案？團隊的人永遠很少？很多技術很難從別的部門拿過來？

在數據層面上，我們自身的數據不多，我們要預期數據、違約數據、用戶行為數據，都只有那么一點點。

這些數據作用到我們的模型的時候，本身特征又很少，很難使用。

做風控是不是需要把它拆分成幾個場景：做行為的，做用戶欺詐的，做別的等等；要么沒人梳理，要么很少有人梳理。

做模型本身這個產品的時候，有很多基礎設施都是不具備的——這是我們在做人工智能現階段產品落地的一個狀態。

而產品經理要把這些問題全部解決掉：因為你是那個業務的負責人，你是牽頭的人；雖然你在每個點都不那么精通，但你是牽頭人。這個千頭萬緒的問題，最終就會導致AI產品落地和傳統產品落地差別比較明顯，你解決的問題會非常不同。

這個過程中，用金融為例的話，解決的方式是什么？

三個步驟：

第一個步驟是場景化

當你足夠地理解業務，把它場景化的時候，那么你成功了20%。

在風控場景中，進一步細化場景，把場景中的關鍵要素提煉出來：

• 有多少數據描述這個場景？
• 這些數據的維度是怎么樣的？
• 這個數據怎么更新的？

大家記住：這是產品經理考慮的，不是技術考慮的。因為這還在業務調研階段，技術還沒參與進來。收益是什么？產品的價值在哪里？——這些東西都做完了，你完成了20%的工作。

第二步是產品設計

剩下的20%，就要考慮以數據為核心資產的各種操作所帶來的產品設計：

• 數據怎么收集？
• 在哪里收集？
• 什么時候收集？
• 數據怎么去分析？
• 可能用什么樣的方式去分析？
• 數據的結果怎么解釋給用戶？
• 怎么體現出來？什么時候體現？
• 以及用戶的反饋怎么通過數據化的方式收集起來？最終用在業務優化上。

這些都是產品設計的過程。

當你把這些都設計好了之后，就可以把這個東西交給技術和其他人。

這個過程中你有更多的工作要做：需要充分地理解業務專家、算法工程師、平臺工程師、數據分析師這些人的職責，同時協調他們，把正確的事派給正確的人。

你需要理解AI產品的數據、模型、參數以及結果，解釋產品細節。

第三點是把抽象場景細化為數據需求

當你把這些東西都設計好、理解好、分析清楚之后，才開始真正地展開產品設計。

產品設計是圍繞數據展開的：

1. 你要考慮數據怎么收集？——這是需求；
2. 數據從哪里收集？——這是策略。

你還要考慮產品的結果如何展示給用戶。

AI產品是不可能一次做好的，需要通過時間逐步迭代。這個過程需要你具備數據分析的能力，不是簡簡單單地說：

唉，我調研了幾個用戶，我知道了用戶的需求，剛性需求是這個廁所場景非常重要，這個廚房場景稍微比較頻率低一點。

你需要從數據角度直接分析出來為什么，否則這個AI產品的落地會非常曲折。

從大數據的角度分析，然后通過數據分析的結果，最終提煉出你的需求，同時把它數據化。數據化的過程中，你需要考慮：

• 是否適合場景？
• 是否適合AI？

不適合AI的，你需要過濾。

這40%的工作全部做完之后，剩下的就是實施過程中協調人與流程，而你的工作是橋接業務和AI的具體解決方案。

所以，你既要懂業務，也要懂AI——否則你兩邊都說不上話，從核心變成空氣。

你關注的是數據結果，所以從數據的指標出發，持續優化，這是AI產品經理的日常。

人和流程是AI落地最大的挑戰，60%工作都在里面。研發負責支撐產品，AI產品經理是決定智能產品落地的關鍵。

五、人工智能產品經理六條建議

做人工智能的產品，一定要以數據為核心；你的數據思維非常重要。

你可以天天考慮用戶的需求，但是一定要把數據作為你最終考慮的問題，這是關鍵——一切的工作其實圍繞數據來的。

AI的產品一定要具備微觀需求的識別能力，你從傳統、宏觀的方式去洞察需求，分析出來一個業務、一個場景的剛性也好，高頻也好的能力，細化到數據分析的層面，去理解這個需求，把它場景化——這是做AI產品經理的一個提升。

洞察力對產品力非常重要，但是我們需要微觀的洞察——從微觀的角度，數據層面上去理解它。

AI產品經理必須具備一個非常重要的能力：對需求的場景化，把一個大的業務需求逐步拆分成AI能夠落地的一些點，所有的AI產品都是從小處著眼的。

AI產品的價值來源于微小的持續優化。比如風控有可能適合某些特定的場景或人，在這個具體場景下持續去優化，會做得越來越好。

一個成功的AI產品體現出來的一定是智能化，能預測未來的一種狀態。一個成功的AI產品經理，也一定是AI團隊的大腦。

我們現在都把AI的團隊叫做大腦團隊。你是整個業務、公司的一個大腦，而其他人有可能是在做周邊的一些肢體的工作——你決定了細節的維度，應該怎么去反應。

AI產品經理如果很成功的話，應該是大腦團隊中的大腦，應該了解一些技術，需要具備數據分析的能力，需要對AI有一些知識的儲備，否則很難持續把這個產品做好。

六、未來人工智能發展的趨勢

補充一點，未來人工智能發展的一個趨勢，以幫助我們產品經理看到未來哪些有可能是我們可以深入去做的一些點。

第一個點是人工智能時代就在眼前，大家不用懷疑。因為算力、算法和大數據這三個基本要素在一定程度上，在某些特定的產業場景中，已經滿足一定的要求了，所以它能夠在一定程度上爆發。

然后，關于圖像、視頻和自然語言處理相關的一些機會是最多的。這些相關的機會也就是人工智能實際落地的機會。像自動駕駛、語音、智能客服等。

可能需要特別注意的是：Gartner預測未來兩年三年，80%的消費者對APP的使用將大量削減，取而代之的是開始用不需要瀏覽屏幕來實現的瀏覽——類似于智能音箱一樣的東西，虛擬的個人助手；要么是語音的，要么是別的一種形態的。

用另外一句話說，移動互聯網時代，手機移動APP開始取代了PC端的網頁。但是，其實也正被另外一些東西取代，這是另外一種趨勢。這個趨勢是馬上就要到來的。

人工智能時代，一個非常重要的主題是內容——所有的工作，所有的人工智能都來源于數據，而數據產生于內容。

大家想過沒有：為什么喜馬拉雅做智能音箱是合適的？因為他們有內容。這個內容直接決定了你做音箱是可以落地的，否則你做一個音箱沒有內容，用戶不會買。

我剛才一直在強調場景非常重要，如果說沒有確定的場景，人工智能目前是很難落地的。