俞軍老師曾經(jīng)提到，產(chǎn)品經(jīng)理為公司創(chuàng)造價(jià)值的能力主要分為三部分：業(yè)務(wù)經(jīng)驗(yàn)、平臺(tái)適配、認(rèn)知能力。

業(yè)務(wù)經(jīng)驗(yàn)比如你在公司 A 做過一類產(chǎn)品，再去 B 公司做同類產(chǎn)品就很容易上手；平臺(tái)適配比如你在 A 公司待久了，自然會(huì)對(duì) A 公司的決策方式、組織結(jié)構(gòu)、核心用戶群特征等有所了解；認(rèn)知能力則更多是的，作為產(chǎn)品經(jīng)理，應(yīng)該如何做正確的事情，以及如何正確的做事情。

業(yè)務(wù)經(jīng)驗(yàn)和平臺(tái)適配不具備通用性，且三到五年就會(huì)到達(dá)天花板，而認(rèn)知能力無上限，且具備極強(qiáng)的通用性，不論是做 AI 還是任何其他業(yè)務(wù)。我在做 AI 業(yè)務(wù)時(shí)所總結(jié)的方法論，一樣可以復(fù)用到其他任何類型的產(chǎn)品上。這也就是我過去一直講 AI PM 與其他行業(yè) PM 不存在本質(zhì)區(qū)別的原因。

但認(rèn)知能力不是本篇文章的重點(diǎn)，對(duì)于剛?cè)胄?AI 不久，或正在找一份 AI 相關(guān)工作的同學(xué)來說，業(yè)務(wù)經(jīng)驗(yàn)的對(duì)口顯得尤為重要，畢竟對(duì)于公司而言，認(rèn)知能力難以客觀/方便的衡量，但業(yè)務(wù)對(duì)口至少可以保證新人能夠快速形成戰(zhàn)斗力。而且認(rèn)知能力的培養(yǎng)也不是一朝一夕的事情，思考、經(jīng)歷、閱讀缺一不可。

從業(yè)務(wù)的角度來看，AI PM 的產(chǎn)出確實(shí)跟過去移動(dòng)互聯(lián)網(wǎng) PM 存在很大差異。對(duì) AI PM 而言，與移動(dòng)互聯(lián)網(wǎng)周期相比，用戶不直接可見的后臺(tái)策略/邏輯，相較于用戶可感知的前端交互，變得相對(duì)而言更加重要。

上述變化的本質(zhì)是由 AI 技術(shù)的特性決定的。從我的角度看，AI 相較于目前已存在的其它技術(shù)而言，其最突出的特征是，AI 的場(chǎng)景還原能力要遠(yuǎn)強(qiáng)于其它技術(shù)，換句話講，AI 使得過去無法被處理的大量數(shù)據(jù)變得可被處理了。

圖像、語音等其它過去無法被高效處理數(shù)據(jù)的可被處理，使得一些新產(chǎn)品形態(tài)的出現(xiàn)成為了可能，比如智能安防、語音助手等。同時(shí)，新數(shù)據(jù)源的接入，也使得對(duì)于一些已存在的產(chǎn)品而言，更精細(xì)的對(duì)用戶分層成為了可能。有人講，策略 PM 所做的事情的本質(zhì)，就是實(shí)現(xiàn)極致體驗(yàn)和最低成本的連接，而手段就是實(shí)現(xiàn)盡可能精準(zhǔn)的用戶群細(xì)分，進(jìn)而實(shí)現(xiàn)商品/服務(wù)與用戶偏好的多維度匹配。其價(jià)值在于，當(dāng)用戶群的劃分越細(xì)時(shí)，每群用戶的獨(dú)立偏好特征就越明顯；而當(dāng)匹配維度更豐富（超越了單一價(jià)格維度，同時(shí)考慮商品價(jià)格外屬性以及用戶的價(jià)格外偏好）時(shí)，就越有可能為一次交易找到主觀評(píng)價(jià)（取決于邊際效用）差異最大的買賣雙方，從而將「交易剩余」最大化，進(jìn)而有潛力使得舊有的產(chǎn)品形態(tài)創(chuàng)造新的，更大的價(jià)值。

從我的角度來看，基于場(chǎng)景還原能力的產(chǎn)品邏輯可以被這樣一個(gè)簡(jiǎn)單模式描述：
未知 -> 已知 -> 感知

未知->已知：指決策哪些特征是需要被識(shí)別/理解/還原的，AI 算法的本質(zhì)是識(shí)別固定模式，而并不是對(duì)全量原始數(shù)據(jù)進(jìn)行理解。就比如語音助手要對(duì)用戶表達(dá)某幾類意圖的語句及其中的關(guān)鍵信息進(jìn)行識(shí)別，完成從未知到已知的過程；比如滴滴為了對(duì)某一類車內(nèi)負(fù)向 Case 進(jìn)行管控，就需要預(yù)先定義要從車內(nèi)環(huán)境中基于怎樣的數(shù)據(jù)源利用什么算法取得怎樣的特征。
已知->感知：指基于已理解/還原的場(chǎng)景，后續(xù)采取什么樣的動(dòng)作最終作用于用戶感知上。仍然以語音助手為例，指的就是當(dāng)正確理解用戶意圖之后，如何給予用戶反饋，如何滿足用戶需求。
但有些情況下，事情還會(huì)更復(fù)雜一些。

比如，當(dāng)產(chǎn)品邏輯是，當(dāng)知道情況 P 發(fā)生時(shí)，采取應(yīng)對(duì)策略 Q。 但很多情況下，P 并不能直接通過算法得到，算法能得到的，只是與 P 具有一定因果關(guān)系的 p1、p2、p3。舉個(gè)例子，比如我們沒法直接知道車內(nèi)是否有異味，但是我們可以看司機(jī)有沒有吸煙，或者乘客有沒有講車內(nèi)有味道。這個(gè)時(shí)候，未知->已知->感知，就變成了未知->直接已知->間接已知->感知。直接已知->間接已知，是產(chǎn)品經(jīng)理基于對(duì)客觀世界因果關(guān)系的認(rèn)知得到。

另外一點(diǎn)，AI 產(chǎn)品策略很大程度上是基于不確定性的產(chǎn)品策略。對(duì)于移動(dòng)互聯(lián)網(wǎng)的 App 而言，產(chǎn)品策略大多是確定的，比如當(dāng)用戶剛進(jìn)入時(shí)如何如何、用戶點(diǎn)擊某按鈕后如何如何，但 AI 產(chǎn)品策略不是。AI 產(chǎn)品策略要面對(duì)兩個(gè)巨大的 Gap：未知到已知的不確定性、直接已知到間接已知的不確定性。

先說未知到已知的不確定性，AI 算法的準(zhǔn)召還遠(yuǎn)沒到雙100%的程度，那是保準(zhǔn)確還是保召回？準(zhǔn)確率不高，結(jié)果不可信怎么辦？召回率不夠，漏掉正樣本怎么辦？

再說直接已知到間接已知的不確定性，AI 識(shí)別到了直接已知，有多大概率能表示目標(biāo)間接已知發(fā)生了？誤判的代價(jià)又有多大？這些都是 AI PM 在設(shè)計(jì)產(chǎn)品策略時(shí)不得不考慮的問題。

技術(shù)永遠(yuǎn)不可能完全 Ready，做不到理想態(tài)完全可以嘗試降級(jí)服務(wù)。如果算法保不了召回，那是否可以保準(zhǔn)確，人來兜底？如果算法沒法精確的識(shí)別用戶的意圖，那是否可以把疑似證據(jù)交給人工 double check？畢竟產(chǎn)品經(jīng)理們實(shí)現(xiàn)自身價(jià)值的方式，正是在各類約束條件的限制下，去權(quán)衡/決策，利用一切可利用的資源去最大化的創(chuàng)造價(jià)值。AI PM 如此，其他 PM 亦如是。