AI產品經理成長路

AI 產品經理成長路

以下都是自己平時知識的一些總結，只是一些個人的愚見，下面出現的公司、書籍、視頻、網站都是自己看過體驗過的，不是給他們打廣告，不是廣告！不是廣告！不是廣告！不同意見的評論區留下意見即可

一、AI的興起與互聯網

１.互聯網的紅利消失

１） PC端和移動端使用人數固定

目前來看，PC端和移動端的每年出貨量都在一個值上下，移動端大概在每年4億臺，PC端更少而且每年還在下降。

２） 大流量入口被巨頭瓜分

從平時大部分人的手機端來看，一般人下載的應用就那么幾個。

聊天（QQ、微信），資訊（今熱頭條、知乎、微博），外賣（餓了么、美團）等軟件，基本上的移動端流量都被這些巨頭給帶走了。

３） 獲客成本大幅度提高

現在已經不是幾個人合作開發個APP就能搞定的年代了，基本上投資家就會問，你是怎樣獲客的，也就是你能找到你的適用人群嗎？怎樣讓人去用它。

2015 年打車大戰時，資本投了很多錢，滴滴和快的一年都燒了一個億用來獲客；2016年的共享單車也是一樣。隨著APP的飽和，即使出現一個很好的idea，你都需要大量的資金去燒。

２.互聯網對傳統行業的改造有限

１） 醫療本質

醫療的本質是醫生給人看病。但是有一個問題互聯網它是解決不來的，那就是全國上下醫生的數量并沒有因為互聯網而增多，數量就那么多。互聯網的本質是解決了信息的不對稱問題，它把醫生和病人連接在一起，但是本質上還是一個醫生只能看一個病人，只是效率上略有提高，本質問題并沒有解決。

AI 可以帶來新的可能，未來她可以在很多方面代替醫生給人看病、抓藥等。從本質上提升了看病的效率。

２） 物流本質

物流的本質上問題也是跟醫療問題一樣，也是一個司機開一輛車，并沒有從根本上解決這個行業的效率痛點。

３） 制造業本質

制造業從第二次工業革命之后，生產效率就沒有大的提升。第一工業革命后，制造業全面升級，伴隨著大量手工業者的失業，隨之而來的是，蒸汽動力帶來的產業鏈革新；而第二次工業革命是內燃機和電力的普及，帶來新的動力，制造業進入飛速發展的時代，從而帶來生產力的進步推動社會的發展；互聯網帶來的三次革命是信息革命，制造業并沒有從中獲取太多的好處，而AI可以為制造業帶來新的可能，大幅度提升生產力。

４） 其他的類似有打車行業、餐飲行業和教育行業等，互聯網也都沒有對其作出根本性的改變。

３.AI有無限遐想

１） 全新的世界

a) 新的交互方式：語音交互，視頻交互，手勢交互

b) 新的購物方式：虛擬試衣

c) 新的游戲體驗：VR/AR帶來的新一代沉入式游戲

２） 機會眾多

a) 雙創帶來的AI機會

國家近年來提出的雙創計劃，鼓勵大眾創新創業，而且國家最近又將AI列入國家的發展規劃之中，可見未來AI將會給年輕人帶來很多機會。

b) AI 可以帶來新的商業模式

看互聯網的20年發展史可知，互聯網的每一次小小革新都將帶來新的商機和商業模式。干爹馬云創立淘寶給商家和用戶直接的交易帶來了可能；小馬哥創立的騰訊帝國帶來了社交方式的突破，讓我明白了“羊毛出在豬身上”的真諦；而最近幾年的共享經濟模式和直播經濟模式又是一個創新的商業模式，并且中國的共享單車被外國人稱為“新四大發明”之一。

３） 大量的工作機會

a) AI 訓練師：

這個職業已經在某些招聘網站上可以看到了，而且工資還都不低。

b) 機器人顧問：

我想這個是未來為機器人服務的一個崗位。

c) 虛擬律師：

我想大概將來虛擬產業起來之后，將會有針對虛擬的事物（機器人、智能產品、虛擬的世界NPC等）法律法規，這時這個職業將會應運而生。類似的我猜應該還有機器慰問師等。

d) AI PM ：

這個現在應經被大多數科技企業所接受了，也是伴隨著AI而生的。

４.AI將大規模提升生產力

１） 看病效率大幅度提升

AI 創企依圖科技已經在和某些三家醫院合作，并采用AI系統平臺來代替醫生對腫瘤等影像圖片進行分析了，未來將會在更多的領域協助醫生看病分析病情，改變以往一個醫生在單位時間內的看病效率。

２） 無人車解決交通物流壓力

現如今各大一線城市皆都因為私家車的普及造成交通的堵塞，給大城市的交通運輸造成極大壓力。電商的發展造成物流的運輸壓力。

３） 智慧機器人推進制造業升級

智慧機器人的高精度重復作業既降低了企業的人力成本，也降低了人身安全風險，相反卻可大大提高企業的生產力。

４） 經濟的發展帶動文明的進步

AI 帶來的生產力發展，而生產力又是人類文明進步的推動力，文明發展將會為人類探索未知世界（星空、深海、生命的起源等）帶了新的機會和突破。

５） 機器人解決陪伴、護理、客服等問題

５.AI能為用戶打造個性化服務體驗

１） 淘寶能夠根據個人信息匹配衣服尺寸

淘寶上買衣服眾所周知都是看中后詢問客服衣服的尺寸及其他的信息，以后則可以利用機器學習建立每個用戶的尺寸信息和款式愛好等特征給用戶畫像，下一次買衣服則不用客服來回答用戶的尺寸信息了，直接可以推薦用戶的合適款式。

２） 婚戀網站根據用戶社交屬性打造興趣朋友圈

婚戀交友網站可以利用用戶的數據來訓練機器從而建立模型為用戶畫像，再為用戶推薦匹配交友對象等。

３） 點對點式教育促進個性化知識的傳播

未來的教育形式在滿足普通教育的基礎上，人們越來越崇尚個性化的因材施教方案，而只有利用AI為每一個用戶個性化打造個性化的教育內容。

４） 百度能根據用戶畫像，實現精準搜索

這個百度已經在利用了，不需要多說了。

二、AI  PM的必須

１.算法的開源和數據資源戰

１） 谷歌和BAT算法框架的免費

未來的算法和框架肯定都是免費的，這是大公司們的套路，“羊毛出在豬身上”，大公司靠其他業務盈利如云計算等。

２） 技術服務利潤窄

３） 數據價值的商業提現

２.技術人才不適用于商業發展的需求

１） 推動社會進步的不是技術的創造而是技術落地的實現著

a) 瓦特發明蒸汽機從而進入蒸汽時代推動工業革命

b) 貝爾發明電話打開通訊時代

c) 愛迪生發明電燈從而讓人類拜托黑暗

d) 促進信息時代發展的不是互聯網的提出者，而是各大科技公司的CEO們

２） AI技術人才的思維并不一定適用于商業模式的探討

３） 商業落地需要創新意識

３.產品的落地需要專業人才探討

１） 百度引進陸奇

百度AI技術在中國是走在前列的，領先與BAT中的其他兩家，然而Robin還是去硅谷請來了陸奇為其開拓AI的落地業務，隨之而來的是一大批技術大牛（吳恩達、余凱等）的離去。側面證明了AI產品人在未來場景落地應用方面的重要性。

２） 智能音箱的落地更需產品思維

在美國的所有高科技企業中，谷歌是以技術見長的在AI方面更是技術人才輩出，然而正如陸奇所說的，在硅谷，AI商業化的落地探尋中，亞馬遜才是最成功的（原話不記得了，大概意思是這樣），因為亞馬遜的智能音箱Echo至少是賣火了的，賣出了AI的概念，讓用戶知道了有這么個高科技玩意。

４.未來的產品涉及到各個方面（哲學、心理、情感）

１） 智能音箱（情感）

智能音箱中的對話情景涉及到人與人之間的情感分析，這些都不是技術人才能搞得定的，所謂術業有專攻，這些情景類的探尋還是需要懂用戶的產品人來開拓市場。

２） 虛擬購物（懂用戶）

５.細分行業的垂直應用需要復合型人才開拓

１） 陪伴類機器人需要情感交流

２） 智能投顧需要金融知識

３） 智慧醫療需醫學知識

４） 無人車商用需要懂人文法律

三、未來產品的思考

１.未來工具

１） 交互工具

人用語音，機器視覺呈現、手表、頭盔、眼鏡等

２） 交通工具

可能是移動分眾平臺、星巴克、書房

３） 社交工具

虛擬社區、主題公園、游戲世界等

２.AI+行業

１） 定義：AI技術沒發展之前是沒有這個行業的

２） 特點：

a) 行業壁壘較低，和巨頭同一起跑線

b) 機會太少

c) 技術要求高，創業團隊得高大上

d) 創新思維要求高

３） 應用：

a) 無人車：AI技術發展起來之前，誰敢大言不饞的說無人駕駛。

b) 智能音箱：ASR、NLP沒突破之前，智能音箱的概念估計都沒人敢提。

c) 城市大腦：計算機視覺和機器學習的突破才讓圖片分析成為可能，才能幫助治理城市。

d) 人臉識別：這個方向純粹就是計算機視覺和機器視覺發展的產物。

e) 陪伴機器人：未來機器人發展的必經之一。

３.行業+AI

１） 定義：一直存在的行業，AI只是帶來產業升級

２） 特點：

a) 有很深的行業壁壘，巨頭并沒有什么優勢

b) 對創業公司更友好

c) 懂AI的行業人才相較AI人才更重要

d) 七成以上的產品落地都在行業+AI上

３） 應用：

a) AI 醫療影像

b) 無人物流貨運

c) AI 數據投顧

d) 無人零售

e) AI 安防

４.方式的考慮

１） 控制方式

未來產品的控制方式將會更加的自然，從以前的少數極客到受過高等教育的學生再到老人和小孩。

２） 感知豐富

a) 輸入：多種感知方式的輸入，語音、手勢

b) 輸出：語言、圖像、行為

３） 導向：從功能導向到以人為核心

４） 內容

a) 內容標簽化、精細化

b) 內容個性化用戶畫像、精準化

c) 形態：以語音和視頻為主體（不再主動尋找）

５.產品形態

１） 云端一體：

    a) 端：語音、視覺、行動

    b) 云：數據、算法、服務

２） 形態以方便自然為導向

６.應用類別

１） 關鍵性應用

a) 用戶承受要求極高，容錯率極低

精確度99%意味著100次出一次事故，99.9%意味著1000次出一次事故，因此技術要求高，非要一些技術大牛坐鎮不可，因此對大部分的創業公司不是很友好。

b) 落地應用

    i. 手術機器人

    ii. 醫療影像分析

    iii. 無人飛行

    iv. 智能配藥

    v. 無人駕駛

c) 技術要求很高，非高大上搞不定

d) 項目周期長，商業化遙遠，盈利遙遙。

２） 非關鍵性應用

a) 落地應用：

    i. 智能安防

    ii. 人臉識別

    iii. 掃地機器人

    iv. 陪伴機器人

    v. 送餐機器人

b) 技術要求不高，能達到通用技術即可

c) 用戶承受力期望要求不高

d) 項目周期短，短時間可判斷能否盈利，且對廣大想要在AI上尋找機會的創業者來說更友好一點，機會跟多一點。

四、產品人技能樹

１.AI發展史

１） AI孕育期（1943-1955）：計算機器與智能的提出

    a) 明斯基和同學造出第一臺神經網絡計算機

    b) 阿蘭.圖靈提出圖靈測試

２） AI的誕生（1956）：達特矛斯會議幾個科學家（麥卡錫、明斯基、香農等）提出了人工之能這個名詞，并正式有了概念。

３） 熱情與期望（1956-1973）

    a) 西蒙提出物理符號系統

    b) 薩繆爾編寫西洋跳棋程序

    c) 算法發明

            i. 貝爾曼公式的提出：增強學習的雛形

            ii. 感知器的提出：深度學習模型的雛形

    d) 人工智能實驗室在高校（MIT、斯坦福）的建立

    e) 廣泛應用于數學和NLP領域以解決代數、幾何證明和英語問題

４） 第一次寒冬（1974-1980）

    a) 邏輯證明器、感知器、增強學習只能夠做簡單的任務

    b) 數學模型被發現有缺陷

    c) 政府中斷合作并轉移資金，社會輿論壓力

５） AI崛起（1980）

    a) 專家系統的提出

    b) BP 算法的提出

６） 第二次寒冬（1987）

    a) 蘋果和IBM生產的臺式機性能超越專家系統性能

    b) 美國政府項目局否決AI為下一個浪潮

７） 現代AI（21世紀初左右）

    a) 1997 年IBM深藍戰勝國際象棋冠軍

    b) 2009 年羅斯聯邦理工學院的藍腦計劃成功模擬部分鼠腦

    c) 大數據導致深度學習興起

    d) 2011 年IBM沃森挑戰智力問答節目“危險邊緣”奪冠

    e) 2016 年阿法狗戰勝人類圍棋冠軍

    f) 2017 年AI被列入各大國的戰略發展規劃中

２.AI通識理解

１） 基礎計算能力層：云計算、GPU等硬件加速，神經網絡芯片

２） 技術框架層：TensorFlow、Caffe、Theano、Torch、DMTK、DTPAR、ROS等框架或操作系統

３） 算法層（機器學習）

a) 監督學習

i. 定義：已標注的數據為老師，機器得出模型，然后輸出預測數據結果

ii. 解決問題

     ① 回歸問題

     ② 分類問題

iii. 算法模型

     ① 線性回歸模型

     ② K- 近鄰算法

     ③ 決策樹

     ④ 樸素貝葉斯

     ⑤ 邏輯回歸

b) 半監督學習

i. 定義：通識使用未標注和標注的數據訓練模型來進行模式識別工作

ii. 解決問題

     ① 垃圾信息過濾

     ② 視頻網站分析

iii. 算法模型

     ① 半監督SVM（支持向量機）

     ② 高斯模型

     ③ KNN 模型

     ④ Self-trainning

     ⑤ Co-trainning

iv. 優點

     ① 相比監督學習，節約人力成本，提高投入產出比

     ② 相比無監督學習，可以得到分配更高精度的模型

c) 無監督學習

i. 定義：不給機器提供已標注的數據，讓機器自己對數據進行處理并輸出結果

ii. 解決問題

     ① 關聯

     ② 聚類

     ③ 降維

iii. 算法模型

     ① K 均值算法

     ② 自編碼

     ③ 主成分分析

     ④ 隨機森林

d) 強化學習

i. 定義：機器感知環境的正狀態轉移時會反饋給機器的一個獎賞，使機器學習朝著正信號趨勢學習，從而使累積獎賞值最大。

ii. 解決問題

     ① 自動直升機

     ② 機器人控制

     ③ 手機網絡路由

     ④ 市場決策

     ⑤ 工業控制

     ⑥ 高效網頁索引

iii. 算法模型

① K- 搖臂賭博機（單步強化學習任務）

    1. ε- 貪心算法

    2. Softmax 算法

② 有模型學習（多步強化學習任務）

    1. 基于T步累積獎賞的策略評估算法

    2. 基于T步累積獎賞的策略迭代算法

③ 免模型學習

    1. 蒙特卡羅強化學習

        a) 同策略

        b) 異策略

    2. 時序查分學習

        a) Q- 學習算法

        b) Sarsa 算法

④ 模仿學習

e) 遷移學習

i. 定義：指從一個領域的學習結果遷移到另一個學習領域

ii. 解決問題

     ① 終身學習

     ② 知識轉移

     ③ 歸納遷移

     ④ 多任務學習

     ⑤ 知識的鞏固

     ⑥ 上下文相關學習

     ⑦ 元學習

     ⑧ 增量學習

iii. 算法模型：TrAdBoost算法

f) 深度學習

i. 定義：多層神經網絡

ii. 解決問題

     ① 預測學習

     ② 語音識別

     ③ 圖像識別

iii. 算法模型：RNN、DNN、CNN

iv. 優點

     ① 從特征中檢測復雜的相互作用

     ② 從幾乎沒有處理的原始數據中學習低層次的特征

     ③ 處理高基數類成員

     ④ 處理未標記的數據

４） 通用技術層

a) 語音識別（ASR）

i. 概念

① 原理：輸入——編碼——解碼——輸出

② 識別方式

    1. 傳統識別：一般采用隱馬爾可夫模型HMM

    2. 端到端識別：一般采用深度神經網絡DNN

ii. 遠場識別

     ① 語音激活檢測VAD：遠場識別信噪比（SNR）比較高

     ② 語音喚醒：智能設備需要語音喚醒詞來使其工作

③ 難點

    1. 喚醒時間：用戶發出語音到設備響應用戶所花時間（目前還是略長）

    2. 功耗：目前功耗并不低

    3. 喚醒詞：一般在3-4個字

    4. 喚醒結果

        a) 漏報：喊他他不應（喚醒詞字數太多容易發生漏報）

        b) 誤報：沒喊他他應（喚醒詞字數太少容易發生誤報）

iii. 麥克風陣列

     ① 背景：在復雜的背景下經常有各種噪聲、回聲、混響來干擾識別場景此時需要麥克風陣列      來處理雜聲。

     ② 作用

        1. 語音增強

        2. 聲源定位

        3. 去混響

        4. 聲源信號的提取和分離

     ③ 分類

        1. 線性：一維（180度）

        2. 環形：二維（360度）

        3. 球形：三維空間

     ④ 個數

        1. 一般常用為2、4、6麥

       2. 單麥、雙麥、多麥在嘈雜環境下拾音效果差距較大

        3. 5 麥和8麥在安靜環境下效果相當

iv. 全雙工

     ① 單工：A和B說話，B只能聽A說

     ② 半雙工：A（中路miss了，下路注意了，完畢）  B（下路收到，完畢）

     ③ 全雙工：兩人多輪對話，可插話和打斷

v. 糾錯：對識別的語句進行糾錯

b) 自然語音處理（NLP）

i. 過程

     ① NLU （自然語言理解）

     ② NLG （自然語言生成）

ii. 難點

     ① 語言歧義性：意思意思（到底是什么意思，機器無法弄明白）

     ② 語言魯棒性：句子多字少字錯字，語法錯誤（這個人都經常出錯，機器現在還無法搞定）

     ③ 知識依賴：蘋果（這個到底指“水果”還是指“手機”）

     ④ 語境：上下文的語境分析（她走了——她到底是哪個呢）

iii. 解決方法（這個太多了就不細說了，深究的同學可自查資料）

     ① 規則方法

     ② 統計方法

     ③ 深度學習

     ④ 關聯方法

iv. 應用

     ① 句法語義分析

     ② 信息抽取

     ③ 文本挖掘

     ④ 機器翻譯

     ⑤ 信息檢索

     ⑥ 問答系統

     ⑦ 對話系統

c) 語音合成（TTS）

i. 實現方法

     ① 拼接法：

        1. 定義：從事先錄制的大量語音中，選擇基本單位（音節、音素）拼接而成，為了連貫性         常采用雙音子（一個因素的中央倒下一個因素的中央）作為單位。

        2. 優點：語音質量較高

        3. 缺點：數據庫較大，一般需幾十小時的成品語料，企業級商用的話需5萬句費用在幾百         萬。

     ② 參數法：

        1. 定義：根據統計模塊來產生每時每刻的語音參數，然后將參數轉化為波形，主要分三個         模塊：前端處理，建模和聲碼器。

            a) 這句話的語氣語調，節奏，韻律邊界，重音，情感

            b) 拼接法和參數法，都有前端處理，區別在于后端聲學建模方法。

        2. 優點：個性化的TTS大多是用參數法可節約時間成本

        3. 缺點：質量比拼接法差一些，因為受制于發生算法，有損失。

ii. 評判標準（評判TTS系統的好壞）

     ① 主觀測試：人為評測（人為來聽）

     ② 客觀測試：系統評測（機器評測）

iii. 瓶頸和機會

     ① 數據匱乏（可用的語音數據）

     ② 人才匱乏：TTS人才相比于AI中的NLP和CV類人才太少

     ③ 產品化難度高

        1. 用戶預期場景較復雜

        2. 技術現在還有較多難點

        3. 細節設計還需較多斟酌

     ④ 商業化壓力

        1. 項目周期較長（這個需要長時間的數據和技術的積累與沉淀）

        2. 細分場景上的切入目前還處于早期階段，試錯成本較高

d) 計算機視覺（CV）

    i. 發展階段（四個階段）

     ① 馬爾計算視覺階段

        1. 計算理論

        2. 表達和算法

        3. 算法實現

     ② 主動和目的視覺階段

     ③ 多視幾何和分層三維重建階段

        1. 多視幾何

        2. 分層三維重建

        3. 攝像機自標定

     ④ 基于學習的視覺階段

        1. 流形學習

        2. 深度學習

    ii. CV 應用的處理過程

  ① 成像

 1. 定義：模擬相機原理（怎樣把照片的質量進行提升）

 2. 影響圖片因素

    a) 光照影響

        i. 從產品角度控制：可以通過提醒來改變用戶的使用場景；通過升級或變更硬件設施來             提升產品的體驗

        ii. 從算法角度控制：利用算法對圖片進行處理來提升圖片的質量

    b) 模糊

        i. 運動模糊：人體、車輛、攝像頭的移動造成

        ii. 對焦模糊：攝像頭的距離、質量和天氣等因素造成

        iii. 低分辨率差值模糊：小圖放大和攝像頭硬件等設備造成

        iv. 混合模糊：多重模糊存在

    c) 噪聲、分辨率

② 早期視覺

1. 定義：圖片的處理加工過程

2. 圖像分割

3. 邊緣求取

4. 運動和深度估計

5. 圖像拼接

6. 目前問題

    a) 結果不精確

    b) 需要長時間的知識沉淀

③ 識別理解

1. 定義：把一張圖片對應到一個文字、一張照片或標簽

2. 標簽

    a) 越精確對模型越有利，但數據就會越少

    b) 主觀因素影響

    c) 細分標簽

3. 數據優化

    iii. 研究內容（此部分還未總結完，感興趣的可自己探尋）

① 空間視覺

② 物體視覺

    iv. 典型物體表達理論

① 馬爾的三維物體表達

② 基于二維的圖像物體表達

③ 逆生成模型表達

    v. 應用發展趨勢

① 人臉識別

② 圖片搜索

③ 個性化廣告投放

④ 即時定位與地圖構建

３.AI產品理解（此部分還未涉獵）

１） 人人都是產品經理（AI時代應該也不變）

２） 產品理解

a) NLP 類

i. 對話機器人（圖靈的BabyQ、微軟小冰）

ii. 語音搜索（百度、谷歌）

iii. 智能語音輸入法（訊飛、搜狗）

iv. 智能音箱（喜馬拉雅和獵戶星空的小雅音響、亞馬遜的Echo）

b) CV 類

i. 無人機（大疆）

ii. 醫療影像分析系統（依圖科技的胸部CT智能輔助診斷系統）

iii. 無人駕駛（馭勢科技、百度、谷歌）

iv. 安防

c) 機器學習類

五、產品人上車（都是自己平時涉獵）

１.思想上認識到AI的重要性：認識到AI時代確實是已經來了，主要開闊一下視野

１） 書籍

a) 奇點臨近

b) 未來簡史

c) 智能時代

d) 人工智能時代

e) 智能主義

f) 科學的極致——漫談人工智能

２） 視頻（影視）

a) 人工智能

b) I robot

c) 西部世界

d) 終結者

e) 黑客帝國

２.理論知識

１） 書籍

a) 機器學習（周志華）

b) 機器學習實戰

c) 數學之美

d) 統計學習方法

e) 人工智能—一種現代的方法

f) 計算機視覺——算法與應用

２） 視頻

a) Ng 的機器學習 課程（網易公開課）

b) 楊瀾的AI訪談節目

c) 北大的人工智能公開課（網易云課堂）

３） 網站

a) 知乎（所有AI的問答和知乎Live）

b) 簡書（所有AI文章）

c) 人人都是產品經理（產品經理學習的最佳社區）

d) 36 氪（AI行業研究報告和AI新聞）

e) CSDN （可以跟隨AI方面的博主學習系統的AI知識）

f) AI 論文下載網（有些是要花錢的，但對未來的投資來說都是些小錢）

i. 維普

ii. 萬方

iii. 中國知網

iv. 谷歌學術

４） 資訊

a) 36 氪

b) 虎嗅

c) 極客公園

d) 商業周刊

e) 中關村在線

５） 微信公眾號

a) 飯團AI產品經理大本營（這個是業內最早成立的AI PM社區，有很多AI PM的開拓者在這里分享干貨，不過要花點錢）

b) 集智俱樂部（科學的極致——漫談人工智能，這本書是這個俱樂部出的）

c) 量子位

d) 專知（有很多AI的專業知識和大佬見解）

e) AI 科技大本營

３.整理輸出：看完書或者視頻之后一定要輸出自己的內容

１） 簡書（輸出自己所得所想）

２） 知乎（輸出自己所得所想）

３） CSDN（輸出自己所得所想）

４.研究行業

１） 政策

a) 國家AI規劃

b) 人才扶持政策

c) 創業資金扶持政策

２） 市場及融資

３） 城市對比（北上廣深杭成武）

a) 人才對比

b) 行業完整對比（產業鏈雛形）

c) 行業集中度及公司分布

d) AI 氛圍對比

４） 細分行業切入

a) 醫療

b) 無人車

c) 安防

d) VR/AR

e) 機器人

f) 金融

５） 公司選擇

a) 芯片類：寒武紀、地平線、深鑒科技

b) NLP 類：圖靈機器人、艾特曼、思必馳、云知聲、科大訊飛

c) CV 類：商湯科技、曠視科技、依圖科技、云從科技、碼隆科技、極視角科技

d) 機器人類：優必選、圖靈機器人、Rokid

e) 平臺類（巨頭）：百度、阿里、騰訊、京東、小米

f) 應用類：乂學教育、智齒科技、出門問問

g) 駕駛類：馭勢科技、圖森未來、奇點汽車

h) 細分類：匯醫慧影（醫療）、第四范式（金融）、量化派（金融）、碳云智能（醫療）

６） 上車

a) 挑選公司

i. 查找AI創企的相關榜單并總結出公司的上榜次數

ii. IT 桔子查找相關公司的公司狀況

iii. 上知乎和拉鉤查找相關公司的員工評論和介紹

iv. 上脈脈勾搭相關公司的在職人員了解公司詳情

v. 上公司官網體驗公司產品并總結輸出

b) 研究相關公司

i. 公司定位及主要產品

ii. 創始人及團隊

iii. 戰略融資情況

iv. 公司合作伙伴

v. 公司核心技術

c) 上車

i. 投簡歷

ii. 拿著研究報告上門找Hr談

iii. 拿著在知乎、簡書、CSDN上的輸出內容找人談

iv. 認識行業內的人，找人內推（AI產品經理大本營、產品社區）

六、自我思考

１.AI時代的交互方式

１） 交互更加自然簡便

２） 人用語音（手勢）與機器交互，機器用圖像與人交互

３） 更容易攜帶（手表、眼鏡等其他硬件產品作為承載）

２.機器的存在方式

１） 工具

２） 寵物

３） 朋友

４） 陪伴的親人

５） 戀人

３.新的職位

１） 機器訓練師

２） 機器人保險/顧問

３） 無人車管理員

４） 機器人4S店

５） 機器人糾紛解決師

４.未來的消費

１） 無人零售

２） 虛擬消費

a) 虛擬游戲

b) 虛擬社交

c) 虛擬旅行

作者：放飛人夜
鏈接：https://www.jianshu.com/p/4b98314ad3c0
來源：簡書
簡書著作權歸作者所有，任何形式的轉載都請聯系作者獲得授權并注明出處。