因为Chat GPT的横空出世，让各种类型的人工智能工具纷纷出现在人们日常生活中。

随着人工智能和人类社会的不断融合，将会促使产生产业升级，社会变革。

目前所有的AI模型仍然在不断的高速地迭代和进化。我们针对近期AIGC在各行业应用进展，核心梳理出AI范式升级下（决策式智能—>生成式智能）的产业变化，我们思考产品逻辑时，如何构建基础框架，可以从哪些维度切入。

本文内容如下：

1、AI在BC两端的应用难题（2B解决投入产出比问题，2C解决价值感知和溢价问题）

2、如何思考AI产品定位（AI将会成为所有企业的基础设施，如同今天的云服务，迟早会渗透企业经营各个环节；最大力度寻求生存空间、和时间赛跑）

3、AI产品战略思考框架（商业化不是本质，更不是第一优先级；构建产品价值体系才是，理论上业务MVP-产品MVP-技术MVP这三条线缺一不可）

BC两侧的应用难题

先前AI应用遇到的最大难题，不是技术瓶颈问题，也不是业务价值论证问题，而是投入产出比问题。任何一套AI系统的引入，就意味着软硬件成本投入，以及后期系统维护和更新成本；相比传统设备明显的功能属性、这种智能设备的价值感知通常比较弱。比如一家工厂引入智能化生产设备和智能监控系统，解决方案供应商很难和工厂老板讲清楚，这样一套方案能为业务节约多少成本，带来多大的收益。 AI应用在C端的落地依然不容乐观，比如AI技术虽然已经全方位渗透到智能汽车产品的各个环节，包括辅助驾驶、智能交互、座舱服务，但是显然用户在进行汽车购买决策的时候；目前还是更关注汽车的基础能力，比如驾驶性能、安全性以及空间的舒适感。至于智能交互或者辅助驾驶能否带来溢价能力，从核心受众视角来看还是个问号。 目前的现状就是如此，AI产品经理在发起一个新项目的时候非常头疼，因为组织内不断有人挑战这个事情做完以后，收益在哪里；不做的话、短期看并不会有什么影响，但是大家忽略了，长期对业务的影响可能是致命的。

AI产品定位：基础设施

可以发现尽管AI商业变现依然在模式中，但不断有很各种企业前仆后继，不断深入布局数字化和智能化产品技术人才。原因就在于AI在更长远的未来，将会像今天的云基础设施（容器、部署、调度和运维）一样，是企业不可或缺的能力。

AI产品定位就决定了我们如何思考它的价值体系，商业化不应该是第一优先级，而是要考虑如何让AI技术与业务深度融合，在关键业务节点发生不可替代的作用。好比水电煤，你今天会去思考花在水电煤上的费用究竟是否合理吗？或者换一个问法，如果今天你装修房子，会因为铺设水管和电线的费用太高而拒绝安装吗？试想一下，如果家里没有水没有电，这房子还能住人吗？ 一样的道理，一旦AI产品被定位为基础设施，就意味着投入产出比的计算逻辑不凑效了，我们不能将一次性投入计算在某条业务线的某一个项目成本上。而是关注它的复用性和长期有效性，对于多业务单元并行的集团性质企业，更强调AI能力引入时，对全局业务的贡献度，而非对单业务的贡献能力。同时我们要考虑到企业数字化现状，在什么样的节点投入AI产品才是最合适的。如果缺失信息化系统、数据未能打通的状态下，大规模引入AI产品将是巨大的灾难。好比你买了一套高档的烹饪工具，却缺乏高品质的新鲜食材，巧妇难为无米之炊。

AI产品战略思考框架

产品经理如果意识到这一点，就不会沉浸在怀疑老板是不是头脑发热盲目跟风，也不会纠结于究竟何时引入AI系统才算靠谱。抱着最小成本投入，不断进行试错的心理，才能坚定不移研究业务场景和AI的融合关系，帮助业务找到那个MVP—最小可行产品的闭环。 如何思考AI产品的MVP呢？我们不妨从AI技术的实现原理切入。三大主流AI技术当中，大数据、AI语音、AI视觉，无非都遵循同一套实现原理：

1. 信息：通过各类传感器获取基础信息输入

2. 模型：将信息提炼抽象形成模型，实现表达和推理

3. 决策：通过最初的系统目标实现智能化决策 例如人脸支付产品逻辑：1、 信息：通过摄像头获取人脸图像2、 模型：不断构建个体的人脸特征模型3、 决策：能进行人脸特征比对，实现支付校验 也就意味着我们在思考任何一个AI产品实现逻辑时，不能停留在其中一个环节。而是要考虑从信息到模型，到决策三个环节的闭环，因为AI能力涌现其实是需要应用驱动的，AI进化逻辑和人的能力提升很像，人需要靠知识和阅历提升能力；AI在实际业务场景中应用的越多、则能力越强。 基于这三个环节，我们需要考虑到AI产品MVP的基本要素：1、 信息：如何获取信息，需要增加哪些传感器，硬件最低配置要求是什么？如何保证资源投入最小化？成本如何转嫁？比如人脸认证系统就需要基于实际使用场景考虑到采购哪类摄像头，如何进行数据链路无缝流转。2、 模型：如何定义它属于哪一类模型？如何选择行业优质合作资源？如何通过指标体系定义模型的有效性？通常来讲AI模型包含三种维度：1） 认知模型—类似今天的智能推荐系统，智能调度系统、风控系统等。主要靠特征映射关系形成AI能力，系统对人的特征和物的特征理解得越透彻，则认知能力越强。这个环节更要考虑如何通过协同和交互设计提升系统的认知能力。比如推荐系统会强调用户交互日志的重要性，想办法通过前端设计，业务数据打通获取更多用户推荐反馈，来不断迭代机器认知体系。 2） 任务模型—类似今天的机器人、RPA、监控系统、自动执行系统等。主要依赖对环境的感知能力、环境的实时交互执行某项任务。这类系统往往与物理世界关联紧密，需要我们更加关注数字世界与物理世界的相似度，以及过程中可能被我们忽略的核心问题。 拿自动驾驶业务举例，因为物理环境的变化频繁，自动驾驶数字环境通常并不能完整映射出物理环境，因此我们需要关注产品策略的完整性，考虑通过数据驱动算法的精准性。比如要解决自动驾驶的corner case（极限场景，即机器从没有遇到过的场景）问题，就可以通过V2X连接路侧设备进行数据补充，包括AIGC生成更多场景数据，利用仿真平台来验证自动驾驶决策算法的安全性和有效性。 3） 领域模型—指需要输入特定领域知识的AI模型。例如智能投顾产品，就需要大量的历史投资信息和商业动态；智能法律顾问，则需要大量的法律领域基础信息；智能AI问诊，需要大量的医疗信息。 从实际业务落地效果上看，领域模型目前的行业渗透率还很低，原因在于这些领域都相对传统，和互联网行业相比、缺失比较多的基础数据，因此短期很难形成规模化应用。此外在这类AI产品落地过程中，我们尤其要关注传统领域的知识体系积累和构建，它可能是一个0-1的过程，也可能会形成某种产品壁垒，需要我们协同传统产业业务专家进行共创。 例如我有位朋友做智慧农业相关的业务，农业数字化进程还处在早期。因此我们不能想当然就将AI产品植入农业业务场景当中，而是要不断积累农业知识体系，比如什么样的环境参数才能种出最好吃的玉米？这件事情需要应用农业专家的领域知识，先对领域知识进行数字化和标准化，而后才能产生一系列的智能化应用。3、决策：如何定义AI产品赋能的业务场景？如何思考技术的边界？业务的边界在哪里？如何通过具体的策略解决边界问题，让决策结果相对客观？比如Robotaxi业务明显存在两个业务边界，一个是交通规则，另一个就是安全。产品经理思考和定义产品方案的时候，永远要遵循交通规则和安全底线，并通过植入产品策略来缓冲甚至解决技术边界的问题。此外还要考虑伦理道德问题，什么意思呢？比如无人驾驶要解决“电车难题”，左转撞死一条狗，直行肯定追尾，可能危及人身安全，你会怎么选？这类决策可能早就跳出了技术和业务边界范畴，而是道德范畴的事情。没有对与错，只有场景适应和价值取舍。你说AI产品难不难？不仅要懂技术、业务和产品，可能也得多少有点哲学修为。

AIGC改变了什么？

本质上AIGC是技术范式的变化，我并不认为它对AI产品商业化会产生翻天覆地的影响。但我们有必要关注到，AIGC技术的大规模应用，势必会对AI产品逻辑带来比较深远的影响，甚至会渗透到产品的所有环节。

1． 信息获取环节：数据获取不再单纯依赖硬件传感器，而是由数据生产数据，我们知道软件会随着应用体量的增长产生边际效应，当软件能力而非硬件能力成为数据生产的核心力量时，能极大程度降低AI的应用成本。这件事情对于AI产品经理是非常可喜的。

2． 模型生产环节：AIGC对认知模型和领域模型将是颠覆性的，原因在于决策式智能受限于实现机制，并不能真正拥有强大的跨领域能力，也不能做到利用已有特征生成新的特征。而迈向通用人工智能的AIGC技术显然解决了当前AI技术的瓶颈。行业大模型、中模型，以及小模型的大规模应用，可能会产生很大的生产效率变革。你可以理解为过去我们只能训练单学科人才，如今我们正在打造的是博学多识的通才。它在教育界或许遥不可及，但是它在AI界将不再是神话。

3． 决策和应用环节：ai时代下，不能做简单的决策和思考，因为能想的都会雷同，必须将企业，系统和ai全面深度结合，形成可靠的，高效的生产链路，才是真正的竞争力。

我们需要关注到技术的两面性。当AIGC技术渗透于AI产品应用的过程中，产品经理需要考虑到不同维度的安全机制的建立，包括数据安全、模型安全、提示安全、应用安全、架构安全、网络安全、伦理道德安全等，这将是全球AIGC参与者的核心命题。业务决策效率越高，好处是降本增效增收。但另一方面，可能需要在产品策略中考虑到一定的容错机制，确保系统的灵活性和弹性。比如思考如何确保工业机器人在不伤害人类的前提下正常工作？AI机器人在保护用户隐私的前提下，不伤害人类的情感？这些话题都值得我们持续探索。