接下来我会通过AI产品经理三部曲—认知篇、业务篇、技术篇；大概6篇左右文章，和大家分别从AI认知、AI技术、AI应用三个角度分享我对AI产品经理转型的心得。也希望可以帮助到所有在这个AI时代下，也许迷茫、也许焦虑、也许希望拥抱AI的产运同学。
AI大模型发展太快了，人工智能的车轮滚滚向前，发出震耳欲聋的轰鸣声；
有些同学会说 “没有吧？AI离我们应该还很远。”；
有没有一种可能因为你已经被AI这辆快速行驶的“汽车”甩的太远了，所以压根听不到轰鸣声？
今天，我先不讲大模型的算法、训练方法、架构等；本篇内容，我更多希望能通过我的文章，让大家更能正视AI、正视这个时代。
但是，AI发展的太快了，所以我现在分享的内容，是在一切不确定性中，找出属于这个时代的AI确定性，不论什么时候看这篇文章，都是及时可以理解并“上车”的。
让我们首先进行一个简要的回顾。我们可以发现，人类历史上所有那些知名且广受欢迎的产品，全球用户过亿的时间。
从最初的电话用了75年，到手机用了16年。
随着互联网的发展，这个速度在不断加快。例如，海外版抖音TikTok仅用了九个月就达到了全球用户过亿的里程碑。
到了如今AI时代，ChatGPT更是只用了两个月，DeepSeek的出现则仅用了七天。
整个世界都在加速发展，时间压缩，速度加快。因此，在AI时代，速度成为最关键的要素，它极大地缩短了我们完成任务所需的时间。
ChatGPT自2023年周活跃用户数达到1亿，到2025年增长至4亿，目前甚至超过了5亿，只用了不到一年的时间实现五倍增长，并且保持了持续的高速成长和市场渗透率的提升。这表明AI技术已经对全球商业世界产生了直接影响
除了发展快，AI的另一个显著特点是其应用的普遍性。
不知道大家还记不记得，以前我们聊元宇宙、数字孪生等，其实更多只是概念；
但是今天与以往新技术先有概念后落地不同，如今人们对AI的认知并不围绕着“大模型”这一概念，而是体现在日常使用的各种应用中，如ChatGPT、文心一言、豆包等国内外一大批大语言模型。
所以，在AI时代，AI不仅是一个迅速发展的概念，而且是一个深入人心、融入生活的名词。
随着以Deepseek为首的推理模型的发布并开源，AI大模型的智力水平已经达到了史无前例的水平。
DeepSeek-R1 在数学竞赛（AIME 2024）中准确率达 79.8%，超越 96.3% 的人类参赛者1331；在 MATH-500 测试中正确率达 90.2%；Codeforces 编程竞赛评分 2029，已经超越职业程序员水平了。
从模态的角度来看，自ChatGPT发布以来，我们看到的仅是一个简单的对话模型。
而如今，AI已经发展成能够以多种形式帮助解决问题。除了云端的各种大小和智商的模型外，还开发了专门编写代码的模型（比如Cursor、Trae、codebuddy）；
理解图像、视频；生成图像、视频的模型（比如MidJourney、即梦）；
此外，还有能够模拟人类助手，自动操作手机和PC界面的模型等。（比如AutoGlm、Manus）
尤其是在过去两年22-24年期间，AI经历了爆炸性的变革速度，这是前所未有的。AI技术让我们在更短的时间内实现了更多的进步。而且，这种进步并未停止，AI的迭代速度依然非常快，因此，可以预期AI智能能力将持续提升。
刚开始，比如OpenAI的模型因技术壁垒和训练成本高昂，所以GPT-3.5水平模型的调用成本：
2023年6月，调用达到GPT-4水平的AI模型成本为36美元/每百万token；
但随着模型架构的优化、硬件成本的降低、尤其像deepseek这样开源模型的崛起；
25年1月DeepSeek-R1模型性能对标OpenAI的o1，但调用成本仅为后者的1.8%-3.7%（输入token 1元/百万token，输出token 16元/百万token）
甚至随着比如文心大模型、通义千问等开源市场越来越大，出现了越来越多免费的大模型。
所以我们会发现，AI大模型的token成本在3年内下降超过280倍！
这样的结果会带来什么影响？
这会使得AI更易融入我们生活和商业世界。
再补充一些侧面论证的论点，
2023年关于AI的采购次数总共为190次，总金额约为5.9亿元人民币。
2024年，采购次数增长到了1519次，差不多增长了8倍，总金额更是达到了64亿元，超过10倍的增长。
未来，我相信会有更大的增长。
好了，这个时候，可能就有小伙伴想问，既然AI发展那么迅速，越接地气，但是为什么我现在所在的企业并没有感受到太多的AI气息？
这就要从AI发展和企业的三个阶段说起：
1、互联网大厂主导的“基础模型探索期”
2023年初，在那时市场上几乎没有模型可供选择。国内文心一言开始出现在大众眼里，那时候Chatgpt可能离大多数人都很远，当时AI主要提供基础模型供商业化使用，价格高、技术要求高，那必然第一批尝试的就是我们所谓的互联网大厂。
2、中型企业参与的“行业模型爆发期”
2023年6月到12月，随着更多的大模型出现和国产大模型的发展（比如阿里的千问、腾讯的混元），使用AI企业的画像明显从互联网大厂扩散至更多中型互联网公司或一些具备较强信息化能力的公司。那时候已经开始追求模型所带来的价值。
3、业务导向公司的“普惠化落地期”
2024年年初到4月份开始（DeepSeek发布开源模型R1），模型能力正在向更广泛的群体扩散，包括那些以业务为导向、技术或信息化能力较弱的公司。AI Agent（智能体）和低代码平台（如百度App Builder）兴起，甚至非技术公司可快速搭建定制化应用（如智能客服、报表生成等场景）。
所以，现在的你可以思考一下：你现在所在的企业是否处在第三个阶段？这也正应征了现在各位开始转型，其实并不算晚。
什么是AI，什么是AGI？
从字面英语翻译来看，仅仅是从Artificial Intelligence变为Artificial General Intelligence；但是真的只有通用那么简单吗？
接下来，我罗列几个时间线，让大家更好的能理解领悟。
为什么都是下棋，但是AI从解决国际象棋到围棋，花了20年的时间？
我们可以观察下国际象棋，国际象棋本身的复杂度相对较低，它的格子只有8乘8。
那时候的机器学习，是通过人类给予机器已有的下棋规则、人类经验，再通过暴力计算来完成比人脑思考极限更多步，设想更多可行性，从而战胜人类。
机器可以暴力穷举结合剪枝算法（如α-β剪枝）可以显著减少计算量。例如，IBM的“深蓝”通过专用芯片每秒可评估2亿个棋局，结合人类专家的规则库和残局数据库。
但是AI如何解决围棋的问题呢？
如果依然像国际象棋一样采用暴力算法，可以吗？可以，但是问题变得极为复杂。
围棋的棋盘为19×19，每步可能的走法（搜索宽度）高达250步，搜索深度约为150步，总搜索空间达到10^170，远超国际象棋甚至宇宙中的粒子总数（约10^80），这是对于机器来说是非常庞大计算量。
所以围棋的复杂性迫使AI转向机器学习和自我对弈。
2016年3月，AlphaGo首次与围棋世界冠军李世石对弈；
AlphaGo，它不再像过去直接通过简单的算法进行计算；它相当于利用神经网络对人类历史上3000万盘棋局的残局进行训练，不依赖于人类制定的规则，而是通过学习这些样本来提炼规则，将人类的经验提炼成模型本身。因此，通过这种方式产生了AlphaGo，并且它成功地战胜了人类。
2017年，DeepMind再次发布AlphaGo Zero，它打败了自己的前身AlphaGo。
Zero不再依赖任何人类知识，仅通过自我对弈，自我下棋来学习和积累经验。在3天的时间里，它进行了近几百万盘的对弈，所展现的威力已超过AlphaGo，即人类数千年围棋的积累，而它仅用了三天时间便达到了这一成就。
这表明机器学习的惊人能力，
机器学习基本上经历了三个阶段：从基础学习→自我对弈→自我学习。
所以我们再回答上面的问题来，AI和AGI，相差一个General，到底差在哪里？
我个人觉得： AGI就像是一个“全能人类大脑的数字版”——它不仅能完成特定任务，还能像人类一样灵活学习任何新技能，并且自主思考、举一反三、解决从未见过的问题。现在我们依然在AGI的路上摸索探寻中。
我觉得我们可以参考OpenAI发布了关于AGI的定义，
它将AGI划分成五个等级，从一到五分别代表了通往通用人工智能的不同阶段。
首先，让我们来理解一下这个五个等级具体有什么含义？
目前在网络上、工作中经常会听到Agent一词，那是不是就代表了如今的人工智能已经到了L3级别呢？
其实我觉得现在的人工智能技术，是处于Level 1向Level 2过渡阶段；
现在的Agent虽然可以分工协作，但其实大家会发现大部分的Agent更多还是在聊天阶段，
甚至有比较多的模型幻觉、信息冗余和协调失败等问题；
而真正的L3要求智能体能自主执行跨应用任务，这一点人工智能在环境感知与实时交互上还有很多路要走。
人工智能是这两年才出现的吗？
当然不是，大概2014年的移动互联网时代开始，大家其实潜移默化的就已经“被动”开始接触AI了，比如，当时用的搜索引擎、购物推荐排序、音乐和视频的推荐，以及搜索本身，都已开始运用AI技术。
不过那时候的AI通常被称为垂直人工智能，即不具有通用性，他的背后都是海量的算法工具（比如聚类算法、协同过滤等等）。
今天的大模型是什么样呢？
现在的AI普遍采用深度神经网络、强化学习和多模态融合；现在的AI是一个通用人工智能了，并且随着模型训练成本的降低，在这种背景下，AI的使用门槛和成本显著降低。场景无需特化，使用门槛简化，AI几乎成为一种基础生产要素，不再是一种小众的高端技术。
我现在每天都在看各行各业的AI新闻，汽车行业、医疗行业、终端行业、教育行业、消费制造行业、游戏行业、文旅行业等，每天都有源源不断的AI应用和发明。
如果AI成为我们的基础生产要素，这将对整个世界带来深远的影响。
从农业时代、工业时代到信息化时代，每一次变革都是由于基础生产要素的变化所引发的。而现在，在AI时代，如果基础要素发生变化，那么将意味着我们上层的商业世界将会被彻底重构，这无疑是一个巨大的变化。
各位，当AI开始普及，人们相信AI有能力重塑商业，那你们觉得AI是不是一定会颠覆我们的产品范式？
什么是产品范式？产品范式本质上是人机交互范式，即如何与机器对话、下指令以及机器如何反馈。
解决这个问题的关键在于对机器理解的成本高低，即学习成本的高低，这是两个核心因素。
历史上的人机交互方式转变
随着交互能力和表达方式的演变，我们的产品可能会被赋予新的形态和意义，从而实现重新发明。
比如：
诸如此类。我们仅处于起步阶段；
以往，产品经理的技能常常限制了我们的创造力发挥。我们可能拥有出色的创意，但由于不具备编程或绘画等技能，这些创意难以实现。然而，大模型的出现消除了这种能力限制，为我们提供了将创意变为现实的途径。
Agent的初步形态，它仅在信息层面协助收集和处理数据。所以实际上大家都能将这种能力融入到自己的业务中。
随着AI能力的不断扩展，跨应用自动化操作已经做得非常出色。OpenAI发布了其Agent套件，显著降低了agent的使用门槛；越来越丰富的MCP协议，使得AI能够连接外部服务变得极为标准化。
所以，我们不能再单单将AI仅作为工具看待。我认为它终将转变为生产力，能够带来可量化的业务成果。
那我们应该怎么做呢？很多小伙伴不知道如何迈出第一步；
第一：对于模型的了解和选择至关重要，只有了解大模型的原理，选择足够聪明的模型，学习速度才会快。一个靠谱的人和一个不靠谱的人到公司办理入职，靠谱的人可能两周后就能胜任工作，而不靠谱的人即便在公司工作两年也可能无法做好。因此，我认为在第一步，我们需要足够了解大模型，了解它的来世今生，它的为人处世。
第二：反推自己所在业务做好扎实的数据准备。AI 模型（尤其是机器学习、深度学习）的核心逻辑是通过对数据的学习，提取规律并用于预测或决策；数据质量决定模型上限，注意，我这里说的是数据质量，而非数据量，只有将业务逻辑转化为高质量、标准化、动态更新的数据资产，AI 才能真正理解业务需求、解决实际问题。
第三：了解提示词工程。提示词是连接用户意图与 AI 能力的 “翻译器”；这要求我们精准拆解用户需求的语义结构；甚至可以推动低代码 / 无代码 AI 功能落地；一个好的AI产品经理一定是AI和业务需求之间的沟通桥梁。
关于第二点；我再补充说明下：
过去我们只认为结构化数据才是数据资产，因为那时机器只能处理结构化数据。然而，如今机器已经能够处理远超过结构化数据范畴的数据了。
非结构化数据相较于结构化数据的优势体现在两个方面。
首先，非结构化数据的数量级远超结构化数据，这是常态。因此，原本仅能利用数据资产的一小部分，现在则可以充分利用全部数据资产。
在某些情况下，结构化数据可能已经被人类主观判断所污染。因为它们根据特定任务进行了标注，导致上下文信息缺失，许多细节已被损失或人为地主观化。因此，在AI时代，AI可以大量利用非结构化数据。
最后，产品经理需要重新审视一个本质问题：我们到底在构建工具，还是在创造”数字生命体”？
传统产品设计遵循”功能→体验→情感”的递进路径；
而AI时代的需求呈现”认知共鸣→情感依赖→功能实现”的反向结构。用户首先需要的是被理解，其次才是被满足；所以，AI产品经理一定需要对用户需求足够理解、足够共情，我相信，只有这样，大家设计的AI智能体最终才会被业务和用户认可。
接下来，我会尽快给大家带来AI产品经理转型三部曲—认知篇②《解构AI本质》；
这一篇我将会着重给大家分享我对AI技术原理 深入浅出的理解，AI产品经理虽无需成为算法、模型训练专家，但需掌握技术原理的框架和应用边界，才能有效的沟通需求、设计产品并推动落地。
作者：Goodnight；工信部高级生成式AI应用师；专注用户研究、产品创新等领域
本文由 @Goodnight. 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。