人人都是产品经理是中国最大最活跃的产品经理学习、交流、分享社区。集媒体、社区、招聘 、教育、社群活动为一体，全方位服务产品经理。本文由人人都是产品经理社区作者@莫颜云月 整理发布。转载请联系人人都是产品经理。

　　我有一个好想法，就差一个 AI 了

　　今天我特别想跟大家分享一下，人工智能产品在「演进」上的一些体会。

　　人工智能产品一个核心特点就是「演进」。也就是说「你很难一下子达到那个地方」，这可能是与传统的互联网产品很不一样的地方。

　　互联网已经存在很多年了，在产品经理的人才积累上大概已经过 10 万的数量级了吧。对比国内人工智能的导师储备也不过数百人，国内人工智能相关专业出来的研究生可以估算不会太多。这里面又有多少会成为人工智能工程师呢？而人工智能产品经理就更少了。

　　所以，在中国现在做人工智能的产品，跟我们以前做互联网的产品很不一样。单从人才供给来说，无论是产品经理、工程师，还是往上一层的架构层面的人，都只是传统互联网 1/10 到 1/100 这样的数量级。

　　工程领域有一个原则，任何系统的架构你设计得再好，当系统面对的问题规模的数量级上升，或者下降，这个架构就会出问题。那么，我们互联网、移动互联网上的产品设计经验是为过去的规模的问题所设计的，我们现在碰到了新问题，还可以用原来的方法来做吗？我觉得肯定是不一样的。今天就来探讨几个不一样的地方。

　　现在很多人在谈这种焦虑感——人工智能要颠覆这个、要颠覆那个。我昨天看到微软 AI 负责人沈向阳老师在说计算机视觉识别系统要在 10 年之内识别所有的东西。过去我们常说「我有一个好想法，就缺一个程序员/产品经理了」，今年大家都改口「我的想法就缺 AI 了」。

　　但人工智能对社会的颠覆其实还没有发生，并且这个颠覆也是没那么容易发生的。因为人工智能的资源是很稀缺的。稀缺资源造成现在组建一个人工智能团队，就一个字——「贵」。现在一个北清毕业的博士的入门价格 BAT 能给他开到 60万*。过去我有看过其他人的团队预算，十个人的机器学习团队，初期需要投入上千万。由于人才的稀缺，决定了这个风险不但来自于业务更来自于团队本身，atv直播，少了任何一个人都很填上这个坑。（编者注：具体数字有待考据）

　　理解人工智能的局限性

　　其实，目前的 AI 技术并不是那么靠谱，还是不成熟的。人工智能已经经历了两次大型 AI 寒冬了，小的冬天不计其数，我就经历过其中两次小寒冬（神经网络和语义网）。这次的热潮还会不会有冬天？有人说不会，但我已经被咬两次了，我不敢这么乐观。

　　因为人工智能现在还是“人工智障 ”的成分居多。我们做产品，更多是从人工智障开始做的。

　　2000 年，我在MIT研究期间的导师 Tim Berners-Lee（注：英国计算机科学家、万维网的发明者，南安普顿大学与 MIT 教授） 曾告诉大家，未来会是语义网的。当时实验室成果让大家很乐观地认为可能 10 年之内就能在消费者领域实现语义网。2001 年他在 《科学美国人》相关领域中的描述的产品就很像是 Siri，但当我们做了 10 年以后，我们发现我们远远低估了这个开发难度。现在 16 年过去了，我们还是没有达到他描述的对话机器人的技术水准。

　　编者注：语义网是对未来网络的一个设想，现在与 Web 3.0 这一概念结合在一起，作为 3.0 网络时代的特征之一。简单地说，语义网是一种智能网络，它不但能够理解词语和概念，而且还能够理解它们之间的逻辑关系，可以使交流变得更有效率和价值。语义网核心是：通过给万维网上的文档 （如：HTML文档、XML文档）添加能够被计算机所理解的语义「元数据」（外语：Meta data），从而使整个互联网成为一个通用的信息交换媒介。

　　所以，我们今天看到的很多的事情，比如知识图谱、深度学习，从一开始的一个想法，到工程上、到产品上，最后落地到商业上是一个很漫长的历程，通常需要 30 到 40 年。所以当我们看到一些实验性的成果，我们应该把自己的兴奋压一压，因为这中间有很多不靠谱的坑。

　　人工智能的技术瓶颈不是要代替智人作为动物的那一部分，而在于代替我们最近几千年发展起来的那些认知能力，也就是我们有了符号思维能力之后的智能。在学术上体现在，深度学习这种算法在不同领域上起到的改变是不一样的，它可以让语音和图像的识别能力前进了一大步，但是在自然语言处理或是知识图谱这方面的提高只有 1-2%。比如说，假设传统的自然语言分词算法可以达到 88% 的正确率，那么深度学习算法在准确率上可能做到 89-90%。但是深度学习可以把视觉识别的准确率提升了 10-20%。

　　为什么会有这种区别呢？