1.2 深入理解AI產品

在大體了解了AI之后，本節說說AI產品。

1.2.1 什么是AI產品

本書的主題是AI產品經理，也就是定義和打造AI產品的產品經理，所以要想理解什么是AI產品經理，就需要先理解什么是AI產品。

筆者認為，AI產品是基于人工智能技術定義的產品，是以AI技術為核心打造的應用于特定場景、解決某種問題或獲得更好體驗的功用集合。當一個產品的核心能力依靠AI算法技術實現時，就可以說這是一個AI產品。對于AI產品來說，失去AI技術，其便沒有了存在的必要或失去了市場競爭力。比如交互式刷臉通關產品，如果沒有人臉識別技術作為核心，那么該產品就無法體現其非接觸身份核驗通關以及訪客管理的價值；再比如普通攝像機產品和智能攝像機產品的區別是，智能攝像機應用了AI技術。

在形態上（自底向上），AI產品可以是：

□ AI芯片、AI算法加速卡、AI超算服務器等硬件基礎設施產品。

□ AI算法框架、算法工具鏈等軟件基礎服務。

□ 視圖、語音、文本、聲紋等媒介與AI算法結合的應用產品，如視覺算法、語音識別算法，以及構建在AI硬件基礎設施和算法服務之上的軟硬一體產品。

□ 基于多模態數據融合應用的產品。

□ 知識圖譜類的行業應用產品。

1.2.2 AI技術產品化

縱觀人類社會發展史，無論是基礎技術還是應用技術，一直都用于服務社會的發展和進步。技術的商業化需要產品作為橋梁，AI技術也不例外。在AI技術獲得突破并進入商業化變現階段之后，產品化成為AI企業的重心，這也是幫助AI技術大規模應用的正確路徑。

AI技術在產品化的過程中存在兩種路徑：一種是使能原來形態的產品，即讓已有產品智能化，比如在攝像機產品中加入AI能力之后使其成為智能攝像機，在迷你小音箱中增加智能語音交互模塊后使它成為智能音箱；另一種是創造出新形態的產品，比如物流機器人、機器狗、AI模型生產平臺、人臉測溫儀等。

1.2.3 AI產品產業化和標準化

隨著技術和產品的成熟，加之政策鼓勵和資本的加持，AI商業化進程大大加快，落地的場景應用越來越豐富。廣闊的市場前景和規模化應用帶動了以產品和解決方案為基礎的商業化分工協作，從而形成了以AI技術、產品和解決方案為基礎的較為完整的產業鏈，一個系統級產品或者解決方案可能需要由上游眾多產品組成，如芯片、軟件SDK、軟件系統等。整體來看，AI產業鏈可以劃分為基礎、技術和應用三個層次。

基礎層提供AI所需的基礎算力，涉及AI芯片、大數據處理模塊、云計算模塊等。這些產品幾乎是所有AI上層業務應用都需要的，其中AI芯片是產業競爭中的關鍵。

技術層位于基礎層之上，利用機器學習平臺、數據、算法、算力提供計算機視覺、語音識別、自然語言處理等模態的算法技術和模型。眾多互聯網巨頭，如谷歌、微軟、亞馬遜、百度、阿里、騰訊等都在早期就開始布局這方面的能力，并積極與云能力結合。另外，眾多AI公司（如商湯科技、曠視科技、科大訊飛、第四范式等）都從技術層切入，并不斷向產業鏈兩端擴展。

應用層主要包括融合多種技術和基礎能力的AI產品，以及產品落地到行業的解決方案，其核心是完成商業化閉環，真正為行業帶來效率提升和價值。在產業鏈中存在許多提供解決方案的公司、集成型公司以及在縱深行業中科技基因較強的公司，這些公司推動了AI產品和技術在行業中的落地。

整體AI產業鏈分層示意如圖1-5所示。

隨著產業規模的擴大，協作越來越頻繁，所以標準化成為政策中的一個高頻詞。標準化是一個產業發展的必經之路，對降低成本、提升質量、規范統一、提升管理都有重大意義。在產業發展的早期階段，各家公司更多是為了生存而采取野蠻生長策略，但隨著后期應用的落地和進一步發展，標準化會被補齊，AI產業是這樣，其他產業也是這樣。當前，隨著AI產品方案在各行業的落地，各領域的標準化正在被補齊。圖1-6所示是《國家新一代人工智能標準體系建設指南》中給出的AI整體標準框架。

標準化體系對AI產品來說是非常重要的。一個產品的標準化范圍越大，對產品的發展越有利，一個產品符合國家甚至國際標準的程度越高，那么在產業鏈上下游的協作中成本就越低，機會也就越多。另外，隨著安全、倫理等相關標準的出現，產品商業化應用的風險也會成為許多客戶采購時考慮的因素。因此，從打造AI產品的角度來看，標準是需要早期同步關注和參考的。

筆者認為，產品的創新能帶來標準的制定。企業的一項技術若能更早地實現產品化、商業化落地，那么企業就可能成為早期標準的制定者，這會幫企業構建產品的競爭力。在市場競爭中，技術和產品參數若都符合現有的標準和規范那么企業會有更大的優勢。

1.2.4 AI產品落地的價值與難題

筆者認為AI落地產品可以分為兩大類：第一類是以降本增效為主的產品，第二類是以增加愉悅度為主的產品。

1）降本增效類產品指通過在已有解決方案中加入AI解決方案從而實現降低成本或者增加效益的產品。在這類產品中，AI的作用在于替代、改造生產流程，從而提升生產效率。這類產品更多存在于生產中。這里所說的生產是指更加廣義的生產，不僅包括質檢、物品生產等工作，還包括與各行業活動相關的業務類工作，比如在政務中進行案件辦理等。通俗地講就是人能做，AI也能做，但是AI做得更快更好。

2）增加愉悅度類產品的核心業務目的是提高愉悅度，雖然其可能也會帶來效率上的提升，但是這并非其核心目的。比如AI相機在拍照場景中可進行美顏、檢測人臉等操作，還可增加一些可愛、搞笑元素，從而滿足了人們的愉悅需求。

AI產品的落地并非一帆風順，甚至可以說困難重重，除了技術實現上的直接困難，還有幾個基礎性的難題——成本高、隱私難把控、安全有隱患。如果技術無法解決這些應用場景中的難題，那么就無法落地。三大難題并非在每個場景中都同時存在，但是在不同的場景中，總有一些問題非常尖銳。比如在制造業的應用中，成本問題就會顯得突出；而在自動駕駛領域，安全被放在了第一位；在銀行領域，個人隱私又顯得尤其重要。這些難題指向的解決方法是：更廉價的算力、更高精度的算法，以及數據依賴更少、隱私保護更強的機制。每個場景都有應用的紅線，技術每推進一步，就可以解鎖更多場景。

1）成本：成本問題在AI產品落地的每個場景中都有涉及。當前AI產品落地成本高主要體現在人力成本高、算力成本高兩個方面。出現人力成本高的主要原因是與大規模標注數據依賴、算法設計相關的人才稀缺但市場需求量大，以及依賴人的算法要持續定制化、設計精度要持續優化。算力成本高體現在算法在追求精度的同時對參數及其規模的依賴，以及算力硬件在面對大規模使用深度神經網絡方法和不斷擴展網絡參數規模以提升精度時，在成本和功耗上難以招架。

2）隱私：在AI應用中，常常被調侃有多少人工就有多少智能，這里所謂的智能，是大量人工通過標注數據得來的，這就可能帶來數據泄露問題。在一些場景中，數據隱私問題不突出，比如互聯網中數據流通自由，隱私問題相對友好；但另一些場景中對數據在隱私方面要求很高，比如銀行和保險業的客戶信息、安防監控視頻、各類互聯網平臺的用戶數據、電商消費數據、高精密制造業的產品工藝數據等。如何確保數據在獲取、存儲、傳輸、使用等環節的隱秘性，是AI落地人員要不斷思考的問題。

3）安全：AI中的安全可以分為直接涉及人身的安全和危及財產的安全。自動駕駛是一個顛覆性產業，這個產業中核心性技術之一就是AI技術，而AI技術在這類產品中最突出的問題是安全問題，而且這種安全是直接涉及人身的安全。自動駕駛導致的安全事故被不斷曝光，導致人們對自動駕駛產生了質疑。另外，專門針對AI產品的攻擊不斷出現，如深偽（Deepfake）技術，導致AI產品面臨的風險越來越多，這類攻擊的目的往往都是獲得非法收益。比如針對人臉安全驗證的攻擊。

與學術研究更關注技術理論、提升算法精度不同，在許多商業應用場景中，因為無法解決成本、安全、隱私等問題，技術依然無法落地。當我們大談場景落地時，需要有可行性研究的意識，這種意識不可只落在技術可行性上，還應考慮經濟（市場）的可行性、安全的可行性和法律的可行性。

---

[1] 參見羅素和諾維格撰寫的《人工智能：一種現代的方法》，由人民郵電出版社于2010年出版。

[2] 參見張鈸、朱軍、蘇航等撰寫的《邁向第三代人工智能》，發表于《中國科學》2020年第50卷第9期。