真正的AI产品经理太少了！！！

前言

如何才能成为一名合格的AI产品经理呢？本文篇幅适中，内容环环相扣，将为各位读者解决眼前的职业困惑：

1.AI产品经理到底该怎么定义？

2.做AI产品经理需要具备哪些能力？

3.AI产品经理 vs 产品经理的日常

4.哪些岗位更容易转型AI产品经理？

5.现阶段AI产品经理们有什么困境？

一、AI产品经理到底该怎么定义？

为了更好的理解AI产品经理的定义，我们不妨把时间线拉长，回顾互联网的几次大规模技术迭代，以及每次迭代中催生的新岗位：

Step1，从纯代码协议到PC端的网页浏览器，使互联网从小众到大众。在这个时期，产品经理都不那么重要，网页浏览器这种载体，相对复杂度还没那么高，程序员+设计师就基本能应付个七七八八。我们现在耳熟能详的好多产品大神都是程序员出身，因为那个时期就没什么产品经理啊！这就给后世留下一个印象：好产品经理必须懂技术？懂技术更能成为好产品经理？其实真不见得。

Step2，从PC端的网页浏览器到移动端的APP，互联网开始变得无处不在，互联网从业者也不得不思考如何在方寸之间保障用户的体验。这个时候产品经理们正式崛起，没记错的话，曾经还有“移动端产品经理”这种岗位称呼，而这正是一种典型的过渡期叫法。

Step3，AI广泛应用，提升效率。稍微想想，我们现在很少说“浏览器产品经理”和“APP产品经理”了吧，这俩岗位早就简化成了产品经理。但我们现在依然在说AI产品经理，这是一个标准的“技术迭代”+“产品经理”的组合。因为新生事物刚刚涌现，大家还没习惯。等AI渗透到生活的方方面面，那个时候AI产品经理的前缀也就会不复存在了。

按时间线梳理后，我们再从功能结构上看看AI产品经理在产品经理中的定位。古牧君之前分享了一篇文章，数据产品经理的到底重心在哪儿？文中通过很多事例和概念，厘清了数据产品经理的本质是产品经理，好比白马它首先得是马。到了AI产品经理这儿，也不能犯同样的错误。来，默念一遍：AI产品经理的本质，是产品经理，不能因为前缀加了AI就发生改变，就算变成“宇宙产品经理”，它也还是产品经理。


在明确这个基础认知后，我们看AI产品经理就会清晰很多了。它在产品经理的岗位地图中，层级上是无法与C端产品经理或B端产品经理对等的，更合理的逻辑层级应该是：C端AI产品经理、B端AI产品经理。对喽～AI产品经理目前应该是嵌入在两端产品经理体系内的。

如果你还想再往下细分，那就套用现有的方法，在C端和B端这个维度上，再叠加一个行业领域，比如C端社交AI产品经理、C端电商AI产品经理

对B端的叠加，可以稍微赘述几句。B端从概念上既可以是to企业内部这个B，也可以是to企业外部（如其他企业或政府）这个B；同时，B端本身还有这么一种划分：技术层、能力层、应用层。所以B端的叠加就会更丰富一些，比如：B端出行技术层AI产品经理、B端视频应用层AI产品经理等

二、做AI产品经理需要具备哪些能力？

除此之外，“数据驱动”的思维和能力也是AI产品经理的特需。为啥？因为AI跟数据是强关联的，所有对AI的训练和迭代都离不开数据，这也导致产品经理日常需要更关注数据这个闭环，不仅要依赖数据功能上线后的评估和优化，还要运用数据进行策略设计。、

这么看来，AI产品经理既要像一个真正的产品经理，又要具备较强的数据驱动能力，稀缺也就比较正常了。联想到前段时间有个业内新闻，对产品经理有洁癖的腾讯，把12级（原P4-1）以下的产品从业者都改名叫什么产品策划、产品运营，只有综合能力达标的那一小撮人，才配继续叫产品经理。这说明什么呢？天下大势分久必合合久必分，早些年产品经理不断细分、不断专业化，而往后很可能就该不断融合、不断全能化了。

三、AI产品经理 vs 产品经理的日常

做常规的产品经理，核心就是吃透👇这张图：

所以他们还能做啥？

这就牵扯到另一个问题了：一个AI产品经理需要多“懂”技术？或多大程度上参与到“AI策略设计与开发”的工作里来？

根据个人经验，AI产品经理在需求评审的阶段，需要与算法共同明确的主要有以下几点：

模型目标

特征选择

数据收集

验收标准

至于数据预处理、模型选取、特征工程、调参等等部分，如果你有精力和能力去理解那自然是好的，但如果不能，只需要理解算法运作的基本原理即可。

因此无论你涉及到的领域是内容、电商还是社交，只要是与核心业务相关，AI产品经理本质上解决的都是资源匹配的问题，只不过除了关注供求两端，你也需要关注对平台本身的收益。

比如对2C平台来说，每个阶段的侧重点是不同的，前期更注重日活，后期看GMV。所以AI产品经理需要时刻关注随着算法策略的迭代，模型表现提升对大盘收益提升的边界效应在哪里。除非你是专门做“技术创新”的纯技术型产品经理，不然所有脱离大盘收益的算法打磨，以及一味追求算法复杂度的行为，都只是耍流氓

四、哪些岗位更容易转型AI产品经理？

前文已经很明确了，真正的AI产品经理，必须是兼具数据驱动思维的产品经理，基于这条准则，古牧君把市面上跟AI产品经理还算相关的岗位整理如下：

初步感觉是用户增长产品经理胜出？对几个可能有争议的项目稍作解读：

1.研发工程师：“或许具备一定数据驱动思维” ？

坦白说在跟研发工程师深度配合多年后，我发现，严谨的逻辑思维并不等于数据分析思维or数据驱动思维。核心差异在于，经过长期训练，工程师们的逻辑思维更多是纯形而上的，有些脱离实际业务场景；而数据分析、数据驱动思维，更看重理论与实践的结合，必须是扎根于业务场景的。所以有时候，算法工程师转型AI产品经理，虽然看起来入门快，但后续无形的门槛可能会来的更早

2.产品经理：“普遍缺乏数据驱动思维” ？

是的，别说数据驱动思维了，很多大厂的非初级产品经理们，连基本的数据分析能力都不达标。经常无法对自己负责的产品功能提出有效、可行的量化衡量方法。所以你说为啥现在还有这么多数据分析师的岗位需求呢？不就是给技能残缺的产品经理们补锅呢么～

3.用户增长产品经理：“具备较好的产品思维” ？

必须坦诚，这是一个基于岗位JD的美好推测，是否该岗位的从业者们在日常工作中真的能充分施展产品思维、避免工具人的囧境，古牧君是不得而知的，欢迎这个方向的同学上门踢馆指正～

五、现阶段AI产品经理们有什么困境？

现阶段AI产品经理们的困境，主要还是源自大家对这个岗位的广泛误解。因为前缀加了AI，就觉得这个岗位不论C端B端，都应该是特别懂技术的，都应该是算法与普通产品经理的翻译官和桥梁，这就导致很多AI产品经理变成了传话筒，价值感很低。再次重申下，AI产品经理的本质是产品经理，要求他们手撕算法代码有意义么？有那个功夫，还不如要求他们把用户需求和场景设计捋顺，少提一些异想天开的需求吧～

这个困境如何破局呢？个体层面，可以把重心多回归产品经理本质上，不要太纠结技术算法细节，更看重AI与用户需求的适配；群体层面，需要等大环境逐渐成熟。天时地利人和，一个都不能少。不过要等多久呢？参考互联网行业对所谓大数据的落地应用节奏：怎么也还得有5～10年吧～

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.2.1 什么是Prompt
  • L2.2.2 Prompt框架应用现状
  • L2.2.3 基于GPTAS的Prompt框架
  • L2.2.4 Prompt框架与Thought
  • L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
  • L2.3.1 流水线工程的概念
  • L2.3.2 流水线工程的优点
  • L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
  • L3.1.1 Agent模型框架的设计理念
  • L3.1.2 Agent模型框架的核心组件
  • L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
  • L3.2.1 MetaGPT的基本概念
  • L3.2.2 MetaGPT的工作原理
  • L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
  • L3.3.1 ChatGLM的特点
  • L3.3.2 ChatGLM的开发环境
  • L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
  • L3.4.1 LLAMA的特点
  • L3.4.2 LLAMA的开发环境
  • L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓