产品经理应该如何学习AI？

一、AI大模型对行业的影响

1、理想的搜索引擎

传统搜索引擎过度到新的理想搜索引擎，传统的搜索引擎是通过搜索全网知识并返回这些网页的链接，并没有对网页的内容进行整合和理解，而AI时代是将全网的知识已经喂给AI，并且让AI做理解整合；而对于搜素结果的关注，传统搜索关注的返回结果是top n,而AI时代，语义理解得到增强，返回的是一个确定的结果，top one!

既然AI时代理想的搜索能力得到加强，那么让我们思考以下三个场景：

1）百度、谷歌会如何变化？现在是搜索的形式，以后可能会是一种chat的方式，文字语言输入，得到一个确定的结果。
2）靠传统搜索引擎获取流量的应用该怎么办？可能是在搜索引擎和用户对话的过程中被推荐出去，那么推荐的机制也会重新建立。
3）应用内部的搜索该怎么做？chat的方式，向量化数据

2、预训练

把一个领域的知识进行提前训练，成为特定领域里的超级专家；提供了一种新的模型训练和下游任务之间的微调关系，通过prompt turning（大模型微调）的方式更灵活的处理下游任务。

3、超强翻译能力

自然语言、机器语言、DSL（领域语言）直接的翻译，极大的提升了跨越领域的API调用能力，例如自然语言直接翻译成SQL等，说一句话就可以搜索、查询数据库；加强了API的搜索能力，进一步提升整个API生态的繁荣。

4、人机交互的革新带来的流量重塑

人机交互的演变：二进制的打孔带—命令行— GUI（图文）---- LUI（类似siri）----GUI+LUI(LUI 驱动GUI)

新的流量入口：聊天机器人，虽然目前chatGPT 等还是文字输入，但是最终也是会进化到语音交互，像国内的豆包。

5、app形态和开发规范的重构

1）人机交互
AI时代最重要的人机交互就是chat, 也就是LUI，优点是用户学习门槛低，不需要学习软件的全部能力。

2）跨领域的沟通
AI大模型成为一种万能接口，将不同领域和不同数据结构的Task打通，形成全新的workflow.

3)计算
AI大模型带来的提升在对非结构化数据和语意信息的计算有了质的飞跃。语义理解、内容生成、逻辑推理、跨DSL的翻译能力、无监督学习、少样本学习。

4）存储
将互联网BP级的数据，压缩到大模型千亿级的网络参数中，完成了知识的高效存储，促进了向量化存储和向量数据库的发展。

5）未来工作方式
朝着程序员的工作方式迈进，具备良好的任务抽象能力和框架设计能力，人机共创，人给机器下指令，机器执行输出结果，人做测试；不会写prompt也没问题，会调用prompt即可。

6、AI agent开发
基于低代码平台进行微调能力，包括prompt微调，知识库RAG微调，模型微调，flow微调

7、企业超级大脑
1）内容创作：营销
2）办公助手：内部信息查询，培训助手
3）智能客服：售前售后
4）决策助手：数据分析和业务分析，整合结构化数据和非结构化数据

8、内容生产工作极大颠覆
文本、作图设计、视频等等

9、自然语言处理能力的极大进步
自然语言理解和自然语言得到极大增强，自然语言解决方案大统一且效果大幅度提升，生成传统的NLP公司失去优势，AI NATIVE的公司更具优势。

10 、确定性的需求有了，确定性的解决方案有了，需要执行层面的能力
其实很多AI的需求已经有了，解决方案也是明确的，接下来更多的是工程落地能力，包括商业模式的设计，行业资源的串联，人才的培养，产品的开发等等。

二、AI对产品经理影响

1、改变产品经理的工作方式
从信息化到智能化，不再是0到1的过程，而是60和80的区别，是一个策略调优的过程；对于产品经理新的要求：定义基于概率产生结果的产品，并给与用户明确的预期。

2、传统产品经理的个人可替代风险
面向流程型的岗位有可能消失，未来的产品需要策略，与其他工作职能之间的边界变得模糊。

3、AI产品方向
现有产品+AI、AI infra机会、数据机会、数据库和数据分析产品、智能文档类、智能客服类、办公助手类、智能营销类、智能管理类。

三、如何转型AI产品经理

1、更深入的思考业务
在AI的影响下，很多业务流程会发生变化，不仅要理解业务当下的样子，还要思考未来的样子，核心在于不能只在当前的技术环境下，表层的思考业务，而是要回归到业务本质，从经济学，管理学，营销学，心理学，行业规律等角度，更本质的思考业务。

2、熟悉大环境的变迁，并更AI Native的思考问题
一个确定的业务场景，用AI是否能比传统手段解决的更好？有哪些事情以前干不了，现在用AI可以干了？从一个个微观场景的变化，汇聚起宏观认知，包含对信息系统演变的认知和业务流程演变的认知。多观察周围的行业变化，包括基建（算力，算法，数据）公司的变化，传统大厂的业务变化，创业公司在干啥等等。

3、熟悉AI的原理
包括大模型的基本原理，算法和模型层面，AI的工程化架构，成本和能耗。

4、AI的算法调优能力
prompt调优，模型调优，RAG和知识库调优，flow搭建和调优

5、熟悉工具使用
尤其是各类RAG的工具，agent开发平台。

四、我自己的判断与选择

1、业务大于技术，优先思考业务；无须深厚的AI积累和技术积累，更多业务上的积累可快速弥补技术上的缺陷，AI会越来越傻瓜式，技术平权。从创建角度，应该快速寻找商业闭环。

2、深耕B端，不做C端；主要是C端付费能力弱以及场景和流量被大厂垄断，深耕B端，做垂直化，是创业公司的出路。

3、标准化SaaS很容易被新的解决方案覆盖，拿大单还得靠私有化部署。

4、2B的私有化部署业务要有全案解决能力，和行业伙伴合作。

5、优先和渠道合作，加速项目落地能力，逐渐自建渠道。

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🆓