AI产品经理指南：我是谁，从哪来，到哪去｜对谈字节AI产品负责人Vanessa，面试了100位AI产品经理后的心得总结

AI 正在改变各行各业，或许首当其冲受到影响的就包括离 AI 最近的一群人——产品经理。

Vanessa 在字节负责 AI 产品工作，我们从「面试了 100 位 AI 产品经理」的心得总结开始，聊了聊究竟什么是「AI 产品经理」？Vanessa资深的产品经理、如今的 AI 产品负责人，也给我们介绍了她眼中的 AI 产品经理的工作现实和至暗时刻。

此外，我们也请她分享了一些面试中优秀求职者的故事，她作为面试官，在简历和面试等方面可以提供的 tips。最后，Vanessa 自己的转型故事或许也对许多人有借鉴意义：她的专业是广告，后来到 CMU 读硕后做设计师，做产品经理，再做 AI 产品经理。她说：转型不难，反而是不同的经历会成为加分项。

除了这些经验总结和故事，我们也希望能把 Vanessa 在播客中谈到的一些个人哲学和理念传递给更多的人：

跟随自己的兴趣，先热爱生活，再做产品。

无论你是不是产品经理，对新事物保持敏锐和积极开放的心态，都是职业发展的底层动力，希望这一期的内容会对大家有启发。

🟢 这是一期首发于「十字路口」播客的访谈。你可以阅读本文的文字对谈版本，也可以在微信或小宇宙收听。

AI产品经理指南：我是谁，从哪来，到哪去|对谈字节AI产品负责人,十字路口Crossing,1小时15分钟

面试了超过 100 位 AI 产品经理的感受

典型的人选画像

🚥 Koji

你在字节已经面试了超 100 位 AI 产品经理。我们很想知道，在面试大量 AI 产品经理时的感受和观察，相比传统产品经理而言，你觉得有什么不同吗？

👩🏻 Vanessa

我也是从用户产品转型过来的，之前通常会考察你的数据是否敏感、设计用户交互体验的能力、与其他团队的合作沟通和推进力等等。而AI 产品经理的面试会有另一道门槛——在用户端产品经理的技能基础上，你需要对 AI 技术有更深入的了解，才能进入这个行业。

典型的 AI 产品经理有几种来源：

一种是传统产品经理转型，这类很常见；一种是原本做机器学习的算法工程师转产品经理，不过这类人数不算特别多；还有一种情况是，他们本身就是计算机或人机交互专业的学生，对 AI 领域很感兴趣，积累了一定的经验后就直接入行做 AI 产品经理。

🚥 Koji

听起来，AI 产品经理最大的不同在于有没有掌握了生成式 AI 的一些技术理解。除此之外，在寻找用户需求、理解市场竞争的层面，你认为如今的 AI 产品经理有什么不同吗？

考虑到 AI 并不是一个既定技术，过去的产品经理也需要懂一些技术，如今最大的不同就是如今的技术边界也是流动的，从而带来了不同的素质要求。在考察 AI 产品经理的简历时，有留意到这些不同吗？

👩🏻 Vanessa

嗯，我先说说什么样的简历能通过 AI 产品经理的招聘关吧。

有一种是候选人过往经历与 AI 完全无关，简历本身也是以前申请一些大厂的通用版本，没有针对 AI 进行修改。如果看到这样的简历，大概率认为候选人在行业和过去经验上不够匹配，不太有机会。还有一类简历是，候选人有一些 AI 经历，且有一些通用能力可以迁移到 AI 领域。比如说做行业分析或战略出身的人，原来看的是非 AI 的产品，但他能够深入分析产品思路、市场定位、商业模式等；迁移到 AI 产品之后，这些认知，其实完全是可以迁移过来的，中间的壁垒并没有那么高。

因此，如果我现在在招的产品经理，只是想让他针对 AI 行业或战略提供 insights 的话，是否具备深入的 AI 知识或 AI 领域技能就没有那么重要。如果招聘需求比较急，又很需要对方快速上手的话，有一些沾边的经历是加分项。

🚥 Koji

是不是可以理解为，在过去做得好的产品经理，都有机会转行成为一个好的 AI 产品经理？他只需要学一些知识，这些知识是 fact ，而不是更复杂的东西。

👩🏻 Vanessa

是的，我觉得现在偏向于 fact 的原因是整个行业的变动还太快了，对所有人来说都是新的。因此，没有人能够从更深层次、更哲学的层面去理解这些东西，大多数人都还停留在在吸收整个行业中新产生的偏向 fact 的知识。

这也是现在入局 AI 的优势——门槛并没有想象中那么高，只要你掌握了更多的知识，就已经有一些优势了。并不需要像以前那样在洞察用户心理、设计用户交互等领域达到明显区别于他人的水平。现在出现的大牛毕竟是少数，所以刚入行的人仍然有很大的机会。

看论文不一定是唯一路径

🚥 Koji

之前，有另一位 AI 产品经理 hidecloud 也来上过我们播客。他鼓励所有 AI 产品经理每天看论文，来保持对最新 AI 变化的了解。但其实很多人听完他的分享后感到压力很大。

👩🏻 Vanessa

哈哈，就觉得很劝退～

🚥 Koji

所以你怎么看，在2024年的当下，像 hidecloud 一样每天阅读论文，是否是成为一个优秀的 AI 产品经理的唯一路径呢？

👩🏻 Vanessa

每天看论文是一种非常硬核的方式，但这取决于所处的阶段。比如，如果你是一个在校生，尤其是 CS 专业的，每天看论文是非常有益的。

之前的提纲有一个问题是「最近让你印象深刻的 AI 产品」，其实我一时没有想到特别惊艳的产品，反而有很多论文的思路让我感到惊为天人。因此，如果你是一个 CS 专业的学生，看论文绝对是一个非常大的加分项。它可以扩展你的思路，并让你对 AI 有更深层的理解，而不是流于表面，只是看看别人做出来的产品是什么样子

AI 从技术层到产品层经历了多个阶段，AI 产品已经是一个最终的成品。就像做面包一样，只品尝好吃的面包，是它不理解是怎么从面粉一步一步成为面包的。因此，了解 AI 的技术原理尤为重要。

但如果你已经掌握了一些视觉算法的基础知识或经验，也不是只能硬啃论文。一个不看论文的产品经理，也可以做一个更懂用户、更懂市场、更懂应用场景的产品经理。在强调分工的大公司中，有专业的算法工程师能更早接触并掌握到这些前沿 paper，不非得要求产品经理比算法还懂算法。对产品经理来说，看 paper 不是一个 must have，是一个 nice to have。不必过分焦虑。

后 AI 时代的产品经理指南

四类 AI 产品经理

🚥 Koji

当我们提到产品经理时，实际上会分为 to B 和 to C ，图文、影像、效率等不同应用场景的类型。那么，对于 AI 产品经理而言，有哪些分类呢？

👩🏻 Vanessa

自生成式 AI （包括视觉大模型和语言大模型，此处只是想区别于传统 AI，不是严谨概念）出现以来，AI 产品经理会根据在 AI 上下游中扮演的角色来划分。

一类是专门从事数据生产的产品经理。大模型的本质是算法、算力和数据，海外有一个叫 Scale AI 的产品，他们团队非常擅长数据的清洗和分类，把非结构化数据转换为算法可用的数据。这类产品经理是整个大模型的基底。

第二类是从事大模型策略和评估的产品经理。一个大模型可能会有不同的版本，基于不同数据也可能训练出不同的结果。策略产品经理的角色在于评估大模型的训练效果和制定优化策略。比如，一个语言大模型在多次迭代后，会有一个文字测试集，通过各种问题来对模型能力进行评估。其中甚至有些稀奇古怪的问题，来测试模型的上下限，比如弱智吧里的言论「生鱼片为什么是死鱼片」、「三个半小时是一个半小时」。

剩下两类则更贴近我们对「AI 产品经理」的第一印象。

第三类是像我这样在 AI native 产品中担任 PM 角色的产品经理，特别是偏向效果的 PM。这类产品经理现在并不多，因为投入纯 AI 产品的公司也不多，他们需要考虑在生成式 AI 时代下，新的产品经理要如何工作、有怎样的工作流。

最后一类是负责产品中 AI 功能设计的产品经理，也是相对最容易转的产品经理。例如有的朋友在 Google 工作，负责 Google Calendar、Gmail。这些产品中会有 AI 小助手，日历会像小秘书一样帮你总结一下今天要见的人，会议后如果有视频记录，也可以帮你把待跟进的事项记下来等等。这类产品经理其实是在以往产品的基础上添加一些 AI 元素，从而慢慢向 AI 赛道贴近。

🚥 Koji

当你提到第四类产品经理时，更多是讲的 to C，我觉得 to B 也同理。最近我们在关注 Y Combinator 近一年投资的 260 家 AI 公司中发现，其七八成在美国都是做 to B 的。过去任意一个有 SaaS 的 to B 领域，在当下就可以转换成 AI SaaS。比如，在兽医、牙医等领域，过去有一些公司做 CRM 做的不错，现在也有一些用 AI 把 CRM 再做一遍的。

我认为这也是一类产品经理画像，即用 AI 来提高工作效率，在已有的产品上赋能。

🚥 Ronghui

这些来面试的人，他们有特别清楚自己在申请哪一类产品经理吗？

👩🏻 Vanessa

可能并没有。因为 AI 行业非常新，而且在招聘时可能出于保密因素，大家会把 JD 写得很模糊，不会明确描述日常的具体工作内容。因此，来求职的人很多自我定位也不清晰。

我在面试中遇到一些候选人，他们在说「想做 AI 产品经理」时，其实并没有真正了解其将面临的挑战。他们的了解局限于日常使用过 ChatGPT、妙鸭等应用、或者看过相关新闻，认为这些东西特别牛。

正如之前很多人教导怎么转行产品经理，现在的趋势是教导怎么转行 AI 产品经理。AI 产品经理的 title 变得越来越高大上，就会有很多人想要涌入这个领域。我觉得他们讲的不够现实，或是故意隐瞒了很多东西。

产品经理的至暗时刻与价值感

🚥 Koji

现实是什么呢？

👩🏻 Vanessa

在教人转行的时候，有时候这些老师只讲优点，赚到了流量和钱，却没有任何的售后。

还有就是「只讲道不讲术」——只讲 AI 有多重要，却不讲你到底怎么去做一个 AI 产品经理，具体每天的day to day是什么样的。

还有些人觉得所有人的起点都差不多；其实在校生或零经验的人、有一些 AI 产品经验的人、还有非 AI 产品但产品经验丰富的人，他们进入 AI 产品经理这个行业的路径，应当是相当不同的。

那么，AI 产品经理在光鲜的 title 背后，究竟在做些什么呢？这里有几个 AI 产品经理的「至暗时刻」——

一个是，AI 产品经理常常会被追问一个问题：「 自己的价值到底在哪里？」

在外界看来，AI 行业的技术能力已经很强了，AI 产品经理在此之上可能做不了太多的东西；其实恰恰相反，大家都以为现在的技术能力很强，但实际用起来却漏洞百出。

🚥 Ronghui

这是外界的假设，对吗？

👩🏻 Vanessa

我觉得这是一个误解。AI 还有很大的能力局限，而且这个局限更多来自模型本身而不是产品策略。AI 整个行业都是靠技术驱动的。比如之前 Kimi 大模型解锁了非常长的上下文限制，使应用的长场景大大增加，你可以丢一本法律书或医学书给他，就能立刻解锁更多的应用场景。因此，一个 AI 产品能做什么，非常依赖于上层模型的能力。

有时人们会质疑，「作为 AI 产品经理，我只是做一些雕花的事情吗？」 这是常常困扰 AI 产品经理的一个自我价值的问题。

我认为产品经理的价值还是很高的。模型在日新月异，我们期望它变得越来越强大，但在期望实现之前还有很长的路要走。我们需要叠加大量的策略，也就是所谓的雕花工作，但这不完全是弥补技术上的不足，更是去深入理解用户到底想要什么、用户场景是什么、用户交互是否顺畅。模型越成熟，叠加策略其实越简单。然而，现在的模型还远远没有达到成熟的阶段，仍然需要大量的产品经理去堆策略。

另外，一个很大的挑战是如何找到 Product Market Fit。

我看过一个例子是，一个海外做 AI 生成漫画的产品。像 Midjourney 这样的产品，已经能生成各种令人惊艳的图像，但应用到漫画、绘本领域，它还缺少很多东西，比如人物一致性保持、场景固定、比如帮助创作者从一个想法发散成一个完整的故事大纲甚至细致的脚本等，这些仍需要大量的人工处理。那个产品就是针对漫画的创作场景，做了很多好用的功能。

AI 产品经理要深入了解用户的 user flow，即用户在做这件事的过程中会经历哪些步骤、有哪些需求，并将所有 AI 能力串联起来。

还有一个至暗时刻是，AI 产品经理每天早上醒来都会被源源不断的市场消息刷屏，甚至你睡得晚的时候大洋彼岸又又又开发布会了，又又又有新东西了。

我们每天都处在一个随时被颠覆的状态。你今天雕的这一堆花，明天模型增强可能就不能用了。

👩🏻 Vanessa

还有一点，大部分人以为 AI 产品经理的工作很高级，每天调调模型，而不了解这份工作有多 dirty work。我曾经发过一条朋友圈，引用了一个网络梗：

「在 city walk 和 dirty talk 之间选择了 dirty work」。

产品经理也会干很多很基础的东西，也就是所谓的脏活累活。

🚥 Koji

可以举一些例子吗？

👩🏻 Vanessa

我是做视觉模型的，现在做视觉模型有两种不同的 UI 界面可供选择，一种叫 Web UI，另一种叫 Comfy UI，这两种界面都可以和 Stable Diffusion 做交互，引导它发挥自己的模型能力，输出图像。但是，UI 界面中模型的选项很多，每个模型的参数也很多，比如每个参数可以从 0.1 调到 0.99……这些调参的工作非常繁复。即使有自动化工具辅助，仍然要耗费大量人力。

🚥 Koji

我也很好奇，只有一张图片好不能说明我的参数调得对，可能还需要很多不同风格和特点的图片来证明这一点。可供选择的模型、插件、参数又有这么多，要做好这件事听起来就像是天方夜谭。

👩🏻 Vanessa

有人说过，大模型调参像炼丹，有一定的玄学成分。例如，你有两个参数，它们之间可能会相互作用。当你调高一个参数、调低另一个参数，它对整体画面的影响可能很细微。除了对模型和参数作用的理解之外，你也需要不断摸索，形成一种感觉，比如，当你发现画面有点油腻，你应该调整哪个参数或者增加什么节点呢？这些都是经验上需要积累的事情。

👩🏻 Vanessa

还有一些 dirty work，比如刚才提到一张图跑好了不算什么，你得在有成百上千大批量的图上得到比较稳定的结果。批量跑图是一个很基础的活，没有特别强的技术门槛，但它就是 AI 产品经理每天需要去做的。

🚥 Koji

现在的自动化工具也不是很好用，对吧？

👩🏻 Vanessa

我们有在自研，不过市面上目前还没有一个普适性的自动化工具，但我相信未来会出现。就像最初没有 Airtable 或多维表格等来帮产品经理梳理需求和想法，这些工具后来也陆续出现了。我们需要给这些工具一些生产的时间。

👩🏻 Vanessa

还有一个至暗时刻是，大部分用户并不理解 AI，他们仍然用以前与非 AI 产品交互的思路，来推理在与 AI 产品交互的时候应该遇到什么。然而，之前的产品并不是一个概率模型，而是一个由程序设定好的一步步执行的。例如，当你用一台咖啡机时，如果你点了拿铁，它必定会给你拿铁。但生成式 AI 是一个概率模型，有一定的概率不出拿铁，哪怕概率已经低到千分之一。用户无法理解这一点，他们认为 AI 应该百分百地理解和响应他们的需求，实际上 AI 并不能做到这一点。

用户也不理解 AI 本身会有能力的上限。即使是最先进的 Midjourney 或 Stable Diffusion XL/3 版本，也可能会出现肢体不自然、手画不准、模糊等问题。有一个 prompt 叫「瑜伽女孩」，如果将其输入所有的生图工具中，出现坏图的概率会很高，因为瑜伽的姿势特别多，瑜伽这个 prompt 对于大模型来说挑战特别大。用户无法理解这一点，只要他们发现多了一个手指或者眼神不太对，就会觉得这个产品不行。实际上这始终是一个概率模型，我们可以争取达到 99.99% 的准确率，但不可能 100% 准确。

🚥 Koji

你们有什么办法来解决这个问题呢？比如图片生成之前有一个预览或 double check 环节，如果有问题可以及时补救。这样是否可行呢

👩🏻 Vanessa

这也是一种雕花。但场景是列举不全的，如果所有生图都加入一个 check 环节，生图过程就不会显得那么流畅和简单。这也是要面临的 trade off。

🚥 Koji

所以，你们可能每天会收到很多用户反馈对生成的图不满意，但有时也无能为力，因为这就是大模型的幻觉或局限性。

👩🏻 Vanessa

我们可以通过各种方式努力接近模型的上限，但突破上限意味着模型本身需要迭代，或是使用更好的模型来替代现模型。然而，即使是市面上最先进的模型（SOTA），也必定存在一些缺陷。

🚥 Koji

我很理解这样的至暗时刻，即使收到一个 bug，也没有什么解决办法。

👩🏻 Vanessa

这和 bot 交互方式也有关。以前使用的是 GUI（传统图形界面），给到用户四个按钮，他就明确只能干这四件事儿。现在给用户的是一个对话框，用户不知道能做什么，甚至可能会提出一些奇怪的对话，比如「帮我洗衣服」这类完全无法实现的 prompt。这个现象的原因是 AI 还太新了，整个市场对 AI 的理解和教育还不够。

🚥 Koji

还有更多至暗时刻吗？

👩🏻 Vanessa

对 AI 产品经理而言没有了，但对 AI 而言，我认为现在我们对 AI 过于苛责。假设把 AI 当作一个人来看待，“他”的至暗时刻是什么呢？我们对他的评价并不公平。

以自动驾驶为例，即便是通过驾校考试的人也会出现驾驶失误。人的驾驶技能有好坏之分，AI 的安全性可能比某些人还高，但我们对 AI 的标准非常苛刻，不允许它出现任何问题。还有像医生诊断还是以 Copilot 为主，AI 可以辅助医生但不能完全替代医生，即使 AI 误诊率比医生低，我们仍觉得不能把其交给 AI。

我认为这可能是源自人类的责任心——我们把生死攸关的事情交给机器，就必须对它苛责；也有可能是源自人类的优越感——认为机器和人类不能混为一谈。这就是 AI 的至暗时刻。这些事情有一整块科技伦理的学科来讨论，也可以说得非常严肃和学术，我这边就只是浅浅提一下。

产品经理的成就感：入局不亏

🚥 Ronghui

我想问一个问题，是关于成就感。你提到有这么多人来申请 AI 产品经理的工作，说明很多人都看好这个领域。这种感觉让我想起了当年 Facebook COO 桑德伯格说过的一句话：

「当你看到了一艘火箭，你什么都不要想，只要跳上去就行了。」

👩🏻 Vanessa

是的，从我自身的判断来看，现在入局 AI 产品经理仍然是值得的。之前也有过一些大家争先恐后涌入的新鲜技术出来，这些技术现在看来略有泡沫。

🚥 Koji

在这次浪潮中，你认为是什么不同之处让你觉得值得一试？

👩🏻 Vanessa

首先，技术已不再是一个江湖传说或纸上谈兵。你可以通过使用 ChatGPT 等一系列产品，切实感受到这项技术是真实的，并且能够改变你的日常生活。此外，价格也在逐步降低，越来越多的人将能受益于 AI 带来的影响，距离 AI 最终走进千家万户已不会太远。

我一直相信一句话:

未来已经来了，只是现在还不太均匀。

对于那些经常与 AI 接触的人，尤其是互联网相关公司或专业的人，他们对 AI 有更早了解和应用的渠道。因此他们知道 AI 不再是泡沫，也更有跳上 AI 这艘火箭的机会，那为什么不去试一试呢？

面试 100 位 Al 产品经理中的精彩故事

眼前一亮与大跌眼镜的故事

🚥 Koji

在你之前面试的 100 多位 AI 产品经理中，有没有遇见过让你特别惊艳、想要立刻发 offer 的候选人？

👩🏻 Vanessa

我认为这样的人是有的，但要看和招聘职位是否匹配。有些曾让我眼前一亮的候选人，学校背景非常好，人也很聪明，但需要一定 landing 成本，不是特别匹配当下的空缺机会，因而只能遗憾错过。

在招聘预期上，我们希望候选人对 AI 技术和知识有充分的了解，甚至积累了相关工作经验，才能更快上手；他们对 AI 要有自己的认知和理解，对 AI 应用于哪些场景有独到的想法。这样的人是我们觉得特别好的。

🚥 Koji

有没有一些在面试中让你印象深刻的故事呢？尤其是优秀面试者的故事。

👩🏻 Vanessa

我想起有这样一位面试者。他在一家互联网大厂，本职工作与 AI 关系不大；业余生活中，他是一个摄影师，对美学、摄影和图像有很高的追求。当看到 AI 之后，他开始萌生出一些想法：是不是可以不用实景外拍？AI 是否可以改变摄影师的工作流？因此，他从一个真实问题出发，集结了一些人做了一个 side project。

我觉得这很好地体现了他的自学能力和对 AI 的热情。在大厂紧张的工作节奏下，还能在热情的驱使下用闲暇时间完成一个 AI 产品项目，这样的人值得我们留心和给予更多的机会。

🚥 Koji

有没有遇到一些跌破眼镜的故事？

👩🏻 Vanessa

会有一些面试者的过往背景非常好，简历上也提到了和 AI 相关的内容，我们预期他能快速上手。然而，当我们在面试中提出一些非常基础的问题，比如我很喜欢问「你最近有没有看到一些 AI 相关的新闻，是你觉得比较有意思的」 或是「你最近用过或听说过哪些 AI 产品，是你觉得做得很好或不好、想吐槽的吗」。他们会思考很长时间，却给不出一个答案。

🚥 Koji

理论上，面试大概率也能预测到会问这样的问题。

👩🏻 Vanessa

是的，可以稍微准备一下。

🚥 Koji

在面试中，除了上面提到的以外，还有哪些问题是你一定会问的呢？

👩🏻 Vanessa

上面的问题是在检验你对 AI 领域的了解程度，有没有随时 follow up 市场最新动态，以及对 AI 是否真正有热情和兴趣。

我通常还问一些更基础的问题，比如对于接触过图形图像的从业者，我会问「在项目中你是怎样使用这些算法的？在过程中遇到了哪些困难，最终是如何解决的？」

如果候选人无相关经验，我可能会问，「对于像 Stable Diffusion 这样业界通用的模型架构，它背后的原理是什么？能否用非代码、浅显的方式解释一下你的理解？」

这些问题都是为了考察他对 AI 领域有没有基本的认知。如果你想面试 AI 产品经理，却缺乏背后基本认知的话，我会理解为你的准备功课做得不够到位，对这份工作的动机不够强烈，没有足够的 commitment。

什么样的人转 AI 更容易

🚥 Koji

在你面试的人中，应该既有应届生，也有多年工作经验的人。在你看来，哪种人现在转 AI 更容易？

👩🏻 Vanessa

我觉得这取决于你的招聘需求。应届生对于做 trade off 没有那么多的经验，但如果你不要求有很深的产品积累，而是需要他快速上手、用 fresh eye 做一些原创的话，应届生反而有更大的优势。经验丰富的人在非 AI 领域做太久，可能会出现思维惯性，沿着既有的经验去做事。

AI 是一个每天都需要学新知识的领域，如果你有多年丰富经验，能否保持这种空杯的心态其实是一个挑战。经验又丰富又能空杯的人，是非常受欢迎的。

视觉和语言模型并不互通

👩🏻 Vanessa

还有一点是，HR 看到和 AI 或大模型相关的简历可能都会推上来。我们做的是视觉相关的产品，之前看过一些在 LLM 大语言模型有调参经验、甚至做过大语言模型项目的人，你觉得这些人在应聘视觉大模型上会比别人会有优势吗？

🚥 Koji

我觉得或多或少会有一点优势，但很难判断优势大不大。

👩🏻 Vanessa

其实优势并不是特别大，或者说，比人们想象中的要小。很多人以为大模型无非是视觉大模型和语言大模型，两者能力应该有互通之处的。其实在技术的本质上，这两者是不一样的。

视觉的扩散式模型和语言大模型相反，它不是一个智能模型，也不是一个 AGI 的模型。他们背后对应的模型架构 diffusion 和 transformer ，本质也是不同的。到了更高的层面，两者是能互相启发的，但在实操层面上，帮助可能没有想象中那么大。（更新：录制播客的时候比较早，以 SD 模型为视觉模型的代表，不代表两者没有融合的趋势，比如 DiT 模型就使用了 transformer 网络。）

🚥 Koji

对于做视觉大模型和语言大模型产品经理的人，他们和技术的边界是不是非常的模糊呢？还是也形成了清晰的分工？

👩🏻 Vanessa

这取决于这个公司有多 AI native。

我之前读过一篇文章，是关于 Perplexity AI 这家公司。他们的人才基因是每一个人可以干所有的活儿，一个人在 AI 的辅助下包揽运营、产品、技术所有方向，因此分工就变得非常模糊。我认为一方面是每个人的技能点可以借助 AI 向外拓展，另一方面则是由于人力有限而不得不拓展。

反之，如果有一个明确的分工，每个人可以专注于自己擅长的领域，这并不是一种落伍的工作方式。我认为这两者都有所长。

简历与面试中，哪些人更容易脱颖而出

🚥 Koji

在你看来，面了这么多产品经理，哪些人更容易脱颖而出呢？

👩🏻 Vanessa

这分为两个环节。首先得过简历关，才有机会进入面试环节，然后才有机会让面试官觉得你是想要的人。

首先，在简历关方面，我们会看人选的基础素质，以及过往经验和 AI 的关联性。如果简历中半字不提 AI，除非素质特别出挑，否则就会打上「行业不匹配」或「经验不匹配」的标签。

如果你的简历和 AI 关联不大，没有上手过完整的 AI 项目，又想要应聘 AI 产品经理的话，我建议要把简历结合 AI 元素重新写一遍，甚至可以交给 ChatGPT 或 Kimi 写一遍。你可以告诉 AI，「假设你是一个资深 HR 并正在查看这份简历，如何重新编写简历，使工作看起来更与 AI 相关」，让大模型帮助你脑暴改写简历的方向。

当然不能瞎写哈，而是突出你的工作中和 AI 打交道的部分。比如你和 ChatGPT 聊过，它帮你脑暴过，这就是你和 AI 的交集。再深层一点，如果 AI 确实作为你的工作流中的一个固定环节，你对 AI 有过一些调教，这些都能让你在简历中添加更多 AI 元素。

再深一层，在工作经历中涉及 AI 相关的领域，无论是现在的 AGI，还是过去的机器学习、推荐算法、搜索算法等等，抑或是以前的视觉算法（如人脸识别、人脸关键点定位），这些领域的知识都能够迁移和复用。将这些经验写入简历，会让面试官认为你更容易转型 AI。

最好的情况是，你已经很早入局 AI。例如，小红书里有许多 AI 特效模板，你以往就在小红书负责这个模块，很了解这块业务的技术原理、输入和输出样式、以及模型调试方法。这类人在市面上比较稀缺，也是我们特别想争取的人才类型。

其次，在面试环节，面试不同的角色会有不同的要求。

比如，面试实习生，主要考察的是对 AI 的兴趣热情和学习能力。以上面「最近关注的新 AI 产品」这个问题为例，如果他能说出一些 AI 产品，并对其优劣势有自己的思考，这就很好。学习能力在面试中短时间内很难考察。比如你现在做的事情与图像生成无关，但是曾经通过云端部署平台或本地部署过相关模型，我觉得这是证明你学习能力的一个很好的途径。之前 hidecloud 在公众号发表了一篇文章讲怎么训练 GPT - SoVITS 音色模仿模型，我也在自己的机器上训练了一个类似的模型。不要给自己设太多的边界，现在的技术还不需要你写代码，大部分是解决问题和 prompt engineering，自学成本其实没有那么高，是可以尝试的。

👩🏻 Vanessa

面试非实习生，我会问，「你是否了解这些模型背后的原理？对于最近新出的研究，你是否理解它的思路和亮点所在？」

打个比方，之前小红书推出了 InstantID，只需要一张图片，零训练就可以生成图片，并保持很好的人脸相似度。它的突破性思路在于，在固定人脸时，它会提取出五官关键点并传递给模型，即所谓的「三庭五眼」，只要中庭偏长或个别位置移动，肉眼就能感知到差异，以此更好地固定住人脸的信息。如果应聘者能讲出一两点，我觉得他对技术的理解就很不错了。即使不能主动带领整个团队，至少和算法团队对接时，能快速领悟技术思路并推进，这也是很重要的。

🚥 Koji

听下来，AI 产品经理的本质和其他方向的产品经理没有太大区别，都需要了解产品背后的技术原理。

转行产品经理，从 5% 的改变做起

🚥 Koji

我们的「十字路口」受到李松蔚老师的启发，叫做「5% 的改变」。他认为：

如果向他人提出要求或建议，让他们做出 100% 的改变是不可能的。但是，如果是一个小小的 5% 的改变，很多人可能会在听完之后迈出那一小步，得到一个小的正反馈后，慢慢地将雪球滚大，获得更大的反馈。

所以我也想问你，对于一个想要今天转行做产品经理的人来说，「5% 的建议」是什么？

👩🏻 Vanessa

我觉得是要浸润在这个环境里，无论是前沿的 AI paper，还是更直观在市场上涌现的 AI 产品和资讯。当你看到一个有趣的产品，你会推测它背后的原理，从而会激发你的好奇心。就像品尝到美味的面包时，你会想要探索它的制作过程，以及其中有趣的秘诀。这样的探索是自发的，不会让你感到无从下手，或是在高深的知识前望而却步。

从兴趣入手非常重要。首先了解事物的存在，从而产生兴趣，再从兴趣反推到可以做的事情。

我很早过接触 Stable Diffusion，在 Web UI 界面尝试了几个图生图就放下了，后来重逢的契机是在 23 年看电影《封神》很喜欢于适这个演员，在小红书上看到了许多 AI 生成的二创海报。在那时，我第一次发现，原来 AI 是可以做成这样的，它把人物的脸型、五官、神态都保留得惟妙惟肖，画质也非常精细。我在想，我需要哪些环节才能复制出这样的东西呢？

🚥 Koji

所以，你对 AI 生图最早的兴趣是想要做于适的二创海报。

👩🏻 Vanessa

是的。我想要制作一张风格化的海报，想象他在武侠片里什么扮相，演古偶会怎么样。从这个想法出发，我开始反推思考，「那我怎么能把他的脸固定下来呢？」

于是，我搜索了一下，发现需要训练 AI 的 LoRA。那么如何训练 LoRA 呢？需要经过 N 个步骤，首先要收集训练集，训练集用什么样的图最好？应该包含大头图、中景图等等。收集完这些图后，要选择用什么分辨率呢？这个过程中，可能会出现一连串的问题。最终，要做出好吃的面包，背后你要了解很多东西。这个 5% 的改变只是让你先看到这个你喜欢的面包。

🚥 Koji

我现在还记得，有次聊天你说过一个金句，「要先爱生活再做产品」。你先爱上于适，才有了后面一系列的故事。

👩🏻 Vanessa

如果你一直待在一个象牙塔，一直在封闭的空间里做垂直的事，你会对外界丧失某些感知。你没有机会接触到这些松软的面包，它们也难以去影响你此刻正在做的事。所以，我觉得必须对外界保持敏锐度，要热爱生活。

项目从真实的用户需求出发

🚥 Koji

你刚才讲的非常好，什么样的候选人能脱颖而出，一方面是简历，另一方面是面试。在面试中还有什么是你很在意的吗？

👩🏻 Vanessa

除了一些基础的敲门砖之外，另一点是长时间的沉淀与积累。我会关注候选人要有真正的 AI 项目经历，无论是工作中的产品还是 side project，重要的是这个项目要从真实的痛点或需求出发。

一个好的面试官，一定会追问「为什么你想要做这个项目？」、「这个项目在本质上解决的是什么问题？」这是一个对产品经理的灵魂发问，对每一个好的产品经理，都应当拷问这两个问题。

🚥 Koji

你有遇到一些印象深刻的项目吗？

👩🏻 Vanessa

刚才提到的 AI 摄影流的项目，就是一个紧密结合兴趣爱好与实际产品的例子。我可以再举几个例子，是我还没来得及落地的一些想法：

例如，我在刷小红书时，看到很多人把和 crush 的聊天记录发出来求助网友，问 crush 到底对自己有没有好感。因此，我想做一个基于语言大模型的「crush 分析器」，可以把小红书上所有这类帖子和评论互动收集起来，用图转文提取出文字对话，构建成一个 LLM 专家知识库，在这个库的基础上搭建交互流。假设我在追 crush，我可以把对话截图喂给大模型，模型会通过图片提取文字，再结合知识库来帮忙我分析一下有没有戏，如果有，下一步该怎么做。

这就是一个通过观察和真实用户场景出发的切实的项目，而不是培训机构那种简单的练习。

经历这些项目，你能够展示自己洞察用户痛点、挖掘用户场景的能力。真空中的球型鸡是完美的，但它是不存在于现实世界的理论型场景，不要做这种「真空中的球型鸡」式的项目。

🚥 Koji

要找到一个真实的用户需求，然后自己动手去把这个事做出来。

个人经历：转型与兴趣

从设计师到 AI 产品经理，转型不难

🚥 Ronghui

你从设计师到产品经理，再到 AI 产品经理，经历了一系列的转型。你说过转型并不难，我们想聊聊你的个人经历，这两次关键节点的转型是怎样的呢？

👩🏻 Vanessa

其实，最初我学的是广告。从广告到设计师，再到产品经理，我觉得之间的界限没有那么分明，有很多相通的东西。我更喜欢娱乐性较强的 to C 产品，因此毕业后一直做 to C，比如短视频、图像相关的领域。本质上，这并不是一个特别大的跨度。

另外，过去学到的东西也能迁移至后来的领域，给我许多加成。例如在做广告时，我除了学习与图像相关的技能（如 PS），还要掌握做海报或视频的审美，甚至其他更有趣的内容，这些技能超越了 UI/UX 设计师的范畴。

比如，做广告要求 marketing 思维，广告的目标是卖出去，因此看重用户导向、对商业机会极其敏感。其次，广告的本质是抓取别人的注意力，因此做广告的人有很强的 presentation 能力。

这些技能对于 UI/UX 设计师来说可能不太常见，但当我迎来角色转变后，我能在本身的工具和审美基础上，保留原有广告经验带来的加成，反而比一般的 UI/UX 设计师有更多的长处。我不觉得转行是一件困难的事情，相反，它为我增加了一些亮点。

🚥 Koji

你是通过读书的方式来转行的吗？

👩🏻 Vanessa

我一开始学的是广告，毕业后从事设计工作；后来读了产品设计专业，但没有选择做产品设计，而是成为了一名产品经理。我并不认为学什么就一定要做什么，专业可能会和工作方向有一些关联，但不完全一致。

🚥 Ronghui

你是从什么时候开始想转行做 AI 产品经理的？当时做了哪些尝试，在当下来看是有用的呢？

👩🏻 Vanessa

我完全是由兴趣驱动而选择了这个行业。我是一个没有什么事业心的人，兴趣在我的价值体系中非常重要。

起初，我在抖音和 TikTok 安全团队从事审核相关的工作。团队早期规模很小，我会同时负责审核 policy 制定、审核产品搭建、审核模型训练等，因此我拥有一个全面的视角，这给我带来了许多启发。

一个启发是我发现我不适合做审核，因为我觉得审核有些无聊，而我喜欢做有趣的事情。审核需要严谨，而不适合创造力的发挥。因此，我最终放弃了审核，转向了创作工具领域。

另一个启发是在我做审核时对模型建立了一定了解。审核过程中，需要对相似视频进行分析，才能给出合适的推荐结果。审核中也有大量的视觉模型，用于取代人工判断视频是否违规，如色情和暴力模型等。这些模型的训练让我了解了更多图像相关的知识。

在这些经验的加持下，我开始从事创作工具领域，一开始做了合拍等产品，和算法关系不大，后来开始做特效，特效和算法是密不可分的。我几乎完全围绕着算法进行工作，同时特效也是一个娱乐性的 to C 产品，很符合我的爱好。我的个人兴趣和工作产生了统一，也使我的工作更加快乐。

早期我们做特效用的是传统算法，其中一个是图像分割算法，原理是替代绿幕，识别并分割人和背景的轮廓。我们做了一个叫 Green Screen 的特效，现在还是 TikTok 上使用频率最高的特效，它的效果很简单，就是把你背后的画面换成任何一张图。用户可以用它来 P 合照，分享聊天记录，甚至讲解知识。我看过一个视频，他在讲解 N 种不章鱼之间的区别，身后则如 PPT 一般轮播各种章鱼的照片。

后来我们团队做了「活照片」和「Teenager GAN」特效，也和算法息息相关。活照片可以让静态的图片人物做眨眼、微笑等动作，而青少年特效则能描绘出人十来岁的样子，也是我们输入了大量年轻化的人脸数据组训练出来的。这些为后续做 Stable Diffusion 等视觉大模型的产品打下了很深的基础。

到 22 年左右，视觉大模型 DALLE-2 一出来，所有人都被惊艳了。我们发现，原来 AI 可以做到生成一个在月球上骑马的宇航员，而人类画师可能都无法达到这样的绘画效果。于是，我们很快转向投入这个方向。

最早，我们团队有同学做了一个特效，叫做「AI梦境」。这个名字的由来是，当时我们的模型并不成熟，生成的东西不那么合乎情理，更像是一个如梦似幻的梦境。用户可以输入一段文字，让模型画出描绘的场景。

随着模型能力提升、Dreamcast 等能力和 paper 的开放，我们发现人脸是可以固定的，可以生成各种各样的艺术画作。我们推出了 AI Portrait 等一系列特效，你可以捕捉自拍照，模型会画出平行世界的你，比如你在宫廷里的样子，变成水彩画风的样子。这就是我说的第四类 AI 产品经理——在现有产品中增添 AI 元素的产品经理，只是后来我跳出来去做第三类了。

🚥 Ronghui

有什么是你现在会希望自己当时早点知道的事呢？

👩🏻 Vanessa

我想，我该知道的当时都知道了。我是很少马后炮或悔不当初的人，如果当时不知道，可能就是没有这个因缘际会。

🚥 Ronghui

就像我们之前和 hidecloud 聊下来的结论，应该跟随自己的好奇心和兴趣，引导我们走向更长远的方向。

👩🏻 Vanessa

很多播客打着打破认知差的旗号，声称能帮你快速注入信息，但你听完后是否能真正理解，很难说。这是一种快捷方式，或者只是让你知道原来这里还有一条路，但后面的路还是得自己走。

🚥 Koji

我还有一个感受，AI 前 vs AI 后时代的 PM 共同点在于理解用户需求，追求极致体验，这是不变的，各行业 PM 都需要具备这种底层能力；差异点在于当下技术相对成熟，因此更为关注需求挖掘和竞争角度的选择。

👩🏻 Vanessa

你可以说以前的 PM 只在雕花，现在是在模型的基础上雕花。

🚥 Koji

现在是要更了解模型地「雕花」。这意味着 PM 能力更上一层的要求，就是对技术的了解，不仅仅是一次性的了解，而是持续的学习，因为改变天天在发生，甚至偶尔是在跃进式发生。听起来，PM 这个工作在 AI 时代更难做了。

👩🏻 Vanessa

你问过一个问题，顶级的产品经理是什么样的？其实，顶级产品经理最难做的事就是预言未来技术会发生什么样的改变，能把我们带到什么层面上去。

AI 时代的哆啦 A 梦

🚥 Koji

我们在十字路口有一个专栏叫「AI 时代的哆啦 A 梦」。为什么是哆啦 A 梦呢？因为我们觉得今天在 AI 这个领域的先驱者们，大家都相信 AI 的未来会变得更好，也是像你说的「看到了未来已经发生，只是在今天没有均匀分布」的人们。假设你是一位哆啦 A 梦，从未来穿越回到了 2024 年的此时此刻，你最想从未来带回来的东西是什么？可以是某种产品，服务，或者是理念。

👩🏻 Vanessa

我的哆啦 A 梦可能不会飞得太远，太遥远的未来不是现在能预言的，就说说几年后吧。

小时候我在看电视的时候就会想，「 为什么主角不能是我？」甚至我会关起门来想，如果是我这场戏应该怎么演。现在很多剧作中的男女主角都备受争议，甚至有些剧集在 B 站和小红书上掀起了给女主换脸的风潮，因为观众们觉得某个女明星来演会更好。它反映了用户的一个需求，就是「我希望让我指定的人来扮演主角，无论是我喜欢的演员，还是我自己」。AI 可以帮助用户实现这个需求，通过更高级更自然的换脸，指定任意演员做主角，甚至让用户自己变成主角。

电视剧的剧情也可以由 AI 自由生成，而不是一个定局的作品，观众只是旁观者，无法参与其中的创作。我们可以成为一个电视剧型的互动游戏玩家，让自己或喜欢的男女演员出现在剧中，也可以控制他们选择后的分支，抑或是改写剧情。

🚥 Ronghui

这很有意思。我记得，前段时间好莱坞编剧大罢工，担心 AI 让他们失去饭碗。

🚥 Koji

Sam Altman 也说过：

电影的未来是游戏，游戏的未来不可想象。

👩🏻 Vanessa

是的，可能会变成高度交互性的。

「涌现」的学习方式

🚥 Koji

我们刚才讨论了 AI 背景下产品经理一个非常重要的能力——学习能力，在这个跃迁式进步的时代里持续、快速地学习的能力。你在过去一两年中的学习方式有什么变化吗？

👩🏻 Vanessa

我的学习方式叫做「涌现」，类似于 AI 的「涌现」。当你将大量信息堆积在脑海中，有时它们会彼此连接并形成新的想法。比如你卡在一个问题上，然后阅读了五本书、十篇公众号和八篇播客，又睡了一觉，突然间你可能就想通了。

我称之为「人脑的涌现」，就像「读书百遍其义自现」，当你输入了很多相关信息时，也许有一天你会自然而然地 figure out。

🚥 Koji

因此，不要期待那么快得到回报或答案，而是去等待它「涌现」。不是无所事事地等，而是多看一些相关和不相关的东西，可能就能自然而然得到答案。

总结

AI产品经理要具备技术理解能力，垂直场景认识积累，和一套完整的AI产品落地方法论。要完成一款落地的AI产品必须既懂技术边界，又懂需求边界。

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🆓