AI产品经理区别于普通产品经理的地方,不止在懂得AI算法,更重要的是具有AI思维。
人工智能产品设计要以操作极度简单为标准,但是前端的简单代表后端的复杂,系统越复杂,才能越智能。
同样,人工智能的发展依赖于产业生态的共同推进,上游芯片提供算力保障,中游人工智能厂商着力研发算法模型,下游应用领域提供落地场景。
一、人工智能产业链结构
人工智能产业链结构上可分为基础层(计算基础设施)、技术层(软件算法及平台)与应用层(行业应用及产品) 。
①人工智能/大模型学习路线
②AI产品经理入门指南
③大模型方向必读书籍PDF版
④超详细海量大模型实战项目
⑤LLM大模型系统学习教程
⑥640套-AI大模型报告合集
⑦从0-1入门大模型教程视频
⑧AGI大模型技术公开课名额
基础层
包括了主要包括计算硬件(AI芯片)、计算系统技术(云计算、大数据和5G通信)和数据(数据采集、标注和分析)。
基础层主要以硬件为核心,其中包括 GPU/FPGA 等用于性能加速的硬件、神经网络芯片、传感器与中间件,这些是支撑人工智能应用的前提。这些硬件为整个人工智能的运算提供算力,目前多以国际 IT 巨头为主。
技术层
包括算法理论(机器学习算法、类脑算法)、开发平台(基础开源框架、技术开放平台)和应用技术(计算机视觉、自然语言理解和人机交互)。
当前,国内的人工智能技术平台在应用层面主要聚焦于计算机视觉、语音识别和语言技术处理领域,国内技术层公司发展势头也随之迅猛,其中的代表性的企业包括科大讯飞、格灵深瞳、捷通华声(灵云)、地平线、SenseTime、永洪科技、旷视科技、云知声等。
应用层
应用层主要是基于基础层与技术层实现与传统产业的融合,实现不同场景的应用。
随着人工智能在语音、语意、计算机视觉等领域实现的技术性突破,将加速应用到各个产业场景。包括了行业解决方案(“AI+”)和典型产品(机器人、智能音箱、智能汽车、无人机等)。
二、人工智能行业架构
人工智能不同于互联网发展,更侧重于软硬件结合落地,所以我给大家梳理了通用的AI技术及相关平台。底层硬件和软件的结合配合合适的算法,才能产出智能化的产品,
现在国内的AI相关公司都分布在以下图谱中的某个或多个位置。
AI通用技术的发展取决于技术成熟度和业务渗透力。
AI能力取决于两点,第一点是技术的成熟度,第二点是对具体业务的渗透力。
计算机视觉、语音识别和自然语言理解的应用精准度在于知识图谱的构建和机器学习能力。AI技术由单点技术应用转为整体解决方案的构建,企业注重技术的融合发展。AI技术的发展依赖于数据积累,企业通过向场景渗透,用数据优化技术算法,构建行业壁垒。
AI技术变革硬件设备,未来市场潜力取决于AI技术与硬件基础 应用功能间的协同发展,AI技术正在变革硬件设备,实现万物互联,线上线下数据互通。AI技术在用户与设备的交互方式上实现革新,视觉语音语义等AI技术对场景数据的理解能力是决定其交互能力的关键。AI在硬件中的应用需结合硬件基础功能才能具有广阔的市场潜力。
在底层硬件上,芯片是保障算法和算力的重要硬件,芯片成功的关键在于芯片的技术实力,根据芯片的部署位置和承担任务,衡量芯片技术实力的指标 各不相同。
云端芯片通常用来进行数据训练,训练过程将承载海量的数据集,要求芯片具备很强的并行运算能力;终端芯片主要用来进行数据推理,芯片的综合工耗是技术发展关键;类脑芯片打破冯.诺依曼机构,模仿大脑结构进行运算,可提升计算效率、降低功耗,成为AI芯片长期发展趋势。
视觉传感器的研发不同于软件系统具有边际效应,重点在于突破成本障碍,激光雷达在自动驾驶领域的作用至关重要,整个行业集中于降低激光雷达的生产成本,车规级固态激光雷达应是企业发展的战略重点。
国内对毫米波雷达的研究处于起步阶段,目前市场上存在24GHz和77GHz两种规格的毫米波雷达。77GHz毫米波雷达的探测精确度 好、穿透力强,未来将成为市场主流,攻克77GHz的研发成本成为企业的战略重点。摄像头通过与计算机视觉技术融合,在安防监控、自动驾驶、智能电视等领域实现机器智能化,在相应场景的认证分析和辅助决策能力是关键。
三、AI产品经理的四象限分类
通过分析人工智能产业结构和行业架构,不难发现在每个节点都需要相应的AI产品经理。
而根据企业大小和个人技术能力的不同,AI产品经理可分为四个象限。
一般科技趋势从兴起到没落,通常分为三个阶段:
- 第一阶段:技术>产品
- 第二阶段:产品>技术
- 第三阶段:运营>产品
AI技术的演进现在还在第一阶段,所以说个人技术能力在产品中所占比例更大。而技术的投入只有大企业才能有财力投入,小企业没有研究的财力支撑。
我把AI产品经理分为四个象限,分别是:
- 突破型AI产品经理: 本身技术能力强,在大企业的研究部门,或者实验室。以技术突破为主,时刻关注AI前沿技术。这类AI产品经理在国内主要分布于BAT等一线互联网企业,或者讯飞、商汤等AI为主的企业;这类产品经理日常工作以研究为主,失败大于成功,不过没有苛刻的KPI,多为学术型人才。
- 创新型AI产品经理: 这类AI产品经理多为技术出身,在某个技术领域是个专家型人才。投入到初创公司,利用所掌握的技术能力,设计创新型产品,担任主要产品的设计工作,可以说是公司的关键人物,多是应用最新的前沿技术,结合垂直场景或领域,设计出创造型产品。
- 应用型AI产品经理: 这类产品经理多为产品出身,AI技术能力不是长项,但产品能力扎实,熟悉成熟AI技术,能够在大企业中应用现有成熟AI技术改进相应系统,或者搭建AI平台。多见于大型企业的toB业务线,对接各行业需求,输出成熟的AI技术,并把技术产品化。
- 普及型AI产品经理: 这类AI产品经理多为非技术出身,熟悉成熟的AI技术能力,熟悉市场上成熟的AI产品。能够很好的完成相关AI产品的拆解、分析、改造。并结合本身业务将AI技术落地。
这四类AI产品经理分布如下所示,呈金字塔分布,突破型AI产品经理少之又少,但这是整个社会进步的先锋队,做这类工作要有耐心,不能玻璃心,禁得起失败的打击。
创新型产品经理是能将前沿科技落地的一类人,他们不仅要掌握核心科技,还要找到创新点,找到很好的商业模式。这类机会不多,但是一旦找到回报也是丰厚的。
应用型产品经理是AI普及的陆战队,这只陆战队能够为AI的惠民化搭建好用的基础设施,是搭建整个AI大厦的农民工。
普及型AI产品经理分布在一线二线三线城市的一个个中小企业中,是将AI能力注入到各行各业的传教士,他们是最靠近一线,最了解市场,最熟悉场景的专家。
四、AI产品经理的岗位布局
前面我们从产业说到行业,说到根据企业大小AI产品经理的分布,但是最终还是要落到一个个岗位上,目前产品经理岗位分布如下:
AI产品经理现在还处在萌芽阶段,今后肯定会越分越细,现在找到一个领域深耕下去,随着时间的推移你就是行业专家了。
五、AI产品经理的能力提升
如何提升自己的能力,不能胡子眉毛一把抓,要有的放矢的学习,这样效率才能更高。
找准自己的位置,所处行业,在产业链的什么位置,自己属于哪一类AI产品经理这些首先要想清楚,AI产品经理必须是一专多能的复合型人才。
下面是AI产品经理经常陷入的一些误区:
- 没有目标,经常转换方向:要有咬定青山不放松的精神,前期多调研,一旦确定方向就all in进去,经常转换方向就会没有积累。
- 没有自知之明,眼高手低:多说人没有了解AI之前,总感觉AI高深莫测,真正开始进入了就会发现不过如此,特别是工作经验比较长的产品经理,惯性思维告诉他这个就要这样设计。其实AI产品不只是体现在技术应用上,更多是是在AI思维,要融入到整个产品中。
- 用心不专,什么都学:人工智能范围宽泛,技术门槛高,刚入行的AI产品经理感觉自己什么都不会,什么都要学,要知道有所为有所不为,什么都学就会造成什么也不精。要有主有次,有缓有急。用心转一。
- 不学习:AI技术发展迅速不学习就是逆水行舟。学习是一个输入过程,要不断输入,才能保证持续高质量输出。
- 圈子太小:链接、交换、碰撞才能产生更多火花。闭门造车就会落后。多和同行业交流,参加交流会议,也许会有意外收获。
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
- L2.1 API接口
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
- L3.1 Agent模型框架
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🆓