1.2 深入理解AI产品
在大体了解了AI之后，本节说说AI产品。
1.2.1 什么是AI产品
本书的主题是AI产品经理，也就是定义和打造AI产品的产品经理，所以要想理解什么是AI产品经理，就需要先理解什么是AI产品。
笔者认为，AI产品是基于人工智能技术定义的产品，是以AI技术为核心打造的应用于特定场景、解决某种问题或获得更好体验的功用集合。当一个产品的核心能力依靠AI算法技术实现时，就可以说这是一个AI产品。对于AI产品来说，失去AI技术，其便没有了存在的必要或失去了市场竞争力。比如交互式刷脸通关产品，如果没有人脸识别技术作为核心，那么该产品就无法体现其非接触身份核验通关以及访客管理的价值；再比如普通摄像机产品和智能摄像机产品的区别是，智能摄像机应用了AI技术。
在形态上（自底向上），AI产品可以是：
□ AI芯片、AI算法加速卡、AI超算服务器等硬件基础设施产品。
□ AI算法框架、算法工具链等软件基础服务。
□ 视图、语音、文本、声纹等媒介与AI算法结合的应用产品，如视觉算法、语音识别算法，以及构建在AI硬件基础设施和算法服务之上的软硬一体产品。
□ 基于多模态数据融合应用的产品。
□ 知识图谱类的行业应用产品。
1.2.2 AI技术产品化
纵观人类社会发展史，无论是基础技术还是应用技术，一直都用于服务社会的发展和进步。技术的商业化需要产品作为桥梁，AI技术也不例外。在AI技术获得突破并进入商业化变现阶段之后，产品化成为AI企业的重心，这也是帮助AI技术大规模应用的正确路径。
AI技术在产品化的过程中存在两种路径：一种是使能原来形态的产品，即让已有产品智能化，比如在摄像机产品中加入AI能力之后使其成为智能摄像机，在迷你小音箱中增加智能语音交互模块后使它成为智能音箱；另一种是创造出新形态的产品，比如物流机器人、机器狗、AI模型生产平台、人脸测温仪等。
1.2.3 AI产品产业化和标准化
随着技术和产品的成熟，加之政策鼓励和资本的加持，AI商业化进程大大加快，落地的场景应用越来越丰富。广阔的市场前景和规模化应用带动了以产品和解决方案为基础的商业化分工协作，从而形成了以AI技术、产品和解决方案为基础的较为完整的产业链，一个系统级产品或者解决方案可能需要由上游众多产品组成，如芯片、软件SDK、软件系统等。整体来看，AI产业链可以划分为基础、技术和应用三个层次。
基础层提供AI所需的基础算力，涉及AI芯片、大数据处理模块、云计算模块等。这些产品几乎是所有AI上层业务应用都需要的，其中AI芯片是产业竞争中的关键。
技术层位于基础层之上，利用机器学习平台、数据、算法、算力提供计算机视觉、语音识别、自然语言处理等模态的算法技术和模型。众多互联网巨头，如谷歌、微软、亚马逊、百度、阿里、腾讯等都在早期就开始布局这方面的能力，并积极与云能力结合。另外，众多AI公司（如商汤科技、旷视科技、科大讯飞、第四范式等）都从技术层切入，并不断向产业链两端扩展。
应用层主要包括融合多种技术和基础能力的AI产品，以及产品落地到行业的解决方案，其核心是完成商业化闭环，真正为行业带来效率提升和价值。在产业链中存在许多提供解决方案的公司、集成型公司以及在纵深行业中科技基因较强的公司，这些公司推动了AI产品和技术在行业中的落地。
整体AI产业链分层示意如图1-5所示。
图1-5 AI产业链分层示意
随着产业规模的扩大，协作越来越频繁，所以标准化成为政策中的一个高频词。标准化是一个产业发展的必经之路，对降低成本、提升质量、规范统一、提升管理都有重大意义。在产业发展的早期阶段，各家公司更多是为了生存而采取野蛮生长策略，但随着后期应用的落地和进一步发展，标准化会被补齐，AI产业是这样，其他产业也是这样。当前，随着AI产品方案在各行业的落地，各领域的标准化正在被补齐。图1-6所示是《国家新一代人工智能标准体系建设指南》中给出的AI整体标准框架。
标准化体系对AI产品来说是非常重要的。一个产品的标准化范围越大，对产品的发展越有利，一个产品符合国家甚至国际标准的程度越高，那么在产业链上下游的协作中成本就越低，机会也就越多。另外，随着安全、伦理等相关标准的出现，产品商业化应用的风险也会成为许多客户采购时考虑的因素。因此，从打造AI产品的角度来看，标准是需要早期同步关注和参考的。
图1-6 国家新一代人工智能标准框架
笔者认为，产品的创新能带来标准的制定。企业的一项技术若能更早地实现产品化、商业化落地，那么企业就可能成为早期标准的制定者，这会帮企业构建产品的竞争力。在市场竞争中，技术和产品参数若都符合现有的标准和规范那么企业会有更大的优势。
1.2.4 AI产品落地的价值与难题
笔者认为AI落地产品可以分为两大类：第一类是以降本增效为主的产品，第二类是以增加愉悦度为主的产品。
1）降本增效类产品指通过在已有解决方案中加入AI解决方案从而实现降低成本或者增加效益的产品。在这类产品中，AI的作用在于替代、改造生产流程，从而提升生产效率。这类产品更多存在于生产中。这里所说的生产是指更加广义的生产，不仅包括质检、物品生产等工作，还包括与各行业活动相关的业务类工作，比如在政务中进行案件办理等。通俗地讲就是人能做，AI也能做，但是AI做得更快更好。
2）增加愉悦度类产品的核心业务目的是提高愉悦度，虽然其可能也会带来效率上的提升，但是这并非其核心目的。比如AI相机在拍照场景中可进行美颜、检测人脸等操作，还可增加一些可爱、搞笑元素，从而满足了人们的愉悦需求。
AI产品的落地并非一帆风顺，甚至可以说困难重重，除了技术实现上的直接困难，还有几个基础性的难题——成本高、隐私难把控、安全有隐患。如果技术无法解决这些应用场景中的难题，那么就无法落地。三大难题并非在每个场景中都同时存在，但是在不同的场景中，总有一些问题非常尖锐。比如在制造业的应用中，成本问题就会显得突出；而在自动驾驶领域，安全被放在了第一位；在银行领域，个人隐私又显得尤其重要。这些难题指向的解决方法是：更廉价的算力、更高精度的算法，以及数据依赖更少、隐私保护更强的机制。每个场景都有应用的红线，技术每推进一步，就可以解锁更多场景。
1）成本：成本问题在AI产品落地的每个场景中都有涉及。当前AI产品落地成本高主要体现在人力成本高、算力成本高两个方面。出现人力成本高的主要原因是与大规模标注数据依赖、算法设计相关的人才稀缺但市场需求量大，以及依赖人的算法要持续定制化、设计精度要持续优化。算力成本高体现在算法在追求精度的同时对参数及其规模的依赖，以及算力硬件在面对大规模使用深度神经网络方法和不断扩展网络参数规模以提升精度时，在成本和功耗上难以招架。
2）隐私：在AI应用中，常常被调侃有多少人工就有多少智能，这里所谓的智能，是大量人工通过标注数据得来的，这就可能带来数据泄露问题。在一些场景中，数据隐私问题不突出，比如互联网中数据流通自由，隐私问题相对友好；但另一些场景中对数据在隐私方面要求很高，比如银行和保险业的客户信息、安防监控视频、各类互联网平台的用户数据、电商消费数据、高精密制造业的产品工艺数据等。如何确保数据在获取、存储、传输、使用等环节的隐秘性，是AI落地人员要不断思考的问题。
3）安全：AI中的安全可以分为直接涉及人身的安全和危及财产的安全。自动驾驶是一个颠覆性产业，这个产业中核心性技术之一就是AI技术，而AI技术在这类产品中最突出的问题是安全问题，而且这种安全是直接涉及人身的安全。自动驾驶导致的安全事故被不断曝光，导致人们对自动驾驶产生了质疑。另外，专门针对AI产品的攻击不断出现，如深伪（Deepfake）技术，导致AI产品面临的风险越来越多，这类攻击的目的往往都是获得非法收益。比如针对人脸安全验证的攻击。
与学术研究更关注技术理论、提升算法精度不同，在许多商业应用场景中，因为无法解决成本、安全、隐私等问题，技术依然无法落地。当我们大谈场景落地时，需要有可行性研究的意识，这种意识不可只落在技术可行性上，还应考虑经济（市场）的可行性、安全的可行性和法律的可行性。
[1] 参见罗素和诺维格撰写的《人工智能：一种现代的方法》，由人民邮电出版社于2010年出版。
[2] 参见张钹、朱军、苏航等撰写的《迈向第三代人工智能》，发表于《中国科学》2020年第50卷第9期。