MIT有一個研究表明：每一美元的科研投入，需要100美元與之配套的投資（人、財、物），才能把科研成果轉化爲產品。而且，從產品到商業變現還需要市場運營推廣的投入。
對產品的定義隨着時光的變遷往往有着不同的內涵，同樣的，對產品經理的理解也可能有着不同的認知。
關於產品經理的出現
在20多年前筆者剛剛參加工作的時候，並沒有所謂“產品經理”這樣一個崗位。那時候，一個軟件產品一般是由marketing 部門提出需求，系統工程師（在BNR時候的稱謂）將需求轉化爲產品定義，項目經理組織軟件工程師和QA組織實施。這大約就是傳統的軟件工程（參見）。
互聯網的貢獻，是通過優化和創造信息存儲及傳輸的方式重新組合各種生產要素，即重構已有的商業模式和流程。當然，互聯網同樣改變了軟件工程的自身。不只是從CS架構向BS架構的演進，也不是編程語言的更新換代，本質上，是連接性賦予了通信的普遍意義。簡單地說，網絡通信使軟件的升級變成了一件容易的事，進而採用了快速迭代的可能。在筆者的記憶裏，產品試錯好像是和產品經理一同出現的。
遇到過的那些產品經理
即便有20多年的工作經歷，但仍然微不足道，對產品經理的理解或許連一知半解都不是。但是，筆者遇到過很多的產品經理，大約有這麼幾種基本類型：
行業專家型：往往具備深厚的領域知識，尤其是對業務的流程有着深刻的認識，在2B行業而言不可或缺，但在跨領域方面可能存在鴻溝。
運營增長型：往往從數據分析和用戶增長等角度出發，以數據爲導向完成產品的分析及設計，但在定義和創新方面可能存在侷限。
天馬行空型：想象力是唯一的利器，但貧窮往往限制人的想象力。他們往往通過想象力來倡導自己認爲的用戶最佳體驗。
技術導向型：一般由資深的工程師或QA轉型形成，從技術導向及技術特點結合用戶需求出發定義產品，在可實現性和進度把控方面可能對產品的幫助更大。
調研分析型：這一類型往往是主流，或者成爲大多數。調研可以是用戶訪談，也可能是競品分析（copy 增強），所謂的微創新，可能是他們的一大工具。
當然，人都是複合的，產品經理也可能是諸多類型人才的複合，只是各方的技能佔比的不同。但是，“人人都是產品經理”，這是一句鬼話，詆譭了產品經理的能力，技能和價值，大概從用戶體驗的視角，確切的說法大約是“人人都應該有產品思維”。
關於AI產品經理
和互聯網不同，AI的主要貢獻就是升級生產要素，進而推動產業升級。AI產品的目標是模擬和延伸人的感知（識別）、理解、推理、決策、 學習、交流、移動和操作物體的能力。
人對世界上絕大多數事情的認識是基於概率。AI產品的本質是通過概率思維來解決問題。合理的量化標準是對產品經理的一種要求。產品的設計應從需求而非技術出發。如果技術先進卻對用戶提出了較高的使用門檻，反而很難直接地傳遞價值，那麼產品還是無法成功。同理心能夠正確瞭解他人的感受和情緒，進而做到相互理解、關懷和情感上的融洽，做到認知共鳴、情感共鳴和身體感受的共鳴。
AI 產品的目標之一就是降低用戶的使用門檻，儘量減少用戶的交互流程，降低使用難度，讓產品的使用過程更接近用戶的自然行爲。應選擇用戶最“痛”的點或者直接和利益掛鉤的點作爲需求切入點，例如：
該痛點涉及的面有多廣，是普遍問題還是個別問題
是否符合政策導向或者是否合規
涉及的需求是否是高頻應用
用戶願意付出怎麼樣的代價來解決這個問題
感覺到痛的人是具有采購的選擇權
AI產品經理的角色可能是：1）擁有市場和技術前瞻性的帶頭人 2）技術賦能創新的驅動者 3）道德倫理的守護者
也就是說，AI產品經理的要求更高，不僅需要懂技術原理，還需要具備對技術發展趨勢的洞見，才能最終設計出有競爭力的、有前瞻性的AI產品。AI產品經理的部分思維方式包括：
資源管理思維：算法、數據資源（訓練集、研發集、測試集等）、硬件資源（計算芯片、存儲及各種構成產品的硬件組件）。產品管理本質上就是一種固化的流程，流程不僅保證了效率，還提供了創新的機會。
解決方案思維：主動尋求解決方案需要產品經理具有異於常人的非線性思維和資源優化的能力。
目標導向思維：離開行業理解談創新是站不住腳的，在AI 工程實踐中，帶有情感傾向的詞語領域適應性較差，提煉出場景中可以幫助產品建立優勢的關鍵點。
AI 產品經理的一些技能
需求永遠是第一位的，業務需求包括業務機會、業務目標、成功標準以及產品願景。從產品的微觀目標中拆分出不同的場景目標，可以定義量化的標準，體現了AI產品經理對需求的把控。AI產品經理的輸出需求未必是確定的頁面內容，可能是一堆規則和策略。在明確的產品架構中定義功能需求可以保證需求的目標明確性及合理性。
對數據的應用能力更勝以往。“Garbage in，Garbage out”，數據作爲AI的養料，其質量決定了最終AI模型和落地效果的成敗。數據問題是AI產品的天花板。通過“數據驅動”的思維指導產品設計，即讓機器從大量的數據中進行學習，然後將學習和訓練好的模型直接用於產品。數據乾淨與否大約可以從四個維度考量：關聯度(relevancy)，可信性(Reliability)，範圍(Range)和時效性(Recency)。
算法是對AI產品經理的另一挑戰，算法選擇因素可能包括：
數據量的大小、數據質量和數據本身的特性
機器學習要解決的具體業務場景中問題的本質是什麼
可以接受的計算時間是什麼
算法精度要求有多高
非功能性需求是成功的AI軟硬件架構必須關注的關鍵要素，例如安全性、可用性、可靠性、性能、可維護性。在互聯網產品中，系統響應時間可能是2/5/10秒原則，但移動互聯網又有所不同。可維護性是指產品可被修改的能力。
如果是AI智能硬件，那又是一番天地，沒有下過生產車間的AI產品經理是難以想象的。
DuerOS 技能產品經理的隻言片語
AI產品經理的技能要求較高，但並不意味着將AI引入到我們的產品中，因爲AI本身意味着生產要素的升級。
DuerOS 作爲對話式AI操作系統，相當於基於AI的開發框架和平臺，極大地減少了產品經理對AI技術掌握的依賴。設計DuerOS的技能服務，和設計一個web 應用沒有太多的不同，難點只要一個——就是將原來的鍵盤/鼠標/觸摸屏的交互方式轉化爲面向智能語音的多模態交互方式。
DuerOS 的技能就相當於互聯網上的Web應用，或者移動物聯網上的App，甚至各種平臺上的小程序。關於DuerOS 技能的交互設計乃至技能開發，可以參考筆者的DuerOS 關聯文字。
參考資料與關聯閱讀：
張競宇,《人工智能產品經理-AI時代的PM修煉手冊》，電子工業出版社，2018
連詩路,《AI賦能：AI重新定義產品經理》，電子工業出版社，2019
林中翹,《產品經理進階：100個案例搞懂人工智能》，電子工業出版社，2019
https://dueros.baidu.com/dbp