To be AIPM¶

什么是AIPM？¶

传统产品经理指的是pc互联网产品经理或移动互联网产品经理，负责网页端和app端等产品相关建设。传统互联网和移动互联网早已成为基础建设，想必未来AI互联网也会成为基础建设，现在入局为时不晚，行业红利尚早，NI直觉的迷之自信doge。

AI产品经理则主要负责将AI算法能力转化为解决实际问题的产品功能或完整产品，并在技术可行性、用户体验和商业可持续性之间取得平衡。直接应用或间接涉及了AI技术，进而完成相关产品的设计、研发、部署、运营等全生命周期管理。由于AI的技术领域太多、且有更多和垂直行业结合的机会，导致细分AI领域的产品经理所需要的背景和能力可能大不相同。

Fig. 1 AIPM-PM.png¶

传统产品经理 VS AI产品经理¶

技术手段不同¶

传统产品经理对接的是研发团队，研发人员负责代码工程实现，然后交付产品上线。具体来说，明确需求具体功能，然后开发实现产品，交付直接over。

AI产品经理对接更多的是算法团队，其次才是研发团队，技术知识边界变宽。具体来说，不仅要了解业务需求的具体逻辑，而且还要知道使用哪些算法可以实现，还得明确模型能达到什么性能以及如何评估模型好坏。

技术思维差异¶

维度	传统产品经理	AI产品经理
输入源	用户需求、市场分析	用户需求、数据、算法能力边界
交付物	功能规格、交互设计	算法目标、数据策略、评估体系
成功标准	用户增长、商业指标	算法效果、业务指标、用户体验
迭代模式	功能模块迭代	数据飞轮迭代
思维模式	确定性逻辑	统计学规律

AI技术持续发展¶

早期的人工智能只要集中在模拟人类的感知层面，比如计算机视觉（CV）、自然语言处理（NLP）、语音识别（ASR）；以及通过匹配用户需求与信息内容构建连接桥梁，比如搜索、广告、推荐（搜广推）等。

当前主要是生成式人工智能技术（AIGC），可以学习并模拟物理现象，让人工智能模型理解并生成物理世界的各种现象。通过生成token，可表示单词、代码、图像、图表、表格、歌曲、文字、语音、视频、化学物质、蛋白质、基因、天气预报等。因此，AIGC技术与各行业应用结合众多，未来前景和想象空间无限。

未来技术代表，比如有具身智能、世界模型、脑机接口、商业航天、量子计算等前言

AIPM的价值壁垒¶

业务需求洞察（业务认知）¶

AI技术理解力（技术可行性）¶

商业模式创新（商业洞察）¶

短期壁垒：在于快速掌握“技术可行性判断+数据思维+概率思维+跨领域整合”这一套复合技能组合。

长期护城河：将技术方法论、垂直行业认知进行深度融合，在该领域形成一套难以被复制的、从认知（看到机会）、决策（权衡取舍）到执行（落地驱动）的完整系统能力（平台级）。

AIPM全岗位分析¶

业务导向型（来钱快）¶

拥有行业经验、将业务需求与AI技术融合，赋能具体业务。（用户价值、C端，偏前台）

技术导向型(技术高)¶

紧跟前沿产品动态、进行行业分析；数据采集、数据清洗、数据分析；项目管理、业务对接、展示平台。

AI平台型（价值高）¶

构建和维护AI相关平台，目的是为企业提供一整套工具和服务。（客户价值、B端，偏中台）

T型复合型发展（业务+技术+模式）：前期从业务场景切入（积累业务理解）、中期深入1-2个技术方向（建立技术壁垒）、后期培养平台思维和生态视野（商业设计）

为什么成为AIPM？¶

复合型成长：AI产品经理是一个对技能积累要求高、同时需要广度和深度兼备的复合岗位，可直接或间接接触AI、设计学、心理学、管理学、经济学、财务学等多领域知识。于是，产品经理的晋升不在于某单一技能的提升，而更多在于多领域知识的进步，因此是一个极好锻炼和打磨个人能力的好岗位。

个人价值观：该岗位不仅需要学习众多学科知识，同时能够不断修正对商业和世界的认知，奉行长期主义和长期价值，符合“商才士魂”的个人价值观和使命感。

时代主浪潮：同时，2024年8月国务院印发《深入实施“人工智能+”行动的意见》，深切感受到人工智能与各行业深度融合的广阔前景和时代使命，所以理应紧跟时代趋势和政府号召，积极参与成为第四次工业革命的时代弄潮儿。

智能时代日新月异，行业趋势变化万千，不应固步自封，而是积极拥抱变化，不断学习成长，分门别类整理，形成知识体系，沉淀行业经验。有了行业认知，同时利用方法论，就可以去创造还未出现的产品形态。

如何成为AIPM?¶

AIPM包括学习路径和职业规划全阶段两大部分。

产品经理学习路径¶

全局认识，局部入手（行业认知）¶

从行业全景出发，从局部场景入手。作为产品经理，要懂得站在行业全局视野看待问题，了解产品链条、业务场景、商业模式、用户需求、人才结构、行业头部等。只有拥有全局意识和系统意识，才能在复杂的世界中定位价值和创造财富.

学习方式：整理和总结10份特定行业报告，形成行业框架图。

行业框架：行业专有名词与基本术语、行业整体规模与发展空间、行业生命周期与当前阶段、产业链与上下游供应商、商业模式与人才结构、行业头中尾部企业等

作业自查：调研AIGC等相关技术前沿，形成一份关于这些技术可以应用到哪些场景的技术落地调研报告。

补足技术，持续学习（技术理解）¶

紧跟趋势，定义未来（价值创造）¶

职业规划全阶段¶

Fig. 2 PM_Plan.png¶

阶段一：意识启蒙期（0-6个月）¶

状态：学生/转行者 | 目标：建立认知框架，判断入行可行性

核心任务¶

技术扫盲
- 掌握机器学习基础概念（三大范式、常见算法）
- 了解深度学习基本原理（神经网络、CNN/RNN/Transformer）
- 认知大模型与生成式AI趋势
产品认知
- 深度体验并拆解10+个AI产品
- 分析AI产品的交互模式与数据流设计
- 理解不同领域AI应用的商业模式
技能准备
- 基础数据分析能力（SQL、Python/Pandas）
- 产品原型设计能力（Figma、Sketch）
- 文档撰写与结构化表达能力

能力要求¶

能力维度	具体标准
技术理解	能解释监督/非监督学习区别，理解过拟合、准确率等概念
产品分析	能撰写3000字+的AI产品深度分析报告，识别核心价值主张
市场认知	了解AI主流应用领域及代表性公司，能说出3个以上细分赛道
学习能力	建立个人知识管理体系，每周消化至少5篇行业相关内容

产出物示例¶

《AI产品分析报告：从ChatGPT看对话式AI的产品设计》
《机器学习入门学习笔记》系列文章

个人AI小工具原型（基于API调用）

阶段二：入门破局期（6-18个月）¶

状态：初级AI产品经理 | 目标：完成首个AI功能全闭环，建立团队信任

核心任务¶

需求定义转化
- 将模糊业务问题转化为具体AI任务（分类/回归/排序/生成）
- 设计数据需求方案（数据源、标注规范、质量要求）
- 定义评估体系（技术指标+产品指标+业务指标）
项目全过程管理
- 撰写AI专项PRD（包含数据、算法、评估、异常处理）
- 协调数据标注、算法开发、工程部署资源
- 设计A/B测试方案并分析结果
用户体验设计
- 设计AI功能的交互流程，特别是异常状态处理
- 制定冷启动与兜底策略
- 设计用户反馈收集机制

能力要求¶

能力维度	具体标准
需求转化	能将“提升用户体验”转化为“通过个性化推荐提升点击率10%”
数据思维	能设计数据标注方案，评估数据质量与成本
技术协作	能与算法工程师讨论特征工程，理解模型选择的考量
评估设计	能设计多维度评估体系，平衡离线指标与在线效果
项目管理	能推动AI项目按计划上线，处理常见风险

关键产出物¶

AI功能PRD文档（含数据需求、评估方案）
A/B测试分析报告（含统计显著性验证）
项目复盘文档（成功要素与改进点）

用户反馈分析报告

阶段三：独立掌舵期（2-4年）¶

状态：资深AI产品经理 | 目标：独立负责AI产品或核心模块，驱动规模化价值

核心任务¶

场景判断与优先级
- 识别高价值AI可解场景，规避伪需求
- 评估项目ROI（数据成本+算力成本+人力成本 vs 预期收益）
- 制定产品演进路线图
数据飞轮设计
- 构建用户反馈→数据收集→模型优化→体验提升的闭环
- 设计数据质量监控与提升机制
- 建立负反馈处理流程
风险管理
- 识别并管理算法偏见、效果衰退等风险
- 设计可解释性方案与用户预期管理策略
- 应对数据安全与隐私合规挑战
效果规模化
- 从单点功能扩展到多场景应用
- 优化成本结构（降低单位服务成本）
- 建立自动化监控与告警系统

能力要求¶

能力维度	具体标准
商业思维	能计算项目ROI，将技术指标转化为业务影响
系统设计	能设计复杂AI系统架构，考虑扩展性与可维护性
风险管理	能预见并制定应对算法、数据、产品风险的方案
资源协调	能跨部门协调资源，推动复杂项目落地
战略规划	能制定季度/年度产品规划，与技术路线对齐

关键产出物¶

AI产品季度/年度规划文档
数据策略与治理方案
风险评估与应急预案
成本效益分析报告

团队知识库与方法论沉淀

阶段四：战略扩展期（4-7年）¶

状态：AI产品负责人/总监 | 目标：制定产品战略，构建平台能力，赋能组织

核心任务¶

战略规划
- 制定AI产品技术路线图（1-3年视野）
- 评估技术趋势并做出押注决策
- 规划平台化与生态化路径
组织建设
- 搭建AI产品团队，明确角色分工
- 建立适合AI产品的流程与方法论
- 培养下一代AI产品经理
商业化探索
- 设计产品商业化模式（SaaS、API、解决方案）
- 探索生态合作与开发者平台建设
- 制定定价策略与GTM方案
资源管理
- 平衡短期收益与长期技术投资
- 管理跨团队资源分配与优先级
- 建立外部合作伙伴网络

能力要求¶

能力维度	具体标准
战略思维	能制定影响公司业务方向的AI战略
组织建设	能搭建10人+团队，建立高效协作机制
商业设计	能设计完整的商业化闭环，包含定价、销售、支持
技术前瞻	能预判技术趋势，做出合理的押注决策
影响力建设	能在公司内外建立专业影响力，吸引人才与资源

关键产出物¶

部门年度战略规划
团队能力模型与培养计划
平台化架构设计方案
商业化可行性研究报告
行业影响力内容（演讲、文章、标准贡献）

阶段五：定义未来期（7年+）¶

状态：行业影响者/创业者/高管 | 目标：塑造AI产品范式，影响行业发展

发展路径选择¶

路径A：企业高管（CPO/VP产品） - 核心：将AI深度融入企业战略与组织文化 - 挑战：推动组织变革，建立AI原生工作方式 - 成功标志：公司核心业务因AI重构

路径B：AI创业者 - 核心：发现AI原生机会，从0到1打造产品 - 挑战：平衡技术理想与商业现实，跨越鸿沟 - 成功标志：建立可持续的AI原生业务

路径C：行业思想家 - 核心：输出思想，影响行业认知与标准 - 挑战：保持前瞻性，平衡深度与广度 - 成功标志：提出的理念被行业广泛采纳

核心能力要求¶

路径	核心能力
企业高管	企业战略制定、组织变革领导力、资源全局调配
创业者	机会识别、资源整合、风险承受、故事讲述
行业思想家	深度洞察、观点提炼、生态连接、标准制定

核心能力模型¶

三维能力雷达图¶

技术深度
              ↗         ↘
产品思维   ←   AI产品经理   →   商业洞察
              ↖         ↙
              综合素养

各维度能力详解¶

维度一：技术深度¶

能力层级	具体能力	发展阶段
基础层	机器学习概念理解、算法分类认知、评估指标理解	阶段一
应用层	技术选型判断、模型效果评估、数据质量分析	阶段二～三
专家层	技术趋势预判、架构设计评审、研发资源评估	阶段四～五

关键成长点： - 从“理解概念”到“评估方案”到“预判趋势” - 保持与技术前沿同步，但不陷入实现细节 - 建立技术直觉，快速判断可行性

维度二：产品思维¶

能力层级	具体能力	发展阶段
功能层	需求分析、原型设计、用户体验优化	阶段一～二
系统层	复杂系统设计、数据飞轮构建、生态思考	阶段三
战略层	产品矩阵规划、平台化设计、生态建设	阶段四～五

关键成长点： - 从“设计功能”到“设计系统”到“设计生态” - 平衡短期用户价值与长期产品健康度 - 在不确定性中做出产品决策

维度三：商业洞察¶

能力层级	具体能力	发展阶段
价值层	ROI计算、商业模式理解、竞品分析	阶段二～三
战略层	市场机会识别、资源分配决策、竞争壁垒构建	阶段四
生态层	行业格局判断、标准制定参与、资本运作理解	阶段五

关键成长点： - 从“计算价值”到“创造价值”到“定义价值” - 理解资本、市场、技术的复杂互动 - 在技术理想与商业现实间找到平衡点

维度四：综合素养¶

能力类别	具体能力	关键作用
沟通协作	跨角色沟通、技术方案讲解、冲突管理	项目推进基础
项目管理	复杂项目推进、风险管理、资源协调	规模化落地保障
学习适应	快速学习、方法论提炼、变革适应	持续成长动力
领导力	团队指导、战略影响、文化塑造	组织影响力来源

实践工具箱¶

需求定义工具¶

AI问题转化框架：

业务问题 → 转化为AI任务类型 → 定义输入输出 → 确定评估指标
    ↓
用户痛点      分类/回归/排序/生成      数据格式要求    技术+产品+业务指标

数据需求清单： - 数据源清单（现有数据+需收集数据） - 标注规范文档（明确边界案例） - 质量要求（准确率、覆盖率、新鲜度） - 获取成本与时间评估

评估设计工具¶

多维度评估矩阵：

评估维度	具体指标	数据来源	评估频率
技术效果	准确率、召回率、F1值	离线测试集	每日
产品体验	使用率、满意度、任务完成率	用户行为数据+调研	每周
商业价值	转化率、收入、成本节约	业务数据	每月
系统性能	响应时间、可用性、错误率	系统监控	实时

A/B测试决策树：

实验设计 → 流量分配 → 数据收集 → 统计分析 → 决策
    ↓
假设明确   样本量计算   质量检查  显著性检验  全量/迭代/终止

风险管理工具¶

风险类型可能性影响程度早期信号应对措施 ============ ====== ======== ============================ ========================== 数据风险 中高数据质量下降、标注成本超支数据质量监控、备用数据源 算法风险 高高离线指标波动、线上效果衰退多模型备份、人工审核流程 产品风险 中中用户负面反馈增加、使用率下降快速迭代机制、用户沟通计划 合规风险 低极高法规变化、隐私投诉合规审查流程、应急预案 ============ ====== ======== ============================ ==========================

常见陷阱与避坑指南¶

陷阱1：技术迷恋症¶

表现：过度追求技术先进性，忽视实际业务价值

避坑策略： - 始终从用户问题出发，而非技术特性 - 设立明确的商业价值评估标准 - 建立“最小可行AI”思维，先验证再优化

陷阱2：数据盲目症¶

表现：忽视数据质量，急于开始建模

避坑策略： - 数据质量检查清单（完整性、准确性、代表性等） - 先做小规模数据试点，验证数据可行性 - 建立数据质量监控体系

陷阱3：评估片面症¶

表现：只关注技术指标，忽视用户体验与商业影响

避坑策略： - 设计多维度评估体系（技术+产品+商业） - 定期收集用户定性反馈 - 建立指标间的关联分析

陷阱4：预期管理失控¶

表现：过度承诺AI能力，导致用户失望

避坑策略： - 明确告知AI能力边界 - 设计渐进式体验（从高确定性场景开始） - 建立用户教育机制

陷阱5：迭代速度停滞¶

表现：数据飞轮未形成，产品迭代缓慢

避坑策略： - 设计低成本的用户反馈收集机制 - 建立自动化数据标注与模型更新流程 - 设定明确的迭代周期与评审机制

大模型时代的新要求¶

技术认知升级¶

必须掌握的新概念： - 提示工程：角色设定、思维链、少样本学习 - RAG架构：检索增强生成的工作流程 - 智能体设计：工具使用、记忆、规划能力 - 微调策略：全参数微调 vs 参数高效微调

产品设计新范式¶

交互模式变革： - 自然语言优先：减少界面控件，增加对话交互 - 不确定性设计：展示置信度、提供多种可能 - 人机协作优化：明确各自优势，设计协作流程 - 成本结构理解：

总成本 = Token成本 + 工程成本 + 运营成本
优化策略：提示优化、架构优化、使用模式优化

评估体系扩展¶

新增评估维度： - 创造力评估：新颖性、多样性、实用性 - 逻辑一致性：推理过程的合理性与连贯性 - 事实准确性：与真实世界信息的一致性 - 安全性评估：有害内容过滤、价值观对齐

成长节奏建议¶

时间分配原则¶

早期（1-3年）：技术深度 × 产品广度
中期（3-5年）：商业思维 × 系统设计
后期（5年+）：战略视野 × 组织影响

里程碑检查点¶

阶段	时间节点	应达成的里程碑
入门期	6个月	独立完成一个小型AI功能的需求定义与上线
成长期	2年	负责的AI功能显著提升核心业务指标（+10%以上）
成熟期	4年	建立完整的产品技术体系，并能培养初级PM
领导期	6年	制定的产品战略影响公司业务方向
定义期	8年+	在行业内建立专业影响力，输出思想与方法论

「长期主义」¶

「长期主义」价值观：用长远的目光分析事物的发展走向，什么能产生更广泛更长期的影响？有且只有一条标准，那就是是否在创造真正的价值，这个价值是否有益于社会的整体繁荣。: 1

当下流行的碎片化学习要坚持「长期主义」，在建立个人系统化的知识网络的基础上，有规划地持续不断地学习，进而提高学习质效，满足其个性化的知识需求，完成个人知识管理

从碎片化的时间里学习到知识 -> 知识体系 2

反对机会主义：为了眼前暂时的利益而忘记根本大计，只图一时的成就而不顾后果，为了目前牺牲未来的运动，这种做法也许是出于“真诚的”动机。但这是机会主义，始终是机会主义，而且“真诚的”机会主义也许比其他一切机会主义更危险。 3

注重眼前利益的人，拼命压榨“价值空间”，一点“价值空间”都不想留给对方。注重长期主义的人，拼命退让“价值空间”，想要“价值空间”最大化留给对方。注重眼前利益的人，一时赚得盘满钵满，未来路却越走越窄。注重长期主义的人，一时利润不尽人意，未来路却越走越宽。 4

长期视角和容错¶

伟大的企业都明白，一切商业的起点，都是消费者获益。但是他们也明白，从消费者获益，到自己赚钱之间，也就是从这个起点到终点之间，是个先后关系，常常有一个时间差。

那么，用什么填补这个时间差？只有用企业家的长期主义。

亚马逊创始人贝佐斯曾在演讲中提到：人们经常问未来 10 年什么会被改变，却从来没人问：未来 10 年，什么不会变。 5

长期视角和容错：如果你想抓住下一个十年中的大机会，那最好持有一个十年的长期视角，没人能保证一次命中，但连续出手三次的命中率就高多了。简单计划可以是这样：看到一个可能的大机会，及时加入它，用一两年好好干好好学，在这个过程中评估它的市场需求、组织问题、政策和竞争问题，一两年够你形成较有效判断了，如果判断行就继续全力投入；如果判断不行，就选择下一个可能的大机会，再用一两年去形成有效判断；如是循环，做好十年三次选择的心理准备，确定机会后就全力投入，注意保持成长和共赢。 6

正如著名投资专家本杰明·格雷厄姆所说：“短期来看，股票市场就是个投票器；但长期来看，它是个称重机。” 长期主义，就是扔掉投票器，踏上称重机。 7

Fig. 3 价格成本结构循环¶

如果你做一件事，把眼光放到未来三年，和你同台竞技的人很多；但如果你的目光能放到未来七年，那么可以和你竞争的人就很少了。因为很少有公司愿意做那么长远的打算。

选择最能为人类福利而劳动的职业¶

“如果我们选择了最能为人类福利而劳动的职业，那么重担就不能把我们压倒，因为这是为人类而献身。那时我们所感受到的就不是可怜的、有限的、自私的乐趣，我们的幸福将属于千百万人，我们的事业将默默地、但永恒发挥作用地存在下去，而面对我们的骨灰，高尚的人们将洒下热泪。” 8

什么是知识体系¶

信息与知识¶

定义：

什么叫信息，能够消除不确定性的数据就是信息。 9
知识是人类认识的成果,它是在实践的基础上产生又经过实践检验的对客观实际的反映。只有用人类创造的一切财富的知识来丰富自己的头脑。才能成为共产主义者。 10

信息与知识的区别：

信息的理解是容易的，知识的积累是艰难的，信息的获取可以在刹那之间完成，知识的掌握则需要漫长的付出。小铁匠想了解淬火的温度，只消把手插入水桶感受一下，立刻就能明白，并不需要多打十年铁才具备资格。黑医生通过“信息套利”提供治疗方案时，病人并不需要读七八年医科才知道他是不是信息套利，只要别的医生提出，病人马上就能怀疑。而病人要想真正明白治疗方案是否合理，就需要读好几年医科，这就是知识而不是信息了。
信息的变现是容易的，而且往往独立；知识的回报则相对漫长，并且往往需要和其他要素结合。一个人听到内部消息去买股票，马上就能获利；而一个人读到博士，想找份合适的工作，还并不总是很容易。而博士拿到的薪水，往往不如内部消息的套利。
信息在事后是不值钱的，一旦交易达成，信息的价值几乎下降为零。而知识的价值，一般不会随时间而贬损，还会随知识积累而攀升。 11

知识体系¶

知识体系有三个特性：目标性、体系性以及抽象性，多使用逻辑树进行构建。 12

目标是指方向聚焦，体系有重点。体系是指结构完整、层次分明，前2层分支的平衡性越好，归纳程度也越强。
而抽象则是知识体系是知识从具体到抽象的表现，呈现了知识的特征或本质。
再进一层，什么是好的知识体系呢？除了上述所描述的有目标、够全面、抽象程度高，还有一点则是知识体系应该是相互独立但非无限穷尽的。

有的知识仅须停留在知道，有的则需要运用并且创新。

把你已经知道的东西梳理一遍。如何梳理呢？以你能够说出某个知识点的影响因素，以及它对其他事物的影响为准。顺着这样的知识点捋一遍，这个网络就是你已经构建完成的知识网络 13。

用技能分工代替职业分工¶

要每一个项目都组建一支产品、交互、设计、前端、后台、运营的团队肯定是不现实。我的想法就是团队的每个人经可能多的学习技能，走全栈型路线。在王者里面每个英雄可以带三个技能，如果有人能带五个技能，基本上可以一个顶两个用了。产品、交互还有运营基本上可以合并为一个人来统筹负责，技术部分用跨平台的解决方案简化为一到两个人来负责。Full Stack后眼界和见识提高 14，这样大幅简化了人员的沟通成本，缩减了项目切换过程中所需要的冷却值。而且从市场的反馈到产品的迭代更新间的反射弧更加的快速。

15

因为当单个工人能够较以前提供更多的劳动，则可变资本增大时，资本家无须招收更多的工人，就可以利用现有工人来推动更多的劳动。可变资本相对减少了，但就业人数减少得更多。 16

全栈产品经理¶

全栈产品经理必须完全理解/了解自己业务系统，从底层基础架构，到数据中间件，到API逻辑，到 Web 和 Mobile 实现，到 UX 和 UI，到产品逻辑，到部署和发布计划的制定。 17

Fig. 4 “全栈产品经理”的技能树¶

减人加速¶

须知人数越少，沟通成本越低，执行效率越高。需要兼任PM/交互/QA，并且主持搭建内容框架。如果给我再配一两个交互设计师，一两个QA，内容框架也交出去，再和他们反复沟通确认，我的速度反而被拉了下来。这不仅苛求个人能力，也要求你在大包大揽时，还能接受其中的粗活笨活。如果把我手上各种杂活剥离出去，起码能设3个岗位——并且速度拖慢50%。技术研发也是如此，减人才能提速。又要减人又要代码能力，大牛就得分担杂活。 [18]_本质是，“高内聚低耦合”的设计。

这是否导致更多人失业？也不一定，TODO:

AI商业化逻辑¶

2017年AI人才结构失衡。特别是发论文的人和做产品或解决方案研发的人，比例严重倒挂。: 19

当时最好的AI技术人员更愿意在大学里搞学术，或在企业研究院里发论文，或在创业公司拿着高薪担任首席科学家之类的职位，但AI商业化落地亟需的AI应用开发人员、AI架构设计人员、AI产品和解决方案设计人员等，人才市场上几乎是空白。规模巨大的计算机或相关专业毕业生、有经验的前后端工程师、架构设计师、产品经理的人群中，当时懂得AI特别是懂得AI商业化逻辑的人，真是少之又少。

“我们认为，AI商业化的最佳途径对百度来说，就是平台化、生态化。一个开放的生态最具活力最有竞争力。”陆奇说道。 20

常用¶

标签： :lable:、:ref:

Markdown用法之-奇技淫巧

TODO：¶

google analysis.

1: https://zhuanlan.zhihu.com/p/340824405
2: https://www.zhihu.com/market/paid_magazine/1153593677761941504/section/1153593764286263296
3: https://www.bilibili.com/video/BV1gz4y1r7W3?from=search&seid=16897168704938729893
4: https://zhuanlan.zhihu.com/p/351748364
5: https://mp.weixin.qq.com/s?__biz=Mzg2MTEwNDQxMg==&mid=2247483696&idx=1&sn=5d7c4af6c3228a7c1105898ce97d63c0&chksm=ce1d7143f96af8555b06fc18df4e021b6e6967cc0f30cbd4c7dddba1d32f1cbd1eecc9b5e18c&cur_album_id=1508906417947197443&scene=189#rd
6: https://mp.weixin.qq.com/s/etrsGOjfK1OXJpOOhSbbug
7: https://www.163.com/dy/article/G8GK002B051181GK.html
8: https://zhuanlan.zhihu.com/p/49507112
9: https://www.zhihu.com/question/443911275
10: https://www.bilibili.com/read/cv13249490/?from=readlist
11: https://zhuanlan.zhihu.com/p/409630686
12: http://www.woshipm.com/zhichang/4156203.html
13: https://www.zhihu.com/market/paid_magazine/1153593677761941504/section/1153593764286263296
14: https://www.zhihu.com/question/22613861/answer/34122925
15: http://dyin.tech/
16: http://www.doc88.com/p-5738403457973.html
17: https://www.zhihu.com/question/22613861/answer/118658853
18: https://zhuanlan.zhihu.com/p/291532809
19: https://www.zhihu.com/question/279550559
20: https://ai.baidu.com/forum/topic/show/492818

AI生态系统.

AI时代批判与共产主义意识形态输出（呕心沥血之作！没完在更）