編者按：本文來自微信公眾號"hanniman"（ID：hanniman），作者： howie；36氪經授權發布。
現在AI越來越熱門，很多產品經理都想抓住這個機會窗口，進入AI領域成為AI產品經理。也許你經歷過了媒體上各種AI遠景的洗腦、趨勢文章的衝擊以及技術文章的打擊，現在的你，是不是發現自己已經完全蒙圈了？也許你已經嘗試的找過書籍資料、網上課程或培訓機構，是不是並沒有發現成熟的AI產品經理入門學習方法？
好了，今天這篇文章我將向您分享我（作為產品經理）對入門人工智慧學習方法上的一些思考。
我是一名網際網路產品經理，也希望進入AI領域。目前為止，我已經用了2個月的業餘時間學習入門知識，但還不能算是入門，原因就是人工智慧領域的概念過於寬泛，技術門檻較高。我先用這2個月的學習成果，分享一下我對於入門AI領域學習方法的思考，給大家拋個磚，也許能為大家節省一些時間。不過還是先聲明下，我目前還不是AI產品經理，下面內容也僅是我個人主觀的思考，如果出現錯誤，歡迎大家指導與建議（我的微信號：howie2017）。
本文分為六個章節，用逐步推導的方式分析入門所需知識。
一、怎樣理解當前火熱的AI技術
二、怎樣通俗的理解機器學習技術
三、機器學習技術在產品價值上的影響
四、 對AI產品經理工作內容的思考
五、 對入門人工智慧領域學習內容的思考
六、我的學習情況與計劃
（註：重點是四、五兩章，對AI已有一定了解的同學，可直接跳過去看）
1、怎樣理解當前火熱的AI技術
不知道大家看到上圖中的4本書+羅輯思維節目，會不會一下子有了感覺？總之，我就是從這裡開始了解人工智慧的。這些書籍與節目中，大量介紹了人工智慧的未來、對就業情況的影響、強人工智慧和人類之間可能發生的衝突、科技是如何讓人類更加先進、我們又是如何利用科技探索宇宙世界、國家應當如何面對將要到來的人工智慧革命，等等…看了這些內容，心裡不由得很激動啊！
然後，媒體上也充滿了AI領域的動態和進展。例如：各國政府都在頒布AI相關的政策措施；各大網際網路公司也在加強AI相關的技術研究和產品研發；很多自媒體與產品經理社區都開始報導AI動態與AI產品經理的相關內容，等等。
不過到此為止，以上所有信息只能讓我們找找AI的感覺，對入門AI領域好像並沒有實質性的指導。現在，我們就來看看到底是什麼原因，讓AI技術突然被媒體熱捧起來的。
我看過上面四本書後，才逐漸明白，AI市場火熱的背後是這樣一種技術在支撐：【機器學習（或深度學習）】。人工智慧技術在發展的60多年裡，經歷過多次起起伏伏，而這一次將人工智慧推向高潮的關鍵技術就是深度學習（深度學習是機器學習的一個分支）。點燃本次人工智慧技術潮的關鍵事件就是：在2016年3月，阿爾法狗戰勝李世石的圍棋之戰。阿爾法狗是由谷歌（Google）旗下DeepMind公司開發的AI程序，其主要工作原理是「深度學習」。
與此同時，與機器學習相關的一些技術也火熱了起來。目前在招聘市場、媒體報導以及親朋好友互相溝通時，都會將下圖中的技術與AI技術一併提起，甚至等同於AI技術。因此，想要深入了解當前火熱的AI技術，就必須了解以下四種技術及其關聯關係。
上面圖片，是和人工智慧技術相關聯的另外三種技術：物聯網、大數據和雲計算。
1、機器學習技術與另外三種技術的關聯關係
人工智慧與物聯網的關係：物聯網的終端可以對環境進行感知與交互，為人工智慧核心程序提供傳感器與執行器。物聯網終端不限於包括機器人、手機、穿戴式設備、無人飛機、自動駕駛汽車等等。
人工智慧與大數據的關係：機器學習本身需要使用大量的數據進行訓練，並且訓練好的機器學習模型會產生【識別與預測】的數據，所有這些數據都需要大數據分布式存儲與大數據計算技術支持。
人工智慧與雲計算的關係：機器學習模型在訓練時與實際使用時所使用的計算資源需要雲計算來支持。
2、由此，也許能夠在一定程度上猜測AI產品經理可能存在的類型：
機器學習/深度學習AI產品經理：可能包含視覺、語音、圖像、文本等相關技術；
數據分析AI產品經理：可能包含不同行業的不同維度的數據分析與數據挖掘；
機器人AI產品經理：這裡可能會包含ToB或ToC應用等業務場景；
特殊傳感器或執行器AI產品經理：可能包括智能音箱、智能家居、智能家電等等；
穿戴式設備AI產品經理：包含VR、AR、MR、手錶、手環、耳機等等；
雲計算AI產品經理：略……
由於篇幅限制，本篇文章僅以機器學習AI產品經理為核心介紹入門的學習方法。那麼接下來，我們就首先了解一下機器學習到底是什麼樣的技術吧。
2、怎樣通俗的理解機器學習技術
機器學習是一種算法，可以通過數據訓練形成一個機器學習模型（可理解為一套程序），是關於給定輸入獲取輸出的程序。本章首先從其創建方式上進行簡單介紹，然後介紹機器學習技術直接推動且引起大幅性能提升的相關基礎科技領域。
1、如何創建機器學習模型？
這個模型已經不再是由「軟體攻城獅同學」來完成編寫了，而是由「數據科學家」通過給機器學習模型餵養數據，而自行形成的一套程序，具體過程為：
選擇機器學習模型：可理解為根據要解決的特定目標問題，選擇能夠得到最優解的算法模型；
獲取訓練與測試數據：與工程師配合獲取到用於訓練機器學習模型的數據；
訓練模型：使用已有的數據對機器學習模型進行訓練；
最終，訓練好的機器學習模型，就可以投入生產使用了。換一種思路理解，數據科學家模仿業務員給顧客推薦商品，推薦的多了，機器就自己學會如何給顧客推薦商品了。
這裡要注意的是，最終由數據科學家訓練好的模型可以理解為一種【中間件】，是對其他應用程式接口開放的中間程序，不能與用戶直接進行交互的程序。例如：假如我們訓練了一個商城的商品推薦模型，那麼這個模型的工作僅是根據當前應用程式接口請求的信息，由機器學習模型反饋出用戶可能購買機率最高的商品列表。至於怎麼展示這些商品，可以有很多方式，不限於App界面、web界面、郵箱推薦、第三方廣告位等等。
通過這種方式創建程序有什麼優勢呢？（也就是使用機器模型技術的優勢是什麼）人們不再用絞盡腦汁的總結並歸納好知識，再去完成越來越龐大且成本越來越離譜的編程工作。而是通過給計算機投餵大量的數據，讓機器自行尋找其中的規律，並將規律應用在特定領域的識別與預測工作中。這樣，可以讓機器完成機器所擅長的工作，而人類可以節省大量的時間與經歷。
例如：在電商系統中訓練商品推薦的機器學習模型，該模型可以通過不斷增長的用戶交易數據來完成優化，最終該模型可能會學習到人類基本不能發現的有效推薦方式，從而達到推薦轉化率不斷提升。如果該工作交給人類來幹，就不知道需要投入多少的人力物力才能達到那種效果了。
接下來，我們再看看基於大數據與機器學習方式完成的程序，推動了那些基礎科研領域的發展。
2、機器學習直接推動性能大幅提升的技術領域
由於近些年大數據技術的快速發展，及其並行計算能力的大幅提升，以下領域因為應用了機器學習尤其是深度學習技術，直接使得相關性能指標大幅提升，其中很多指標已接近商業應用的標準，甚至部分技術指標已經超過了人類的專業水平！
識別技術，包括：文字識別、圖像識別、語音識別；
基礎應用技術，包括：自然語言處理NLP、計算機視覺CV/機器視覺MV、語音合成TTS等；
由這些識別、預測及其執行等技術的組合，又進一步推動了商用級應用的發展，例如：
推動了自動駕駛應用：識別道路圖像與聲音，根據道路情況並預測下一步道路情況，根據所要達到的目的地執行駕駛動作。
推動了客服系統應用：識別語音進行自然語言處理，進而預測可以最大滿足用戶需求的回覆，並使用語音合成技術執行聲音輸出。
推動了輔助辦公的應用：識別當前工作狀態，預測能達成最理想工作結果的行動方案，建議用戶行動方案。
【插播】由於機器學習推動了語音識別能力的大幅提升，也許在鍵盤滑鼠、手機觸控螢幕幕之後，語音會成為新的交互入口。
本章內容也許比較難以理解，深入去學習上述技術可能就更加困難了，不過我個人還是認為學習機器學習技術是有好處的。這裡引用《終極算法》一書中的思想：【機器學習是工具，我們理解自己將要使用的工具會費些工夫，但遇到問題時，你會發現「了解工具」所帶來的幫助遠遠大於你為此付出的努力】。
好了，目前已經介紹完機器學習是怎樣一種技術了。對於產品經理來說，應用機器學習技術，提升產品價值可能是最關注的事情了，下面我來分享一下我對機器學習提升產品價值的一些思考。
3、機器學習技術在產品價值上的影響
吳軍在《智能時代》中寫到，人類曾經經歷過的蒸汽機時代、電氣化時代、信息化時代，無一不是由於新技術的產生，而帶來了整體經濟上的快速發展。而這一次即將到來的人工智慧技術潮，也許會成為以下公式的推手：【現有產業 + 機器學習 = 新產業】
這樣的情況下，機器學習技術會開創一些新的行業機會。
1、機器學習開創的新產業
這一次機器學習熱潮中，推動了很多基礎平臺企業與基礎技術科研企業的發展，這些企業就屬於新技術所開創的新行業。例如：
研究機構：百度IDL、阿里巴巴iDST、騰訊AI Lab、Google DeepMind、微軟等等；
語音技術：科大訊飛、思必馳、雲知聲、出門問問、Nuance等等；
圖像技術：曠視科技、商湯科技、騰訊優圖、圖普科技等等；
技術平臺：百度Apollo與DuerOS、訊飛開放平臺、圖靈機器人等等；
另外，我不確定關於以下兩種產品類型是否屬於新的產業，但確實和機器學習有關：
虛擬個人助理產業：Siri、微軟小娜、百度度秘、谷歌Assistant、助理來也等等；
智能音箱產業：Amazon Echo、Google Home、叮咚、小愛、小雅、天貓精靈等等；
在這一次機器學習大潮中，我相信很多公司是很難參與到新技術研發或者平臺類產品的研發中，機器學習的底層研發與建設，不但需要具備深厚的科研能力，而且還需要雄厚資本的支撐。就算退一步，也不意味著每家公司都能聘用得起數據科學家、買得起獨立伺服器。那麼更切合實際的方式是，用大公司提供的第三方平臺產品與技術，直接應用結合現有商業場景，開發服務型的應用。
2、機器學習在現有產業上的創新
我們現在就把視角放在：利用新的技術環境，改變原有場景的交互方式，把過去難以解決的問題，解決好。因為新技術會改造原有產業，企業只有在思維上跟上新的時代，才能在未來的商業中保持優勢。這一點我們不難從BAT這些大廠上面看到，他們在接受新技術上從來都是非常迅速，尤其是百度，目前已經是"All in 人工智慧"的戰略構想。
如何在現有產業場景上構建機器學習的商業產品。這需要有以下3個能力要素：
業務需求：找到可以利用大數據與機器學習技術改善現有用戶體驗的業務場景與需求。
數據：儘量找到那些原有業務上就產生過大量數據的業務，我們現在的任務就是讓這些業務產生的數據產生新的商業價值，可以理解為我們該用我們的數據搞點事情了！如果業務場景還存在數據反饋能力，將會是最好的業務場景。
算法與計算資源：目前可以看到行業的巨頭們，已經為我們提供一系列技術研發基礎，例如：谷歌的TensorFlow機器學習框架、百度的Apollo與DuerOS平臺、各大公司提供的大數據方案與雲計算平臺等等。
4、對AI產品經理工作內容的思考
開始學習人工智慧知識有2個月的時間了，一直都帶著一個問題【AI產品經理這個崗位都在幹些什麼呢？】。如果我們的最終目標是找到AI產品經理類型的工作，那麼我們一旦知道將來幹什麼工作，就可以知道應該學習哪些知識了。這一問題也是在我和其他學友們交流的過程中，最多被大家提起來的問題。那麼本章我們就帶著這個問題，一起來思考一下吧。（這一章節的內容，純屬我個人主觀的思考，如果存在問題，歡迎大家指點與建議。）
1、AI產品經理工作內容上的幾點思考
我們現在應該都知道了，機器學習是一門技術，最終形成的模型(也就相當於現在的程序)可以理解為中間件，是不能直接應用到用戶交互操作中。產品經理應當想辦法利用這個中間件技術的性能優勢，為用戶提供更好用戶體驗的交互產品。那麼產品經理的核心任務會不會就是【將機器學習技術應用在有商業價值的需求場景中】？
下面我僅從【現有產業+機器學習】角度提出我對AI產品經理可能工作內容的幾點思考：
觀點一：AI產品經理需要了解技術現狀
這一觀點上，我認為目前AI技術相對是不夠成熟的，那麼了解好技術可能實現的能力範圍，技術本身所需要的成本還有當前存在的技術瓶頸，可能是AI產品經理需要具備的基礎。按照以往的經驗，如果在最初使用技術時並不了解技術的相關特性，那麼當技術產生問題的時候一定會讓你充分理解其全部特性，並浪費掉更多的精力。
了解AI技術現狀會有兩種渠道：
通過公司內部的AI技術團隊了解現狀：這一點針對大公司自有AI技術團隊時，可以很方便的了解現有技術情況，多與公司的科學家與工程師們溝通玩耍，進步會飛快起來。
通過第三方提供AI平臺或AI框架了解技術現狀：這一點針對一些中小公司，公司可能沒有AI技術團隊，這時充分利用第三方平臺提供的AI技術也是一個理想的選擇。
觀點二：AI產品經理需要尋找並定義AI業務場景
上一點說過了，技術永遠都不夠成熟，AI產品經理需要在深度理解技術優劣勢的基礎上，尋找到可以提供更好用戶體驗的業務場景。也就是說，如何結合當前現有AI技術與業務場景，為用戶提供更好更便捷用戶體驗的產品。這時，AI產品經理主要的工作就是：【完成當前技術與現有市場需求的映射】。
這一點我要特別說的是，根據以往的經驗，在技術能力不足時，很多場景的業務需求都不需要我們100%的解決，只需要利用現有技術為用戶解決最為關鍵的問題即可。只不過，我們需要評估好，這樣是否真的能夠提升用戶體驗，而不是帶來了新的麻煩。
另外，如果AI產品經理真的發現了有良好用戶體驗的智能化場景時，還需要充分評估產品定位、用戶價值、成本、商業價值等因素是否相匹配，畢竟當前AI技術的實現成本還是相對很高的。不是你有想法，技術就能實現。也不是技術能實現，公司就能付得起成本。即使條件都能滿足時，也存在一個巨大的風險，就是做出來一個沒有市場價值的產品。
最後，我們來思考一下怎樣才是好的AI業務場景呢？我能了解的幾個要點為：
有大量數據的業務場景；
充分體現用戶個性化的業務場景；
在進行交互時存在用戶反饋結果的業務場景；
強調用戶服務的業務場景；
觀點三：A產品經理需要推進研發產品
在項目研發過程中，為了最大限度地發揮機器學習對業務的價值，儘量避免由於過程中出現的差錯而導致的成本浪費，需要產品經理、研發工程與數據科學家之間的持續保持密切協作，並且，產品經理有責任確保工作的成果是對產品有正面價值的。
觀點四：AI產品經理需要挖掘產品市場價值
我認為任何產品經理的核心職責都是讓產品具備更好的市場價值，那麼AI產品經理也不應該例外，他應當有良好的對產品的理解，對用戶群體的理解，對業務場景的理解，這些都是產品經理應當具備的基本素質。並且在市場由技術競爭逐步轉變為產品競爭的時候，AI產品經理讓現有技術所定義的產品價值能夠轉化為商業價值，就是其核心的工作。
2、AI產品經理與網際網路產品經理的區別
我也是一名想要轉型成為AI產品經理的網際網路產品經理，相信很多夥伴也都是這種情況，因此在一起交流學習的學友們第二大關注的問題就是【AI產品經理與網際網路產品經理到底有哪些區別？】，在此我也僅從個人的主觀角度，給出一些觀點：
AI產品經理和網際網路產品經理可能是不同崗位：AI產品經理也許就像是2C前臺產品經理、2B產品經理、後臺產品經理、商業產品經理一樣，幹著不同類型的工作，擁有不同類型崗位名稱。AI產品經理的核心技能可能就是對機器學習的深入理解。
在基礎科學理論方面，AI產品經理比網際網路產品經理要求高很多：後者重在互動設計，前者可能更重視對機器學習算法優化提需求，那麼了解必要的數學、概率、數理統計、與機器學習理論就是工作的基礎。
AI產品經理比網際網路產品經理多了一種語音交互方式：機器學習促進了語音識別技術的發展，也促進發展了語音交互場景。AI語音交互的設計要比手機/PC端的互動設計難很多，因為語音交互系統不是限定好的GUI操作界面，而是不便於規範且自由延展的自然語言。會話的開放性意味著 AI 互動設計者必須考慮用戶可能採取的幾乎無數的選擇。要能夠理解用戶，了解他們的動機，然後合乎邏輯地思考如何引導他們完成一件事情。
AI產品經理與網際網路產品經理關注的業務範圍不同：網際網路PM可能會深入關注局部業務範圍的產品優化與用戶價值，而AI產品經理可能需要在基於公司業務的整體範圍，尋找存在AI優化的場景需求。
AI產品經理比網際網路產品經理更關注數據：機器學習是使用數據餵養出來的成果，需要使用數據指導互動設計，即，有了更強的數據需求。
5、對入門人工智慧領域學習內容的思考
談了那麼多的前奏，終於到了本文的重點章節了——上面這張圖，就是我收集的關於機器學習相關的知識內容，外層知識體系是在內層知識體系的基礎上建立起來的。也就是說：
數學基礎是機器學習理論的基礎；
機器學習理論是基礎技術的基礎；
基礎技術是應用的基礎；
而知識包含的具體內容直接看上圖就好了，此處也不再贅述了。其實，我想表達的是，相關機器學習有太多的領域，這裡都還沒有包含物聯網、大數據與雲計算相關的技術，已經是不可能自行將全部知識內容通學一遍了。
另外，在學習前，我們要分清楚我們到底是要搞「應用」還是「研究」。如果你沒有博士學位還是不要搞純理論研究了，但請相信上面圖中的內容絕不是為理論研究準備的，僅僅是為了「應用」體系準備的知識範圍。因此下面的內容將基於「應用」角度展開對學習內容的討論。
我認為最快速的學習入門有兩種方法：1）在招聘市場廝殺，儘快就業AI領域；2）學習部分基礎知識後，選定目標應用方向進行實戰演練。下面我們將對兩項進行一一詳述。
第一，儘快就業
首先，來看看我從招聘市場找來的兩條典型的崗位要求：
公司A：深入理解NLP，圖像視覺、深度學習等技術，有能力將技術轉化為產品，直接創造用戶價值；
公司B：對推薦系統、機器學習和大數據處理感興趣，熟悉其中一項或者多項；
根據上面這種典型要求，我認為要想順利進入這些公司，至少要針對以下名詞有詳細理解：AI(人工智慧)、AGI(通用人工智慧)、ML(機器學習)、DL(深度學習)、NLP(自然語言處理)、NLU(自然語言理解)、CV(計算機視覺)、MV(機器視覺)、ASR(自動語音識別)、TTS(語音合成)、知識圖譜、區塊鏈。然後，就是不斷投遞簡歷，從面試實戰中找規律、碰運氣。如果能儘早進入AI團隊，儘早磨練，將是最快速入門AI的方式。
第二，自學與演練
這一塊我的想法是按照如下步驟學習——
第一步：學習數學基礎，包括：微積分、線性代數、概率與數理統計，但不要進行太深入的學習。關於深度學習與機器學習的教材中都會提及相關數學基礎的要求。不過針對像我這種已經把大學知識忘記的差不多的人群，還是先找一些科普類或入門類的書籍墊墊底，要不然直接看書全都不懂...
第二步：學習機器學習與深度學習理論，同樣不需要學習的太深入。因為我還沒有學到這裡，也就不發表什麼看法了，不過，我個人也只想對這兩種理論建立最基本的理解而已。
第三步：了解後面這些名詞的基本概念：AI、AGI、ML、DL、NLP、NLU、CV、MV、ASR、TTS、知識圖譜、區塊鏈；
另外（第四步），學習簡單編程技術，找到可以演練的場景，進行簡單演練嘗試（註：這不是AI產品經理的普遍需求，只是我個人興趣）。
好了，其實我目前也處於「自學與演練」狀態，下面我把選擇好的書籍給大家分享一下，包括已經研讀的或準備研讀的書籍列表：
科普——人工智慧未來的腦洞：《三體1,2,3》、《未來簡史》、《奇點臨近》、《機器人時代》
科普——人工智慧發展：《失控》、《智能時代》、《人工智慧：李開復談AI如何重塑個人、商業與社會的未來圖譜》、《科學的極致-漫談人工智慧》、《終極算法》
數學類：《數學之美》、《7日入門微積分》、《程式設計師的數學》(簡單數學入門)、《程式設計師的數學-2》(概率與統計)、《程式設計師的數學-3》(線性代數)
機器學習類：《圖解機器學習》、《機器學習-周志華》
其他AI類：《人工智慧：一種現代的方法》
編程實戰類：《白話深度學習與TensorFlow》、《TensorFlow實戰》、《Python編程 從入門到實踐》
最後，在推薦兩個網際網路上比較火的資源：
吳恩達在163課堂上的深度學習課程與coursera上的機器學習課程，這兩種課程都是免費的哦。
黃釗團長在飯糰發起的「AI產品經理大本營」。
6、我的學習情況與計劃
文章的最後，我把自己當前的學習情況與計劃為大家分享一下。雖然我已經開始學習了2個月的時間了，但由於行業處於起步階段，很多信息也不好收集，進展也就相對較慢。因此，希望有更多的朋友一同學習一同分享，也期望能用我總結的成果為大家在探索學習的過程中節省下一些時間。
看完的書籍：《三體1,2,3》《失控》《未來簡史》《奇點臨近》《科學的極致-漫談人工智慧》《終極算法》《機器人時代》《人工智慧：李開復談AI如何重塑個人、商業與社會的未來圖譜》、《7日入門微積分》、《程式設計師的數學》、《智能時代》
正在學習的書籍：《程式設計師的數學-3》、《Python編程 從入門到實踐》
計劃要看的書籍：《程式設計師的數學-2》、《數學之美》、《機器學習-周志華》、《白話深度學習與TensorFlow》、《圖解機器學習》、《TensorFlow實戰》、《人工智慧：一種現代的方法》
準備要學習的技能：深度學習
我已經開始學習數學基礎了，然而我也不知道選擇的書籍資料是否能夠覆蓋住機器學習與深度學習的數學基礎，等後面我驗證完，會給大家分享結果的。
另外，因為我有6年左右的java編程基礎，因此我也想嘗試一下python編程，純屬於我個人愛好，我也是有想法讓自己能夠編出點小玩具，來演練一下。
在轉型AI產品經理的道路上，我已經開始了。後續，我會督促自己不斷將我認為有意義的書籍與相關資料整理好分享給大家。如果您對AI產品經理感興趣或有相關疑問，歡迎交流，我們一起討論，希望有更多的夥伴一起學習、互相促進、相互研討。這樣才能進一步加快我們轉型的步伐！祝我們一切順利~