如果你在網際網路上搜索不同公司對產品經理的崗位描述，你會發現無論在任何行業、任何級別的產品經理崗位中都會出現「需求」這個關鍵詞。
需求管理、需求定義、需求確認、需求跟蹤等與需求相關的職責都是公司對產品經理最基本的要求。原因是產品經理是對公司產品的負責人，而產品是為用戶解決某種特定需求的，因此即使我們來到了人工智慧時代，產品依然是圍繞用戶需求定義的，這個本質是不變的。
網際網路時代，電商平臺的誕生是為了滿足顧客能夠快速、精準的購買到合適的產品，即構建了人與商品之間的關係升級。移動社交平臺或產品是為了降低人與人的溝通成本，即構建了人與人之間的關係升級。醫院的HIS（醫院信息系統）的誕生是為醫院管理和醫療活動中進行信息管理和聯機操作的產品，即構建了醫生、患者、設備的關係升級。
那麼在人工智慧時代的產品本質上是全面優化和提升上述所有場景中現有技術手段，實現用戶的體驗升級和解決方案的效率升級。網際網路時代的產品經理構建的是基礎設施，從人與人、人與物、人與數據的關係的角度構建了橋梁，實質上是優化了信息存儲和互通的方式，因此產品經理關注的主要是入口以及流量的走向。
而人工智慧實際上給人類帶來的是技術創新驅動下的產業升級，本質上更關注產品本身的價值，如圖1所示。
圖1 從網際網路時代到人工智慧時代
重新定義需求分析
人工智慧技術的飛躍發展為產品設計和需求定義帶來了新的思路和邏輯。新的趨勢和變化可以被總結為以下六方面：
1.產品邏輯化繁為簡，用戶學習成本降低
人工智慧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和難度，讓產品的使用過程接近用戶的自然行為。
例如：語音交互產品，與傳統的滑鼠、鍵盤、手機觸屏等交互方式不同，用戶通過說話即可完成喚醒、查詢、關閉和一系列複雜的人機語音交互操作；人臉識別身份驗證，過去登錄產品需要輸入帳號、密碼、驗證碼，現在可以通過在鏡頭前露個臉實現快速登錄。
由於新技術的誕生，產品經理不能用「線性思維」設計產品，需要了解更多的技術可能性，嘗試用「顛覆式思維」設計產品。
2. 從用戶角度考慮投入產出比
人工智慧產品的由於具有更複雜的系統架構和實現邏輯，實現某一功能往往伴隨著高昂的代價，而與此匹配的功能價值卻在很多情況下不成正比。因此對於產品經理來說，選擇更容易展現其商業價值的需求作為產品的切入點很重要。尤其當產品或功能還沒有被用戶認可或當產品屬於一個新的市場中，最終的實現效果和價值都很難預估，產品經理應選擇用戶最「痛」的點或者直接和利益掛鈎的點作為需求切入點。
這道理也闡釋了在製造業中人工智慧產品的落地實踐相對較快的原因，研發的人工智慧產品投入儘管很高，但產生的直接回報對於用戶來說仍然非常划算，如圖2所示。另外，廣告精準投放、電商平臺中的搜索推薦都是效果比較直觀，價值量化相對容易的場景，產品經理應在所處行業中找到這些場景。
圖2 人工智慧在工業場景中的實踐應用
3. 算法可解釋性差，產品需要逐漸獲取用戶的信任
使用到複雜算法模型的人工智慧產品對於用戶來說大多屬於「黑盒產品」，工程師或產品經理均無法很好的解釋實現的原理。在很多領域中對於用戶來說如果不能證明算法的有效和準確性就不會接受付費使用產品，甚至會對品牌產生強烈的牴觸情緒。
例如在某些基於數據挖掘的商品推薦引擎產品中推薦給用戶的商品廣告如果不能讓用戶有被尊重的感覺、或有一種被侵犯了隱私的感覺會遭到投訴或棄用。
人工智慧產品首先需要通過某個具體場景中的預測和推斷能力證明技術實力，進而樹立領域專業形象，步步為營的爭取用戶的信任。尤其當公司和品牌都處於剛起步的階段，更忌諱大步向前，這樣反而容易遭到用戶的拋棄。
4. 傳感器技術的飛速進步，帶來了多元化交互行為
人工智慧與傳感器的融合，產生了良性循環，傳感器採集的數據用來進行對算法模型的訓練，算法模型的完善也提升了傳感器數據採集的效率。
例如在無人駕駛產品中，關鍵系統和解決方案分別是傳感器、高精度地圖、高級輔助駕駛系統（Advanced Driver Assistant System, ADAS）和車聯網。傳感器作為無人駕駛汽車的感應系統，用來接收和感知行駛時環境的動態變化（如圖3所示）；高精度地圖為無人駕駛汽車提供全局視野；ADAS負責對靜態、動態物體進行辨識、偵測與追蹤從而預先讓駕駛者察覺到可能發生的危險，有效增加汽車駕駛的舒適性和安全性；車聯網能夠保證傳感器數據更新上傳，保證無人駕駛汽車的狀況與周圍環境實時處於更新的最新狀態。
正是因為傳感器的技術發展和成本的降低，使得ADAS的部署成本大幅降低。過去ADAS只能安裝在高端汽車上，目前已經被普遍使用在入門級乘用車上。傳感器不僅在機器人、無人駕駛領域有廣泛成功的應用案例，而且日新月異的傳感器也可以為產品設計和定義提供了更大的想像空間。產品經理應學會合理利用多種傳感設備創造更多交互方式來滿足用戶的需求。
圖3 無人駕駛產品
5. 產品的需求並不一定來源於確定的因果關係
在過去，產品經理根據用戶明確的需求設計產品，產品研發出來的結果會和原型設計保持一致。但是人工智慧的產品需要完全不同的思維模式，產品經理不再花大量的時間和資源來尋找確定的因果關係，而是通過大量的數據挖掘手段探索出相關性，並用數據指導產品設計。產品經理的輸出的需求未必是確定的頁面內容，而是一堆規則和策略。
例如，Google Adwords，關鍵詞競價廣告，是一種通過使用Google的關鍵字廣告或者內容聯盟網絡來推廣網站的付費網絡推廣方式，如圖4所示。設計這個產品的產品經理一定不會告訴算法工程師給什麼樣的用戶推送什麼樣的廣告信息，因為產品是「千人千面」的。
產品經理只需要給廣告主提供後臺的推廣喜好配置功能以及推廣效果管理功能即可，至於最終用戶打開的頁面是怎麼顯示的是由算法模型計算後得出的結果，即搜索結果頁面都是基於商家偏好配置和用戶精準匹配算法實現的個性化頁面。
圖4 Google Adwords，關鍵詞競價廣告
產品經理在開始需求定義前充分了解目前技術水平和資源的局限性，避免定義一些研發很難實現的需求。由於一個完整的人工智慧產品體系的搭建通常需要考慮基礎設施、數據採集、數據處理、推理和決策等若干環節，產品最終的實現效果取決於上面所有因素的協同。
例如，設計一個提供多場景複雜交互的機器人產品時，由於對交互實時性要求較高，系統應具備足夠的硬體支撐，包括計算能力（GPU、CPU、FPGA、ASIC等）、儲存能力以及各種智能模組（如視覺模組、語音模組）等，因此需要產品經理在提出需求的同時綜合考慮配套硬體要求。
另外，在不同場景中對算法模型的準確率、召回率的要求大相逕庭，需要在需求設計時區別規定不同場景對算法的衡量標準。