人工智能「风口」，先行者为什么是搜索引擎
为什么是这些搜索引擎公司成为“人工智能”战场的先行者？仅仅是因为这些搜索引擎公司技术出众吗？还是说只有这些公司看到了人工智能是“风口”？
从2016年起，人工智能无可争议地成为最火的领域，前有Google的AlphaGo，后有百度的度秘、小度机器人，微软必应搜索在2015年推出的小冰也是新闻不断。一系列人工智能产品的推陈出新，令人眼花缭乱，一时间给人感觉人工智能遍地开花。但是我们发现，这些在第一股浪潮中就勇敢地押宝人工智能赌未来的科技公司，几乎无一例外都是搜索引擎公司（Google、百度），或是拥有强大的搜索引擎技术支持的公司（微软）。
很有趣，为什么是这些搜索引擎公司成为“人工智能”战场的先行者？仅仅是因为这些搜索引擎公司技术出众吗？还是说只有这些公司看到了人工智能是“风口”？
今天，我们就简单讨论一下这个问题。
作为产品经理，我会尝试从商业模式、技术优势、发展路径等方面来进行综合分析，希望通过一种逻辑性的推理来判断其背后的秘密。
搜索引擎公司在商业本质上是广告公司看一家公司是什么公司，并不仅仅是通过其做什么产品来判断，而是通过其商业模式来分析，这家公司在哪个赛道上如何赚钱。
一款优秀的搜索引擎，它连接了普通用户和网站网页，用户可以轻而易举且免费地搜索到想看的网站和内容，而这些网站的内容被搜索引擎检索到，通过搜索引擎技术呈现给用户。这种产品是典型的工具型产品，连接信息的供需两端，通过运营形成大量的搜索用户流量和用户行为数据。
搜索引擎在积攒这些流量的过程中，逐渐开始考虑将这些流量变现。此时，搜索引擎公司会尝试拉入第三个边——广告商。广告是一种标准的通过流量产生传播价值，并寻求广告主为这种价值付费的一种商业模式。比如，百度自建的内部流量数据平台和外部流量的数据管理平台，搭建的一整套广告系统平台，为百度在广告模式下创造了巨大的商业价值。
此时，我们再去看搜索引擎，其实是一种连接普通用户、网站网页、广告商的商业平台，通过补贴普通用户（免费使用产品）来提升用户流量，然后再拉广告主入局买单。所以，搜索引擎公司必须要不停地通过各种产品、运营、渠道来拓宽自己的流量，并从中积累丰富的用户行为数据，将这些数据的价值体现在流量上，从而形成高质量的广告价值，确保自己的商业利益。而且，因为搜索技术和数据技术的积累，这些搜索引擎公司会介入到外部产品流量的整理，搭建用户更为丰富的跨域数据。这种商业模式，直接帮助搜索引擎公司在过去十几年里赚翻，日赚斗金不过如此。微软必应搜索在市场占有率只有20%时，就已经实现了正向现金流盈利，可见搜索广告的盈利能力之出众。
这便是我们所认识的搜索引擎公司在商业上的本质。
搜索引擎公司为什么会寻求新增长点既然搜索引擎公司已经在搜索广告挣得这么多，为什么还要寻求新增长点呢？
这个问题比较复杂，我们常说任何一家公司要基业长青，必须要不断创新，不然就会被市场抛弃。这种抛弃其实映射出来的就是，原有的商业模式中，某一些关键项发生了变化，可能是获客方式改变了，导致成本增加，也可能是技术成本下降、交易路径变短了，导致市场壁垒降低，竞争增强。无论是哪一种，其背后都是市场的瞬息万变，我们想要搞明白搜索引擎公司因为是遇到了什么问题才会寻求新的增长点，就来看看它的商业模式会如何变化。
搜索引擎公司遇到的挑战：线上流量红利消失，商业模式短板显露。
互联网发展到今天，所有人都清楚线上流量红利已经几乎消失，许多流量平台的增长同比为负，甚至有些流量平台已经出现负增长。今天的阿里、腾讯都在争夺线下的零售交易市场，那是因为线上零售交易只占据全国零售市场的15%左右，而且增长疲乏，其他大到85%的交易都发生在线下。
线上流量红利的消失，对于搜索引擎公司带来的挑战就是未来营收增长空间变小。
举例来说，能够为百度带来最大广告价值的两个内部流量产品，分别是百度搜索和手机百度助手，这两款产品分别通过信息流广告和App分发为百度赚得盆满钵满。可是线上搜索流量已经开始萎缩，用户获取信息的途径已经从单纯的搜索向各种渠道渗透，用户已经可以从社交平台、自媒体渠道等多种产品渠道获得信息（百度自做Feeds流也是为了对抗这种变化），搜索引擎的优势在萎缩。
此外。从网易Q4的财报可以看出，好的手机游戏产品已经不再依赖分发渠道，App分发渠道的价值已经在萎缩，这背后映射出App的市场趋于饱和，增长模式在改变。
从如今百度的市盈率和此前的季度财报看，百度的营收增长已经出现疲软。
此时你可能会问，百度难道不能从其他产品的流量中获取变现盈利吗？
百度目前最大的流量除了百度大搜索之外，还有类似知道、百科、文库、经验等知识类垂直搜索，以及像贴吧、地图、外卖等大流量产品，原本按理说这些产品应该为百度带来巨大的流量红利，实则不然。
先看百度这些知识类垂直搜索产品，其本身的流量是从百度大搜索分出来的，而他们本身也是搜索的一部分，没有成为独立入口为百度大搜索贡献流量，也无法脱离百度大搜索独立变现。
而像贴吧、地图、外卖等远离搜索模式的产品，其本身的流量变现就与现在百度的商业模式不同，这些产品本身变现的难度颇大，而且因为远离搜索模式，为百度大搜索导流的能力也有限。
所以，百度遇到的问题是几乎所有的搜索引擎公司都会遇到的问题，搜索引擎商业模式对于流量的依赖性极强，迟早会有流量瓶颈。
搜索引擎公司的积累有哪些看完搜索引擎公司如今的增长瓶颈，我们回过头来看看，搜索引擎公司的积累有哪些，这些积累是否可以帮助搜索引擎公司寻找新的增长点。
有人说，搜索引擎公司积累的是技术，因为单从名字来判断，“搜索引擎”听起来就很Geek范儿，技术积累一定是最丰富。其实，这并不全面。
搜索引擎的积累搜索引擎公司积累的是商业模式之上的数据、技术和渠道。
首先是丰富的用户数据
可以不夸张地说，凡是做广告的平台，他们手里的用户数据是非常丰富的。在搜索引擎的商业产品体系中，其数据管理平台中的海量用户行为数据囊括了其所有产品中用户行为数据，以及外部跨域产品平台的用户数据。这些丰富的数据确保了搜索广告在定价上拥有足够的话语权，数据越丰富，广告就可以卖得越贵。
其次是技术的积累
可以肯定的是，技术积累是搜索引擎公司最实实在在的积累。这些技术包括了大数据分析技术、广告技术、深度学习技术、神经网络技术等与数据相关性极强的技术，过往搜索引擎公司的产品、营收等各方面可以看出，如此巨大的盈利能力，一定是建立在极其强大的数据技术积累之上的。比如，因为百度的营收主要来自广告，据称百度内部曾经最复杂的一个工程项目就是“凤巢”，而凤巢涵盖了大数据技术的方方面面，这种量级的数据技术积累绝非一朝一夕。
最后是渠道的积累
在广告的售卖体系中，包括了供应端（广告位）、需求端（广告主）、各级别各渠道代理商、各种体系下的广告平台系统，这些资源的有机结合，是确保整个广告售卖体系利益分成、良好运转的前提。搜索广告的良好运转，需要在供应端、需求端、中间代理等各个环节都积累丰富的渠道资源和利益分配策略，这种积累形成一张巨大的利益供应链网络，而这些搜索引擎公司牢牢掌握着这张供应链网络，这些渠道资源是能够帮助搜索引擎公司在新的增长点上持续实现商业模式的延展。
商业模式是迭代创新，不是另辟蹊径有人说：创新的商业模式等于自杀。
当一家公司已经在成型的商业模式上成长起来，他是不可能将自己的优势推翻重来的。我们看微软，40年的发展中，它的商业模式一直是ToB来进行软件或服务的售卖，它一直在迭代自己赚钱的方法，但在模式上依然保持最初的样子。
搜索引擎公司也不例外，它们需要的是商业模式的迭代创新，需要在利用数据进行广告盈利这条路上，持续深化。
如果要让广告盈利的模式深入，可能有至少两种办法，一种是扩大流量范围，以前只有线上这些流量，现在可以将流量拓展到线下；另一种是将数据价值提升，比如说，过去的数据体系中，一个用户的单次点击价值10元，而有没有可能在新的数据体系中，将这个价值翻到20元。
无论选择哪一种方式，都是可以在原有的商业模式上持续深入拓展。作为搜索引擎公司，究竟是选择扩大流量范围，还是提升数据价值呢？
在进行深入的讨论之前，我们先来聊一下人工智能产品是怎么一回事。
什么是所谓的人工智能产品？人工智能这个问题太大了，聊复杂的技术问题不是我的知识体系能够cover的，所以我们在这个地方只聊人工智能产品。
在工程技术的世界里，认为大部分（或者几乎所有）的技术都是基于搜索技术建立起来的，而搜索带来的海量数据积累，又能够构建一套基于海量数据的数据统计分析，从而能够为一些应用场景下的关键决策带来指导和支撑，这种产品模型有一个通用的名词，叫做大数据运算。而那些基于大数据运算所做的几乎所有的场景化产品，都可以被称作人工智能产品。
举个例子来说，当一家企业积累了超过10年的行业数据，这些数据涉及交易、记录、财务、仓储、物流等等方方面面，普通的算法已经处理不了这种复杂的数据体系。此时，大数据可以有效地通过数据统计分析在其中找寻到一些特殊的规律，譬如当运送货物的时间改变时，可能交易数量会产生翻倍的增长。这种通过大数据找到规律，然后加以辅助决策的输出，所构成的产品模型就是人工智能。因为人是不可能找到这种规律，也就不可能做出这种决策。
上面说的这种场景，只是非常浅层次的人工智能产品。在过去这些年，这种应用于企业层面上的智能系统通常被称作BI（BusinessIntelligence），其实已经在一些行业中陆续使用。在过去，BI还没有强力的大数据运算能力，因为十年前云计算还没有如今这么普及，想要进行大规模数据运算是需要依赖小型机或者那个年代的分布式计算的。
云计算的发展，使得数据的采集、处理和分析都变得容易，大数据得以存在于各行各业各种数据体系中，人工智能因此成为了一个火爆的领域。
那么，回过头来再看一眼，什么是人工智能。
我们发现，其实就是基于大数据云计算，对数据进行建模和分析，得出可以指导具体场景下的决策和结果，这样的产品我们就可以称之为人工智能产品。
无论从人工智能的交互模式，还是从其背后依靠的数据积累角度来看，人工智能通过搜索引擎技术成长起来都是顺理成章。微软的Cortana、小冰、百度的度秘，他们都是通过这种人工智能背后的技术达到其产品的输出。
押宝人工智能，不是选择而是必经之路回到前面的问题，在广告盈利模式中，搜索引擎公司会选择扩大流量范围，还是提升数据价值呢？
我们再拿百度举个例子。
如果是前者，百度需要在线下流量中进行广泛布局，可是无论是外卖还是糯米，在线下的流量布局中都不成功，前者干不过饿了么、美团，后者干不过新美大。而且，单纯提升流量，无论从目前百度的积累还是未来的可持续发展，都不是百度的优势。而且要变现线下流量，百度还得有足够的支付入口，这一点还需要百度金融继续努力才行。
所以，百度的选择，只剩下提升数据价值。人工智能有机会帮助百度提升其数据积累的质量，让广告收益的价值提升，甚至深入到广告后的交易之中，极大提升其盈利能力。
从百度看其他搜索引擎公司，我们发现大家所处的境遇都差不多。
人工智能是基于大数据来做的，那么也就说明无论是输入或是输出，人工智能都必须基于大数据来完成。在许多搜索引擎公司的调整中，我们可以看出它们已经在寻求更多的外部场景接入，或者说场景拓展，来加深数据的深度。
我们举一个例子，百度近期推出的DuerOS操作系统（大家可以去搜搜看），可以看出这个操作系统是在各种不同场景下可以接入，从而完成一些功能。比如可以给你播音乐，为你点外卖，帮你控制家里的智能家居等等。这种多场景的接入其实就是一种数据层面上的深入沉淀，一个在百度上搜索过的用户，又用过百度知道、贴吧这些产品，百度大致能够分析出来他是多大年龄、哪里人、什么工作、什么学历等等，这些数据曾经是在线上卖给广告商用来做广告投放的。在DuerOS接入之后，百度又可以拿到这个人家里都是什么电器、每天几点在家、比较在意哪些生活品质、对哪方面的消费比较冲动等等，此时百度不仅可以把这个用户卖得更贵，甚至可以直接介入广告后的消费商品推荐（推荐本身也是搜索技术）。
当我们这么来理解的时候，我们可以脑洞打开，想象一下。
过去十几年，用户流量是通过网页浏览来体现的，而广告投放也是通过网页来承载。但是在未来，用户流量的体现会发生变化，那就是通过智能硬件+人工智能来体现。任何能够接触到C端用户的产品形态都能够被称作流量，一个助手机器人、家里的一台智能冰箱、一个智能手环、一个智能家用机器人等等。因为这种产品变得无处不在，此时一个用户的各方面信息全部被数据化了，那么那个时候的广告投放形式可能会发生翻天覆地地变化，任何形式的人机交互都会变成百度的广告投放承载。曾经只能通过网页来承载广告的形式，可能会变成由一系列人机交互的智能硬件和人工智能产品来承载广告，而智能硬件的商业模式也会变化。
这个时候，我们对比一下，现行体系下的广告售卖是通过流量的筛选，然后进行展现、点击、下载等形式的投放。比如1万次展现卖10万元，预计能够换来1000-10000个真实用户转化，但是这个波动区间太大了，商家想评估成本和再次投放都变得很困难。如果在人工智能新的数据体系下，因为用户数据更准确和深入，所有用户的挖掘变得前所未有地精准，此时想找到10000个用户所需要的数据量是可以精确评估的，比如5万次触达就可以得来这10000个真实用户，此时的广告甚至可以为结果做出承诺，那么一条广告可能可以卖出更贵的价格，比如获取10000用户花费20万元，相比之前的10万元获取1000-10000人，这种投放策略更加精准，而商家也更容易去评估持续投放的投入产出比。
这个时候，我们回过头再来看，我们发现搜索引擎公司发力的人工智能场景，其实是在拓展其广告数据的深度和价值，这种背后的新型广告业务模型可能会为其带来翻天覆地的营收变化，这种想象空间地增大，直接提升的是投资市场的信心，增长的就会是其市值。
搜索引擎公司若想完成这一增长，需要有非常沉着的产品研发、技术体系升级、运营管理等策略，这些都不是一蹴而就，而是需要一个相当长的过程，难度巨大。
小结到此，我们便完成了关于“人工智能战场的先行者为什么是搜索引擎公司”这个话题的简单讨论。从商业模式的角度去分析，人工智能是搜索引擎公司的必经之路，而非押宝这么简单。我们分析的方法，不是通过表面上看到的浅层次产品关系，或是一些无关痛痒的八卦传闻，而是通过商业逻辑的角度去分析。
对于产品经理而言，不懂得商业模式，只能是一个初级的产品功能设计者。
作者：帅帅的帅，“优护家”联合创始人；前微软小冰高级产品经理
本文由作者@帅帅的帅原创发布于人人都是产品经理，未经许可，禁止转载。
四步成为人工智能产品经理
图1
数据由行业产生，人工智能产品经理需要拥有敏锐的数据洞察力，这样才能在众多业务数据中梳理出有价值的数据信息；算法在没有使用场景时，只是一些数学公式，行业就是算法的使用场景，算法过程需要根据使用场景而改变，这样才能更好的服务于场景，数据是算法血液，算法中的很多参数是依靠数据训练而得到；沟通是产品经理的固有技能，人工智能产品经理的沟通需要根据自身对行业、数据、算法的理解，与开发工程师、运营人员及行业专家等不同角色进行交流，才能有效的调动资源；懂行业是做产品的基本素质，产品使用场景、商业模式都源于对行业的认知。数据是人工智能产品的基础，人工智能产品经理必须懂得如何利用数据去构建产品。懂数据经常与懂行业相伴相生，数据毕竟来源于行业，所以数据自然带有行业的一部分特征。
人工智能产品经理的数据认知，主要体现在以下三个方面，如图2所示：
图2数据认知的三个方面
1.懂数据的业务内涵
数据业务内涵是指数据在业务中的意义。
无论是做数据分析，还是做人工智能产品，首先要搞清每种数据的含义——数据通常来讲能够反应出某项业务或某类业务，模型的构建过程也是对业务关系的梳理。懂得数据业务内涵对也有有利于掌控数据标注的相关工作。
2.懂数据属性
数据属性是指数据本身的特征，数据属性包括数据类型、数据质量等不同维度的属性。
（1）数据类型很多，有图像数据、文本数据、声音数据等，每种数据类型具有不同的分析方法与建模方法。
图像数据可以采用卷积神经网络进行处理，文本数据可以采用决策树以及马尔科夫链模型进行处理。
（2）数据质量包含的内容较多，包括数据真实性、数据结构化程度、数据异常情况等。不同质量的数据处理过程也不同。大多数情况下，非结构化数据需要转化为结构化数据后才能构建模型。
3.懂数据处理的技术与流程
数据处理是指将原始数据变为对特定场景下有价值、有意义的数据形式。人工智能产品经理应该掌握数据处理的技术与流程，数据治理在整个数据科学中占有基础性的地位。
人工智能产品经理首先需要对数据进行整体评估，确定数据是否能够满足业务需求，评价数据质量等相关情况。在对数据充分认知后，才能够进行数据处理与建模工作。
二、如何理解算法
人工智能产品经理需要参与算法的设计过程，所以必须深入了解算法原理。懂算法可以更好地与算法工程师沟通，并且能够知晓不同算法的应用场景。
1.普通产品经理工作流程
熟悉普通产品经理工作流程的人都应该清楚，普通产品经理主要以提出需求为主，他们撰写产品需求文档提交给开发工程师，由开发工程师应按照需求文档的内容进行开发。
普通产品经理的工作模式是制定一个产品开发的目标，由开发工程师去完成这个目标。
普通产品经理以“目标”为导向来参与产品研发，他们制定产品功能的目标，为最终结果负责。对于具体“目标”的实现过程，普通产品经理很少参与，大部分由开发工程师完成。
2.人工智能产品经理工作流程
人工智能产品经理需要懂算法，这样才能参与产品功能的实现过程。
在产品开发的过程中，人工智能产品经理始终参与算法的研发，一直需要与算法工程师保持紧密的配合。
人工智能产品经理需要针对行业特征进行技术预研，评估哪些算法适合产品的应用场景。算法模型的训练以及训练数据的准备工作，都需要人工智能产品经理参与。
首先，人工智能产品经理会提出产品需求，在提出产品需求后，他们会帮助算法工程师寻找合适的路径去实现。
人工智能产品经理不仅要撰写需求文档，还需要撰写技术文档，通过自己对技术和行业的了解，在需求与算法间建立一栋桥梁，提出最佳的算法及技术实现路径。
人工智能产品经理更多地参与产品“目标”的实现过程过程，是以“过程”为导向来参与产品研发。
由此可见，人工智能产品经理需要懂技术，这样才能顺利进行技术预研，并保证与算法工程师沟通顺畅。
基于行业特点，人工智能产品经理首先需要确定“哪些是分类问题？哪些是预测问题？解决这些问题适合用什么算法？”，这些都需要与算法工程师深入的沟通，沟通的基础就是对算法的理解。
通常情况下行业问题都比较复杂，很难用单一的算法满足需求。人工智能产品经理需要探索如何组合不同的算法来满足行业需求。
算法就像积木，人工智能产品经理需要根据行业需求的特点，去将算法积木搭建成相应的形状。只有人工智能产品经理懂得算法原理，才能知道如何利用算法满足行业需求。
图3人工智能产品的算法设计路径
在产品构建过程中，人工智能产品经理参与算法设计的路径如图3所示：
第一步，需求确定。确认需求是一个反复的过程，首先通过自己对行业的了解提出需求，之后要通过访问行业专家或用户调研确定需求。第二步，算法设计。算法设计考虑的维度较多，首先要将需求分解成几个部分，分析这些问题属于哪类问题。如果是文本分析问题，可以考虑使用长短时记忆神经网络解决；如果是策略规划问题，可以考虑用强化学习解决，除此之外还需要考虑数据的情况。综合以上各种情况确定使用何种算法。第三步，算法讨论。将算法设计的思路与算法工程师讨论，共同完成算法的实施路径。第四步，算法确认。算法达到三个要求可以认为完成了算法确认。其一，能够满足也业务要求；其二，在现有资源环境下可实施开发。当算法得到几方确认后，便可以开始实施开发。第五步，算法验收。算法在实施过程中会有非常多问题存在，需要真正完成开发才能知道效果如何。在算法模型与真实业务系统完成对接，运营环境、运维等工作都得到确认，并确定算法模型能够达到需求之后，算法验收工作才能结束。算法模型就像产品一样，同样是一个不断改进更新的循环过程。在这个过程中，伴随着硬件的升级，新模型的设计思路，甚至新业务数据的加入，算法只有不断改进才能更好的符合业务需求。
三、如何进行沟通
人工智能产品经理作为需求、算法、项目三方的协调者与管理者，尽量采用专家方式沟通会更有效。
所谓专家式沟通主要强调沟通者以专家的身份，有理有力有节的阐述观点进行沟通。
人工智能产品经理与别人沟通时，需要具备以下3个特点，如图4所示：
图4人工智能产品经理沟通要素
（1）专业性是人工智能产品经理的立命之本
无论是对于行业还是对算法，以及在规划功能和设计流程时，都应该始现自己的专业性。只有突出专业性，才更容易取得信任。
（2）条理性是人工智能产品经理在一切沟通时的原则
无论什么样的沟通首先阐述结论，在阐述理由，同时说明问题的背景及相关说明。沟通时，必须做到条理清晰，阐述理由时尽量使用推理演绎的逻辑路径，能够用图表达的尽量不要用文字。
（3）广博性是人工智能产品经理个人魅力体现
需要人工智能产品经理有广阔的知识面与变通能力，针对不同的沟通对象尽量使用同样的语言，或类似的思考路径进行沟通，否则很容易产生无效沟通，而浪费了大量的时间。
人工智能产品经理沟通对象很多，所以需要有足够的知识储备，所以尽量做到懂算法、懂行业、懂设计、懂运营的综合人才。
人工智能产品经理最重要的沟通对象是算法工程师。吴恩达在NIPS2016演讲中提到了人工智能产品经理的角色定位，强调人工智能产品经理是用户与算法人员间的桥梁。
由于算法工程师并不很了解行业，如何将行业内容用算法语言描述给算法工程师是十分重要的，这种沟通我们称之为“转译”。
转译就像是一个翻译过程，将不同两个领域的术语翻译给对方。人工智能产品经理进行转译时，需要注意以下几个要点：
1.沟通行业背景
人工智能产品经理具有行业背景，与算法工程师沟通时，尽量使用对方能够听懂的语言，解释产品给行业带来的价值。
首先双方应该沟通产品的行业背景，能够使算法人员对整个产品有更全面的了解，有利于代码质量的提高。
2.说明产品价值
首先将沟通的最终目标解释给对方，让对方明白这件工作的意义。
例如在与算法工程师沟通时，首先让对方明白我们需要实现产品功能是什么。在了解产品功能之后，再进行算法方面的讨论。
3.产品功能分解
产品功能通常由很多小的功能模块组成，人工智能产品经理需要根据自己对行业的理解，将产品功能进行模块化拆分，与算法工程师针对单个模块内容进行沟通。
4.给出数据例
数据例指的是训练数据的数据样例。人工智能产品经理需要负责数据的协调工作，应该尽快让算法工程师看到数据例，这样能节省很多沟通的时间。即使现在没有足够的数据，数据的基本情况也要尽快与算法工程师沟通。
5.提供算法方案
人工智能产品经理需要进行技术预研，应该首先提出一套算法方案用于和算法工程师交流。该算法方案包括建议使用的算法类型、数据处理方案等。这样可以就具体的算法路径进行讨论，提高了沟通的效率。
6.案例
下面以一个行业壁垒的很高的产品为例，说明人工智能产品经理如何与算法工程师进行沟通。
【例】笔者一直从事分子质谱（MS）模拟相关产品的研发，质谱（MS）是一种分子检测的技术手段。该产品涉及到多个学科交叉，并且专业度极高，需要人工智能产品经理与算法工程师进行良好沟通协作。分子质谱模拟产品沟通路径，如图5所示：
图5分子质谱模产品沟通路径
第一步：沟通行业背景
分子质谱模拟产品主要用于医药、化工行业，主要用未知分子的鉴定工作。该产品主要为医药领域研发人员提供结构鉴定帮助。
当一个新物质诞生时，我们并不知道它的分子结构，但是我们可以利用一些手段将这个分子打成碎片，由于碎片分子的结构相对比较简单，所以通过碎片分子结构去回推出新物质分子的结构。
我们能提取到的碎片分子信号，称为质核比(m/q)，是分子质量与其所带电荷的比值。本产品需要根据碎裂的规律构建模型，通过碎片分子的质核比推断出新物质分子的结构。
本阶段沟通的目的，为了使算法工程师对产品与行业有一个大概的认知。
第二步：说明产品价值
该产品的核心价值用于进行未知物检测——通过未知物的质核比的信息，推断出未知物的分子的结构。
以往对未知物进行推断，都是通过人的历史经验来完成，本产品价值在于通过人工智能技术，取代人来进行分子结构推断。本阶段沟通的目的，为了使算法工程师明确产品能够解决的问题，以及开发该项目的原因。
第三步：产品功能分解
未知物分子的推断过程，主要分为3个步骤：
第一步，首先确定未知物分子的各类原子个数，确定未知物的分子式/第二步，寻找比较有特征的数据，这些数据对应着某种固定的分子结构，如果能找到这些特征数据，则证明这个未知物分子中存在这样的结构。第三步，根据数据特征，找到全部可能的结构。第四步，将这些找到的结构组合，推断出可能的未知物分子结构。在和算法工程师解释基本知识后，需要用通俗的语言将业务过程阐述出来。第四步：给出数据例
将质谱数据展示给算法工程师，并解释清楚各部分数据的意义。
第五步：提供算法方案
人工智能产品经理应与算法工程师共同讨论，确定各部分功能所使用的算法。第五步能否顺利实施，取决于第三步是否能够使算法工程师理解产品功能。算法的确定需要双方经过多次讨论、尝试才能确定。
人工智能产品经理的沟通更像是一门艺术，不仅仅要做“转译”的工作，还需要与很多角色协调部署工作。人工智能产品经理沟通不仅仅是个人情商魅力的表现，也同样体现了你的行业能力与算法功底。
四、如何理解行业
2017年，吴恩达在高山大学（GASA）作主题名为《探索人工智能》的演讲时，曾经说：
“我经常对很多公司说，如果能够找到一个独立的人工智能团队，就把这些有人工智能力的人放到不同的业务团队矩阵去”。
“我经常对很多公司说，如果能够找到一个独立的人工智能团队，就把这些有人工智能力的人放到不同的业务团队矩阵去”。
这句话足以证明行业对人工智能的重要性。人工智能产品经理是人工智能产品的缔造者，对行业认知程度有则有更高的要求。
人工智能产品经理需要懂行业，这一点在本书很多地方都有体现。懂行业分为2个方面：
首先人工智能产品经理只有懂行业，才能对产品价值有深刻认知，才能知道产品如何满足需求。其次只有懂行业才能懂商业，才能知道产品在行业中如何赚钱，商业利益是产品实现的最终目的。产品最终需要追求商业价值，很难想象一个不懂行业的产品经理，能够设计出给业内人士使用的产品。一个不懂行业的人，更不可能明白一个行业的商业运转规律，以及产品商业化过程都有哪些“坑”。
产品经理需要有商业的前瞻性，才能构建产品价值，并能协调现有资源产生最大的商业价值。
图6行业认知与行业需求
如图6所示，人工智能产品经理只有具备充分的行业认知，才能构造良好的商业模式，才能创造较高的产品价值。产品价值能够满足行业需求，商业模式能够保证产品价值与行业需求间的平衡稳定。
案例
下面以临床科研平台为例，说明行业认知对产品构建的重要性。
【例】临床科研智能平台是针对医院进行临床研究需求所使用的数据汇聚及人工智能算法的集成平台。此类平台主要是解决医院用户进行临床科研的刚性需求，该平台的搭建需要深刻的行业认知，需要熟悉医疗科研的流程与方法，平台架构图7所示：
图7临床科研智能平台系统架构图
临床科研智能平台与医院多个系统对接，将多个系统数据结构化供临床科研智能平台使用。临床科研智能平台上集成了多种算法，为临床原始研究与二次型研究提供了工具。
设计此类平台产品，需要对临床科研具有深度行业认知，对医疗体系数据充分理解。
临床科研智能平台主要解决了医生用户3个痛点：
基于行业的思考，临床科研智能平台不仅能给医生科研带来便利，更能够成为医疗数据走向市场的一个基础。当前为了隐私性等问题，临床数据一直无法走向市场，也意味着医疗数据利用无法快速向前推进。只有进行了良好的商业模式布局，医疗大数据才能更加健康地向前发展，临床科研平台的商业模式如图8所示：
图8临床科研平台商业模式
临床科研智能平台依托承载的临床数据具有极高的价值，针对药企、医院、政府、保险公司都可以形成商业闭环。如果对行业不够了解就无法得到上述产品商业模式，所以人工智能产品经理需要充分了解行业才能构建有价值的产品。
#专栏作家#
白白，人人都是产品经理专栏作家。公众号：白白说话（xiaob-talk）。医药行业资深产品专家，负责人工智能行业类产品综合架构与技术开发。在行业云产品架构，药物设计AI辅助、医疗知识图谱等领域有深入研究。
题图来自Unsplash，基于CC0协议返回搜狐，查看更多