發展手段。創新的結果便是促動企業不斷設計、生產出符合市場需要的新產品，產品創新是企業經營的延續和深入。

但是關于產品創新，我們看到的局面是：大的創新點越來越少，小的創新點都是給行業大佬打工。如果我們所處的行業已經有一個龍頭大哥，你只做些微創新、漸進式創新沒有意義，因為龍頭大哥的抄襲成本太低了，你想顛覆他基本沒有可能。這是目前行業面臨的挑戰和問題。

面對這樣的困境，今天在這里，我想為大家分享一些我對AI創新的看法，幫助大家打破常規創新的思維定式，創造更多的顛覆式創新。

01 為什么我會認為AI讓創新更簡單了

技術與市場并非一成不變，技術一直在發展，而市場一直在調整，兩者都是處于動態演變的過程中，這一點在人工智能領域尤為明顯。

 

技術的發展推動了新場景的出現。新技術的突破，讓人們看到兩個希望，一是原有一些應用場景可以被顛覆式優化，二是會創造出全新的應用場景，產生全新的市場。以往“想做但是沒辦法做”的場景以及“沒想到可以這樣做”的場景，可能只需要一兩年的時間，就出現了更成熟的技術能夠滿足這個場景的需求。

例如圖像識別是一項廣泛應用在我們生活中的人工智能技術，在2012年以前，基于機器學習的圖像識別技術的精確率并不高，所以在當時，圖像識別只能用于車牌識別、符號識別這類簡單的場景。

 

在2012年以后，隨著深度學習技術的崛起，圖像識別技術的精確率有巨大的提升，這時候我們嘗試運用圖像識別幫助我們做更多的事情，例如將人臉識別應用在考勤和車站人流檢測的場景上，甚至是在畜牧業采用豬臉識別實現農場的智慧管理。

直到2015年，對抗生成網絡(GAN)技術將圖像識別的精確率在一夜之間推到一個前所未有的高度，短短幾年時間，圖像識別技術逐漸應用在鑒定、安防以及金融等，對準確度度要求很高的領域，例如假鈔驗真、名畫鑒定等專業場景。

2019年VQ-VAE繼續超越GAN，已經做出了以假亂真的照片，從識別、模仿到創造，技術一直在進步。這就是屬于以前想做，但是沒辦法做的場景，隨著技術的進步被逐漸解決。

今年的疫情，對全人類來說是一場大考，但也是新技術落地的一次機會。

英國倫敦有一家創業公司叫BenevolentAI，他們研究的方向是檢索醫學文獻的系統。在新冠期間，他們利用人工智能算法搜索已知藥物的數據庫，在很短的時間內找到類風濕性關節炎藥物巴利西尼可能是治療新冠肺炎的方法。

 

在3月底的一項試點研究中，醫生對12名患有中度新冠肺炎的成年人使用了巴利西尼，并且服用了抗艾滋病藥物利托那韋，為期兩周時間。另一對照組中，12名同等程度的新冠患者只復用了利托那韋。

根據最近的一份報告顯示，經過兩周的治療后，接受巴利西尼的患者大部分已經康復。他們的咳嗽和發燒都消失了，也不再氣喘吁吁。12個名患者中有7名已經出院。相比之下，未服用巴利西尼的患者仍然有體溫升高，咳嗽等現象，只有一名患者出院。

我們從來沒有想過有一天會通過AI的方式做到對癥下藥。AI把人類無法關聯的藥物數據集合，創造了藥物之間更高層次的關聯。這是技術的進步，帶來的場景變化，讓更多不可能變成了可能。

去年有幸聽了一段前迅雷聯合創始人程浩老師對于產品創新的分享，其中有一個觀點讓我印象深刻。他認為產品創新不是目的而是手段，本質上是達成：

• 極大地提升效率
• 極大地降低成本
• 極大提升用戶體驗

我認為AI技術的出現，恰好能從解決方案層面達成創新的目的，是創新手段的有力武器。

 

國內有一家做AI解決方案的公司叫圖普科技，他們使用AI技術，分析人、貨、場多維度的圖像信息，為線下零售門店提供客戶統計、request分析和支付人臉綁定等功能，幫助線下門店實現門店運營的智能化升級。他們的商業智能方案在線下場景中的準確率達到 90% 以上，另外，通過比對分析用戶畫像和門店內的熱區圖，客戶可以分析門店存在的隱性問題進行調整，從而能提高轉化率。

這種場景是AI技術落地最理想的方式，對于消費者來說，貨物需求精準匹配，減少排隊時間，提升用戶體驗;對于商家來說提升業務轉化率，縮短倉儲庫存的時間，整體經營成本下降。

由此可見，AI技術方案實現的產品創新，通常都能夠帶來5-10倍的提升改進，實現“顛覆式”的極大創新。

02 AI創新的四大方向

精細化，從更細分的場景出發

快遞行業因其作業流程標準化，人力成本高，分揀效率低等特點，一直是AI技術落地應用的重要場景之一。實際上快遞行業通常將快遞分為大件貨以及小件貨，并且會根據產品特點分為貴重物品、易碎品以及普通物品。

 

如果按照傳統的產品設計思路做一個全自動的分揀裝置，我們希望做一個通用型的產品，能夠適應不同的快遞。這就要求我們的分揀裝置有足夠的力量能分出大件貨，同時又有平滑的方式運輸貴重物品或易碎品，甚至于還能應用到別的場景中，例如垃圾的分揀，這種情況是產品經理最喜歡的。但是這對于系統的要求非常高，幾乎不可能完成。

那么在這個場景下我們就不沒法做任何提升嗎?

并非如此。如果我們只針對小件的普通物品，使用AI技術去實現這個分揀裝置，難度則大大降低。可見在細分場景中，AI技術的應用能夠極大地提升當下場景的物流效率。如果我們一開始就想做一個滿足通用需求的產品，可能AI技術并不能給我們提供太大的幫助，因為你會遇到種種限制和困難。

只有將大的不確定性不斷細分，才能找到技術與場景相匹配的部分，再通過不斷的演進滿足我們的需要。精細化建設，是AI產品最大的特點。

個性化，發散式的交互

以往主流的人機交互方式是：用戶向計算機發出一個指令，然后計算機返回一個結果。這是一個很具體的過程，明確輸入就獲得明確的輸出。

但是在AI時代，我們可以通過一種發散式、個性化的交互創造出更多充滿想象力的場景。當我們用搜索引擎尋找電影時，我們的核心訴求是找一部“我想看”的電影，而不是增加很多的維度讓我們去選定一部電影。

 

以往我們只能根據影片類型圈定一個范圍，然后再慢慢瀏覽每部電影的簡介或評價，尋找自己感興趣的電影。這種方式非常低效，而且很多時候用戶并沒有一個明確的需求，怎么讓用戶更高效地找到合適的電影是產品經理需要解決的核心問題。

通過AI技術，我們可以告訴搜索引擎，我想看帶有“神反轉”的懸疑電影，或者是直接尋找“長安十二時辰中追擊狼衛的片段”。甚至是在沒有明確觀影目標時，讓計算機根據我現在的狀態推薦一部帶有用戶喜好的電影。

這個過程更像是我在和一位很喜歡看電影的朋友交流，你問他一個問題，他在給你反饋的同時給你很多的意見，同時還會思考你下一步想要什么東西，并且主動提供給你。個性化，是AI產品與傳統產品最大的不同。

智能化，更聰明的解決方案

電話銷售是金融行業傳統而有效的銷售手段，但一直以來電銷的轉化率太低，是各家金融都很頭疼的事情。這個行業的從業人員流動性大，素質層次不齊，所以新人經常會遇到難開口、不知道如何與客戶溝通、找不到合適的銷售轉化時機等問題。

 

目前很多的科技廠商都在使用AI手段輔助銷售，提高業務轉化率，實現從信息化到數字化和智能化的轉型。

目前普遍的做法是，使用AI手段自動分析銷售電話和客服電話內容，自動識別對話雙方身份，將語音文件轉為文本內容。智能判斷用戶需求。并判斷銷售人員電話溝通能力，以及話術技巧。在通話過程中，這類輔助工具還能夠根據客戶的回答，提供交互式的對話引導，解決業務人員開口難、溝通難、轉化難的問題。

另外在傳統電銷過程中，如果坐席在銷售過程中出現違規行為，很容易被客戶投訴。早期金融機構只能通過抽查的方式聽電話錄音判斷這個坐席有沒有出現違規行為，但是這種方式的效率非常低，而且是一種事后的檢測，客戶投訴可能早已發生。

如今，AI技術早已代替人工完成質檢的工作。使用語音識別，判斷通話內容對應的語義，可以高效地檢測所有坐席的違規情況。甚至在通話過程中，實時判斷坐席的談話內容，將違規行為防范于未然。這是AI產品智能化的體現，也是AI產品的價值所在。

終端化，是AI 與產業互聯網結合的發展趨勢

人工智能從提供單純軟件能力向智能前端產品、智能邊緣產品和智能服務器等軟硬一體解決方案延伸成為顯著趨勢。

這與技術價值實現的兩個特點密切相關：

• 一是數據是訓練算法的必要條件，IoT整體解決方案從真實應用場景中回流的海量數據成為算法的突破口，也為更適應細分業務需求的新算法孕育打下基礎;
• 二是僅依靠純軟件形式，往往出現算法效率打折扣、落地性差的問題，AI要突破“實驗室產品”的局限性，真正為業務帶來價值，需要向前一步與硬件和物聯網體系融合，實現商業化。

同樣在物流運輸行業，我們見到越來越多倉儲機器人的身影。

 

靈動科技是一家實現量產和商業推廣的視覺AMR(自主移動機器人)企業，年產能數千臺。他們生產的倉儲協作機器人目前已經在德國和日本客戶倉庫上線運行，實現了單件揀貨成本下降30%以上的運行效果。

在技術層面上，該產品的主要傳感器是數顆普通的攝像頭，通過深度學習算法進行環境理解，并通過算法進行自主定位和路徑規劃，擁有超多線激光雷達方案的定位導航和避障能力。依托已實現模塊化的機器人開發平臺，靈動能夠快速將視覺AMR技術方案賦能機器人產品，憑借數顆攝像頭，實現叉車在倉庫內的無人駕駛。

可以預見的是，AI技術與產業互聯網的結合，是整個行業大發展的趨勢。越來越多的終端機器人被應用在制造業中，從自動化到自主化，我們一直在努力，期待AI技術能夠發揮更大的價值。

AI 2.0 深入多學科研究

隨著人工智能技術的發展，跨學科研究也成為了今年的熱門。AI 的身影，頻現于醫學、腦機接口乃至數學研究當中。

 

在腦機接口的研究中，科學家們設計了一種可以將大腦信號轉換成語言的裝置，不需要開口，使用深度學習技術就能直接讀懂大腦，解碼腦中所想，實現流暢交流。

想象一下，倘若霍金健在，在這種技術的幫助下，他可能再也不用艱難地活動臉頰上的肌肉來拼出單詞，AI能真正幫助他重新“開口”，傳播智慧。

在醫學領域的研究中，來自德國的研究團隊開發了一種基于深度學習的新型算法DeepMACT，這種技術能夠內在細胞水平自動檢測和分析整個小鼠身體中的癌癥轉移。

基于這項技術，人類能夠看到其單個癌細胞形成的轉移位點，這也是科學家首次完成的壯舉。而且所使用的時間不到一個小時，準確率比肩人類專家，以往如此工作量，讓人類來做可需要數月時間才能完成。效率提高了300倍以上。

03 普通的產品經理怎么做AI創新

在傳統互聯網時代，由于流量效應帶來的紅利，產品經理的工作主要是圍繞著挖掘用戶需求以及提升用戶體驗這兩方面。隨著AI的發展，產品經理也出現了一個細分領域，稱為AI產品經理。他們的工作圍繞著AI技術在場景中的運用而展開，將AI能力作為一種強有力的武器解決問題，讓產品功能具備AI能力從而實現用戶體驗與效率提升。

作為非專業的AI產品經理，應該怎么在日常工作中應用AI技術實現產品創新呢?我有以下幾個建議給到大家：

了解一些最基本的AI技術

作為非專業的產品經理，如果我們想要在我們的產品中運用AI技術，首先我們得了解一些最基本的AI技術原理。雖然AI的范疇很廣，但是一般在工業生產中能應用的主流技術并不多，我們不需要全部都去了解學習。

 

主流且常用的AI技術有計算機視覺、智能語音識別、自然語言處理、知識圖譜以及機器學習五大領域。每個領域下面都有一些細分的研究方向，例如智能語音識別這塊有專門研究語音識別技術的，也有專門研究語音合成、語音翻譯技術的。在這里我不會每一點都過一遍，給大家講基本的技術原理是什么。

但是我能教給大家一個非常實用的學習方法，也比較適合我們這些非專門研究AI的產品經理。

那就是打開百度AI開放平臺以及阿里云、騰訊云的人工智能模塊，從這三個地方去了解每一項技術大致原理是什么，能夠做什么以及主要應用場景都有哪些，通過這樣的方式找到技術與場景之間相匹配的切入點。

 

從技術可行性和行業生態的角度評估新場景

對技術有了一定的了解以后，接下來我們思考的問題是，如何用AI技術去改變過去的場景，甚至是創造出全新的場景。對于剛接觸AI的產品經理，我建議可以從技術可行性以及行業生態這兩個角度去評估新場景的可能性，思考的過程如圖所示：

 

前面我們提到過，AI創新的起點，可以從一個很小的場景開始。先從一個細分場景入手評估做還是不做?如果做的話可以做什么?

有一年我們做平安電話進線導航的優化，當時的背景是平安95511電話系統每天海量進線的導航時長偏高，在這個環節浪費了很多電話費。經過幾輪評估和腦爆以后我們有一個大膽的想法，是利用AI的方式預測用戶進線的意圖，從而減少導航的時間。

一開始我們想做一個極致簡單的方案。電話進來，預測意圖，詢問您是否需要辦理XX業務，回答是的話直接跳轉到該業務線。實際上要去做這件事相當復雜，一方面平安的進線選項高達一千余種，另一方面數據的殘缺以及時效性會影響機器的判斷。

所以我們選擇從一個小的場景開始，從技術可行性以及產能提升方面考慮，只預測進線頻率最高的三十余種意圖。整個呈現的方案不僅是對交互的方式做了設計，也考慮到很多模型缺陷下提升用戶體驗的細節。一個小場景做好了以后，再去想辦法優化下一個小場景，最后組成一個完整的解決方案。

當我們決定對某個場景進行AI升級以后，接下來我們還要考慮升級服務的進入方式，也就是具體的AI技術到底是自研還是和外部廠商合作。我個人的建議是，如果企業的技術儲備能力不足，橫向擴張能力也不大并且非核心場景的情況下，我們盡量選擇市場上成熟的解決方案去做。

除此以外，我們還要從智能化服務提供模式以及市場成長周期兩個方面去考慮。提供模式考慮的主要問題是怎么做?以及實現的難點在哪里?

我們可以參考市場整體發展形勢以及同類競品他們所選策略的優缺點去評估技術實現方案。這樣不至于需要我們從頭開始學習，又能知道成熟的方案都是怎么做的，快速應用到自身的場景中。

從用戶思維轉變為數據思維

在互聯網時代，流量為王，“用戶至上”成為了各大互聯網企業的共識。無論是電商領域還是社交領域，產品經理們每天都在研究用戶的行為與表現，希望以此挖掘用戶內心的想法，創造出滿足用戶需求的產品。

到了人工智能時代，數據為王，數據成為了企業的風向標。我們的產品、用戶都能用數據去描述他，而不是想當然的經驗主義去思考這個用戶要什么。這時候我們有更具象、可量化的方式判斷客戶的需求。

 

過去在銀行場景，我們描述一個客戶的金融屬性，只能根據該客戶的年收入、存款、還款記錄這些客觀維度去判斷是否為他的信用卡套現風險。

現在在AI 技術的幫助下，我們可以使用讓機器去分析人類沒法辨別的數據，通過更精細化的數據結果，分析這個客戶的資產健康狀況，并且給出更為準確的客戶套現風險判斷。

如鄧雄博士所言：人工智能代表了一個大的變革，我們不再把用戶看成中心，以圍繞用戶來開展各種工作。而是把用戶變成數據，將一切用戶行為都變成數據，用數據的方式反映到產品中，這種模式就是數據思維導向的結果。

認知升級，顛覆式創新

在傳統產品創新這塊，梁寧老師曾總結過兩種典型方式。

一種是將另一個領域的知識經驗借鑒到另外一個領域，例如嬰兒恒溫箱最早是借鑒了動物園使用的恒溫箱，從而創造出適合新生兒使用的產品;

另一種是引用跨行業的新要素，讓產品看起來依然是原來的產品，但它實際上已經成為一個新的物種，例如朵亞朵亞酒店采用眾籌這個新要素，這種消費轉投資的方式讓他們成為朵亞最忠誠的客戶，形成商業內核的改變。

而今，AI技術的升級同樣帶動了產品經理的認知升級。我們在產品解決方案上實現的變革是一種顛覆式的創新，這種變革不僅僅是舊元素之間的重組，而是用AI的方式升級新的生產要素。

 

例如，運輸行業的本質是解決運輸的時效問題，從馬車到汽車的過渡，本質上是從動力這個維度提升速度，減少運輸所需的時間。

到了今天，動力并非限制運輸時效的最大問題，可以看到在公路上，限制大貨車時速的主要原因是貨車在高速狀態下安全不可控，速度太快來不及剎車，容易發生車禍。并且貨車司機不能長時間開車，容易造成疲勞駕駛，這些都是限制貨運速度的因素之一。

而大貨車自動駕駛的研究，則是從調度與控制這兩個維度，用人工智能的方式減少人為帶來的負面因素。在這個升級的過程中，“人”這個因素突然顯得并不是那么重要了。過去我們認為必須有車必須要有人去操縱，無論再怎么優化，“人”的因素還是關鍵的瓶頸。現在我們用人工智能去學習駕駛，讓機器自己去操縱汽車。

這種認知升級就是產品經理在對待同一個場景時，從不同維度思考帶來的改變，我們不再是從舊的因素去思考如何提升效率，而是以一種新的方式升級舊的因素。

作者： 阿翹 《100個案例搞懂人工智能》作者，平安科技資深產品經理。主要研究產品策劃、人工智能與互聯網商業。