AI产品经理——成长路

 

https://www.cnblogs.com/DicksonJYL/p/9566740.html

 

 

以下都是自己平时知识的一些总结，只是一些个人的愚见，下面出现的公司、书籍、视频、网站都是自己看过体验过的，不是给他们打广告，不是广告！不是广告！不是广告！不同意见的评论区留下意见即可

 

• AI的兴起与互联网

 

１.互联网的红利消失

１） PC端和移动端使用人数固定

目前来看，PC端和移动端的每年出货量都在一个值上下，移动端大概在每年4亿台，PC端更少而且每年还在下降。

２） 大流量入口被巨头瓜分

从平时大部分人的手机端来看，一般人下载的应用就那么几个。

聊天（QQ、微信），资讯（今热头条、知乎、微博），外卖（饿了么、美团）等软件，基本上的移动端流量都被这些巨头给带走了。

３） 获客成本大幅度提高

现在已经不是几个人合作开发个APP就能搞定的年代了，基本上投资家就会问，你是怎样获客的，也就是你能找到你的适用人群吗？怎样让人去用它。

2015年打车大战时，资本投了很多钱，滴滴和快的一年都烧了一个亿用来获客；2016年的共享单车也是一样。随着APP的饱和，即使出现一个很好的idea，你都需要大量的资金去烧。

 

２.互联网对传统行业的改造有限

 

１） 医疗本质

医疗的本质是医生给人看病。但是有一个问题互联网它是解决不来的，那就是全国上下医生的数量并没有因为互联网而增多，数量就那么多。互联网的本质是解决了信息的不对称问题，它把医生和病人连接在一起，但是本质上还是一个医生只能看一个病人，只是效率上略有提高，本质问题并没有解决。

AI可以带来新的可能，未来她可以在很多方面代替医生给人看病、抓药等。从本质上提升了看病的效率。

２） 物流本质

物流的本质上问题也是跟医疗问题一样，也是一个司机开一辆车，并没有从根本上解决这个行业的效率痛点。

３） 制造业本质

制造业从第二次工业革命之后，生产效率就没有大的提升。第一工业革命后，制造业全面升级，伴随着大量手工业者的失业，随之而来的是，蒸汽动力带来的产业链革新；而第二次工业革命是内燃机和电力的普及，带来新的动力，制造业进入飞速发展的时代，从而带来生产力的进步推动社会的发展；互联网带来的三次革命是信息革命，制造业并没有从中获取太多的好处，而AI可以为制造业带来新的可能，大幅度提升生产力。

４） 其他的类似有打车行业、餐饮行业和教育行业等，互联网也都没有对其作出根本性的改变。

 

３.AI有无限遐想

１） 全新的世界

a) 新的交互方式：语音交互，视频交互，手势交互

b) 新的购物方式：虚拟试衣

c) 新的游戏体验：VR/AR带来的新一代沉入式游戏

２） 机会众多

a) 双创带来的AI机会

国家近年来提出的双创计划，鼓励大众创新创业，而且国家最近又将AI列入国家的发展规划之中，可见未来AI将会给年轻人带来很多机会。

b) AI可以带来新的商业模式

看互联网的20年发展史可知，互联网的每一次小小革新都将带来新的商机和商业模式。干爹马云创立淘宝给商家和用户直接的交易带来了可能；小马哥创立的腾讯帝国带来了社交方式的突破，让我明白了“羊毛出在猪身上”的真谛；而最近几年的共享经济模式和直播经济模式又是一个创新的商业模式，并且中国的共享单车被外国人称为“新四大发明”之一。

 

３） 大量的工作机会

a) AI训练师：

这个职业已经在某些招聘网站上可以看到了，而且工资还都不低。

b) 机器人顾问：

我想这个是未来为机器人服务的一个岗位。

c) 虚拟律师：

我想大概将来虚拟产业起来之后，将会有针对虚拟的事物（机器人、智能产品、虚拟的世界NPC等）法律法规，这时这个职业将会应运而生。类似的我猜应该还有机器慰问师等。

d) AI PM：

这个现在应经被大多数科技企业所接受了，也是伴随着AI而生的。

 

４.AI将大规模提升生产力

１） 看病效率大幅度提升

AI创企依图科技已经在和某些三家医院合作，并采用AI系统平台来代替医生对肿瘤等影像图片进行分析了，未来将会在更多的领域协助医生看病分析病情，改变以往一个医生在单位时间内的看病效率。

２） 无人车解决交通物流压力

现如今各大一线城市皆都因为私家车的普及造成交通的堵塞，给大城市的交通运输造成极大压力。电商的发展造成物流的运输压力。

３） 智慧机器人推进制造业升级

智慧机器人的高精度重复作业既降低了企业的人力成本，也降低了人身安全风险，相反却可大大提高企业的生产力。

４） 经济的发展带动文明的进步

AI带来的生产力发展，而生产力又是人类文明进步的推动力，文明发展将会为人类探索未知世界（星空、深海、生命的起源等）带了新的机会和突破。

５） 机器人解决陪伴、护理、客服等问题

 

 

５.AI能为用户打造个性化服务体验

１） 淘宝能够根据个人信息匹配衣服尺寸

淘宝上买衣服众所周知都是看中后询问客服衣服的尺寸及其他的信息，以后则可以利用机器学习建立每个用户的尺寸信息和款式爱好等特征给用户画像，下一次买衣服则不用客服来回答用户的尺寸信息了，直接可以推荐用户的合适款式。

２） 婚恋网站根据用户社交属性打造兴趣朋友圈

婚恋交友网站可以利用用户的数据来训练机器从而建立模型为用户画像，再为用户推荐匹配交友对象等。

３） 点对点式教育促进个性化知识的传播

未来的教育形式在满足普通教育的基础上，人们越来越崇尚个性化的因材施教方案，而只有利用AI为每一个用户个性化打造个性化的教育内容。

４） 百度能根据用户画像，实现精准搜索

这个百度已经在利用了，不需要多说了。

 

 

二、AI  PM的必须

１.算法的开源和数据资源战

１） 谷歌和BAT算法框架的免费

未来的算法和框架肯定都是免费的，这是大公司们的套路，“羊毛出在猪身上”，大公司靠其他业务盈利如云计算等。

２） 技术服务利润窄

３） 数据价值的商业提现

 

２.技术人才不适用于商业发展的需求

１） 推动社会进步的不是技术的创造而是技术落地的实现着

a) 瓦特发明蒸汽机从而进入蒸汽时代推动工业革命

b) 贝尔发明电话打开通讯时代

c) 爱迪生发明电灯从而让人类拜托黑暗

d) 促进信息时代发展的不是互联网的提出者，而是各大科技公司的CEO们

２） AI技术人才的思维并不一定适用于商业模式的探讨

３） 商业落地需要创新意识

 

３.产品的落地需要专业人才探讨

１） 百度引进陆奇

百度AI技术在中国是走在前列的，领先与BAT中的其他两家，然而Robin还是去硅谷请来了陆奇为其开拓AI的落地业务，随之而来的是一大批技术大牛（吴恩达、余凯等）的离去。侧面证明了AI产品人在未来场景落地应用方面的重要性。

２） 智能音箱的落地更需产品思维

在美国的所有高科技企业中，谷歌是以技术见长的在AI方面更是技术人才辈出，然而正如陆奇所说的，在硅谷，AI商业化的落地探寻中，亚马逊才是最成功的（原话不记得了，大概意思是这样），因为亚马逊的智能音箱Echo至少是卖火了的，卖出了AI的概念，让用户知道了有这么个高科技玩意。

 

４.未来的产品涉及到各个方面（哲学、心理、情感）

１） 智能音箱（情感）

智能音箱中的对话情景涉及到人与人之间的情感分析，这些都不是技术人才能搞得定的，所谓术业有专攻，这些情景类的探寻还是需要懂用户的产品人来开拓市场。

２） 虚拟购物（懂用户）

５.细分行业的垂直应用需要复合型人才开拓

１） 陪伴类机器人需要情感交流

２） 智能投顾需要金融知识

３） 智慧医疗需医学知识

４） 无人车商用需要懂人文法律

 

• 未来产品的思考

 

１.未来工具

 

１） 交互工具

人用语音，机器视觉呈现、手表、头盔、眼镜等

２） 交通工具

可能是移动分众平台、星巴克、书房

３） 社交工具

虚拟社区、主题公园、游戏世界等

 

２.AI+行业

 

１） 定义：AI技术没发展之前是没有这个行业的

２） 特点：

a) 行业壁垒较低，和巨头同一起跑线

b) 机会太少

c) 技术要求高，创业团队得高大上

d) 创新思维要求高

３） 应用：

a) 无人车：AI技术发展起来之前，谁敢大言不馋的说无人驾驶。

b) 智能音箱：ASR、NLP没突破之前，智能音箱的概念估计都没人敢提。

c) 城市大脑：计算机视觉和机器学习的突破才让图片分析成为可能，才能帮助治理城市。

d) 人脸识别：这个方向纯粹就是计算机视觉和机器视觉发展的产物。

e) 陪伴机器人：未来机器人发展的必经之一。

 

３.行业+AI

１） 定义：一直存在的行业，AI只是带来产业升级

２） 特点：

a) 有很深的行业壁垒，巨头并没有什么优势

b) 对创业公司更友好

c) 懂AI的行业人才相较AI人才更重要

d) 七成以上的产品落地都在行业+AI上

 

３） 应用：

a) AI医疗影像

b) 无人物流货运

c) AI数据投顾

d) 无人零售

e) AI安防

 

４.方式的考虑

１） 控制方式

未来产品的控制方式将会更加的自然，从以前的少数极客到受过高等教育的学生再到老人和小孩。

２） 感知丰富

a) 输入：多种感知方式的输入，语音、手势

b) 输出：语言、图像、行为

３） 导向：从功能导向到以人为核心

４） 内容

a) 内容标签化、精细化

b) 内容个性化用户画像、精准化

c) 形态：以语音和视频为主体（不再主动寻找）

 

５.产品形态

１） 云端一体：

    a) 端：语音、视觉、行动

    b) 云：数据、算法、服务

２） 形态以方便自然为导向

 

６.应用类别

１） 关键性应用

a) 用户承受要求极高，容错率极低

精确度99%意味着100次出一次事故，99.9%意味着1000次出一次事故，因此技术要求高，非要一些技术大牛坐镇不可，因此对大部分的创业公司不是很友好。

b) 落地应用

    i. 手术机器人

    ii. 医疗影像分析

    iii. 无人飞行

    iv. 智能配药

    v. 无人驾驶

c) 技术要求很高，非高大上搞不定

d) 项目周期长，商业化遥远，盈利遥遥。

 

２） 非关键性应用

a) 落地应用：

    i. 智能安防

    ii. 人脸识别

    iii. 扫地机器人

    iv. 陪伴机器人

    v. 送餐机器人

b) 技术要求不高，能达到通用技术即可

c) 用户承受力期望要求不高

d) 项目周期短，短时间可判断能否盈利，且对广大想要在AI上寻找机会的创业者来说更友好一点，机会跟多一点。

 

四、产品人技能树

 

１.AI发展史

１） AI孕育期（1943-1955）：计算机器与智能的提出

    a) 明斯基和同学造出第一台神经网络计算机

    b) 阿兰.图灵提出图灵测试

２） AI的诞生（1956）：达特矛斯会议几个科学家（麦卡锡、明斯基、香农等）提出了人工之能这个名词，并正式有了概念。

３） 热情与期望（1956-1973）

    a) 西蒙提出物理符号系统

    b) 萨缪尔编写西洋跳棋程序

    c) 算法发明

            i. 贝尔曼公式的提出：增强学习的雏形

            ii. 感知器的提出：深度学习模型的雏形

    d) 人工智能实验室在高校（MIT、斯坦福）的建立

    e) 广泛应用于数学和NLP领域以解决代数、几何证明和英语问题

４） 第一次寒冬（1974-1980）

    a) 逻辑证明器、感知器、增强学习只能够做简单的任务

    b) 数学模型被发现有缺陷

    c) 政府中断合作并转移资金，社会舆论压力

５） AI崛起（1980）

    a) 专家系统的提出

    b) BP算法的提出

６） 第二次寒冬（1987）

    a) 苹果和IBM生产的台式机性能超越专家系统性能

    b) 美国政府项目局否决AI为下一个浪潮

７） 现代AI（21世纪初左右）

    a) 1997年IBM深蓝战胜国际象棋冠军

    b) 2009年罗斯联邦理工学院的蓝脑计划成功模拟部分鼠脑

    c) 大数据导致深度学习兴起

    d) 2011年IBM沃森挑战智力问答节目“危险边缘”夺冠

    e) 2016年阿法狗战胜人类围棋冠军

    f) 2017年AI被列入各大国的战略发展规划中

２.AI通识理解

１） 基础计算能力层：云计算、GPU等硬件加速，神经网络芯片

２） 技术框架层：TensorFlow、Caffe、Theano、Torch、DMTK、DTPAR、ROS等框架或操作系统

３） 算法层（机器学习）

a) 监督学习

i. 定义：已标注的数据为老师，机器得出模型，然后输出预测数据结果

ii. 解决问题

    ① 回归问题

    ② 分类问题

 

iii. 算法模型

    ① 线性回归模型

    ② K-近邻算法

    ③ 决策树

    ④ 朴素贝叶斯

    ⑤ 逻辑回归

 

 

b) 半监督学习

i. 定义：通识使用未标注和标注的数据训练模型来进行模式识别工作

ii. 解决问题

    ① 垃圾信息过滤

    ② 视频网站分析

 

iii. 算法模型

    ① 半监督SVM（支持向量机）

    ② 高斯模型

    ③ KNN模型

    ④ Self-trainning

    ⑤ Co-trainning

 

iv. 优点

    ① 相比监督学习，节约人力成本，提高投入产出比

    ② 相比无监督学习，可以得到分配更高精度的模型

 

c) 无监督学习

i. 定义：不给机器提供已标注的数据，让机器自己对数据进行处理并输出结果

ii. 解决问题

    ① 关联

    ② 聚类

    ③ 降维

 

iii. 算法模型

    ① K均值算法

    ② 自编码

    ③ 主成分分析

    ④ 随机森林

 

d) 强化学习

i. 定义：机器感知环境的正状态转移时会反馈给机器的一个奖赏，使机器学习朝着正信号趋势学习，从而使累积奖赏值最大。

ii. 解决问题

    ① 自动直升机

    ② 机器人控制

    ③ 手机网络路由

    ④ 市场决策

    ⑤ 工业控制

    ⑥ 高效网页索引

 

iii. 算法模型

① K-摇臂赌博机（单步强化学习任务）

    1. ε-贪心算法

    2. Softmax算法

 

② 有模型学习（多步强化学习任务）

    1. 基于T步累积奖赏的策略评估算法

    2. 基于T步累积奖赏的策略迭代算法

 

③ 免模型学习

    1. 蒙特卡罗强化学习

        a) 同策略

        b) 异策略

    2. 时序查分学习

        a) Q-学习算法

        b) Sarsa算法

④ 模仿学习

 

e) 迁移学习

i. 定义：指从一个领域的学习结果迁移到另一个学习领域

ii. 解决问题

    ① 终身学习

    ② 知识转移

    ③ 归纳迁移

    ④ 多任务学习

    ⑤ 知识的巩固

    ⑥ 上下文相关学习

    ⑦ 元学习

    ⑧ 增量学习

iii. 算法模型：TrAdBoost算法

 

f) 深度学习

i. 定义：多层神经网络

ii. 解决问题

    ① 预测学习

    ② 语音识别

    ③ 图像识别

 

iii. 算法模型：RNN、DNN、CNN

 

iv. 优点

    ① 从特征中检测复杂的相互作用

    ② 从几乎没有处理的原始数据中学习低层次的特征

    ③ 处理高基数类成员

    ④ 处理未标记的数据

 

 

４） 通用技术层

 

a) 语音识别（ASR）

i. 概念

① 原理：输入——编码——解码——输出

 

② 识别方式

    1. 传统识别：一般采用隐马尔可夫模型HMM

    2. 端到端识别：一般采用深度神经网络DNN

 

ii. 远场识别

    ① 语音激活检测VAD：远场识别信噪比（SNR）比较高

    ② 语音唤醒：智能设备需要语音唤醒词来使其工作

 

③ 难点

    1. 唤醒时间：用户发出语音到设备响应用户所花时间（目前还是略长）

    2. 功耗：目前功耗并不低

    3. 唤醒词：一般在3-4个字

    4. 唤醒结果

        a) 漏报：喊他他不应（唤醒词字数太多容易发生漏报）

        b) 误报：没喊他他应（唤醒词字数太少容易发生误报）

 

iii. 麦克风阵列

    ① 背景：在复杂的背景下经常有各种噪声、回声、混响来干扰识别场景此时需要麦克风阵列      来处理杂声。

    ② 作用

        1. 语音增强

        2. 声源定位

        3. 去混响

        4. 声源信号的提取和分离

    ③ 分类

        1. 线性：一维（180度）

        2. 环形：二维（360度）

        3. 球形：三维空间

    ④ 个数

        1. 一般常用为2、4、6麦

       2. 单麦、双麦、多麦在嘈杂环境下拾音效果差距较大

        3. 5麦和8麦在安静环境下效果相当

iv. 全双工

    ① 单工：A和B说话，B只能听A说

    ② 半双工：A（中路miss了，下路注意了，完毕）  B（下路收到，完毕）

    ③ 全双工：两人多轮对话，可插话和打断

v. 纠错：对识别的语句进行纠错

b) 自然语音处理（NLP）

i. 过程

    ① NLU（自然语言理解）

    ② NLG（自然语言生成）

ii. 难点

    ① 语言歧义性：意思意思（到底是什么意思，机器无法弄明白）

    ② 语言鲁棒性：句子多字少字错字，语法错误（这个人都经常出错，机器现在还无法搞定）

    ③ 知识依赖：苹果（这个到底指“水果”还是指“手机”）

    ④ 语境：上下文的语境分析（她走了——她到底是哪个呢）

iii. 解决方法（这个太多了就不细说了，深究的同学可自查资料）

    ① 规则方法

    ② 统计方法

    ③ 深度学习

    ④ 关联方法

iv. 应用

    ① 句法语义分析

    ② 信息抽取

    ③ 文本挖掘

    ④ 机器翻译

    ⑤ 信息检索

    ⑥ 问答系统

    ⑦ 对话系统

c) 语音合成（TTS）

i. 实现方法

    ① 拼接法：

        1. 定义：从事先录制的大量语音中，选择基本单位（音节、音素）拼接而成，为了连贯性         常采用双音子（一个因素的中央倒下一个因素的中央）作为单位。

        2. 优点：语音质量较高

        3. 缺点：数据库较大，一般需几十小时的成品语料，企业级商用的话需5万句费用在几百         万。

    ② 参数法：

        1. 定义：根据统计模块来产生每时每刻的语音参数，然后将参数转化为波形，主要分三个         模块：前端处理，建模和声码器。

            a) 这句话的语气语调，节奏，韵律边界，重音，情感

            b) 拼接法和参数法，都有前端处理，区别在于后端声学建模方法。

        2. 优点：个性化的TTS大多是用参数法可节约时间成本

        3. 缺点：质量比拼接法差一些，因为受制于发生算法，有损失。

ii. 评判标准（评判TTS系统的好坏）

    ① 主观测试：人为评测（人为来听）

    ② 客观测试：系统评测（机器评测）

iii. 瓶颈和机会

    ① 数据匮乏（可用的语音数据）

    ② 人才匮乏：TTS人才相比于AI中的NLP和CV类人才太少

    ③ 产品化难度高

        1. 用户预期场景较复杂

        2. 技术现在还有较多难点

        3. 细节设计还需较多斟酌

    ④ 商业化压力

        1. 项目周期较长（这个需要长时间的数据和技术的积累与沉淀）

        2. 细分场景上的切入目前还处于早期阶段，试错成本较高

d) 计算机视觉（CV）

    i. 发展阶段（四个阶段）

    ① 马尔计算视觉阶段

        1. 计算理论

        2. 表达和算法

        3. 算法实现

    ② 主动和目的视觉阶段

    ③ 多视几何和分层三维重建阶段

        1. 多视几何

        2. 分层三维重建

        3. 摄像机自标定

    ④ 基于学习的视觉阶段

        1. 流形学习

        2. 深度学习

    ii. CV应用的处理过程

 ① 成像

 1. 定义：模拟相机原理（怎样把照片的质量进行提升）

 2. 影响图片因素

    a) 光照影响

        i. 从产品角度控制：可以通过提醒来改变用户的使用场景；通过升级或变更硬件设施来             提升产品的体验

        ii. 从算法角度控制：利用算法对图片进行处理来提升图片的质量

    b) 模糊

        i. 运动模糊：人体、车辆、摄像头的移动造成

        ii. 对焦模糊：摄像头的距离、质量和天气等因素造成

        iii. 低分辨率差值模糊：小图放大和摄像头硬件等设备造成

        iv. 混合模糊：多重模糊存在

    c) 噪声、分辨率

② 早期视觉

1. 定义：图片的处理加工过程

2. 图像分割

3. 边缘求取

4. 运动和深度估计

5. 图像拼接

6. 目前问题

    a) 结果不精确

    b) 需要长时间的知识沉淀

③ 识别理解

1. 定义：把一张图片对应到一个文字、一张照片或标签

2. 标签

    a) 越精确对模型越有利，但数据就会越少

    b) 主观因素影响

    c) 细分标签

3. 数据优化

    iii. 研究内容（此部分还未总结完，感兴趣的可自己探寻）

① 空间视觉

② 物体视觉

    iv. 典型物体表达理论

① 马尔的三维物体表达

② 基于二维的图像物体表达

③ 逆生成模型表达

    v. 应用发展趋势

① 人脸识别

② 图片搜索

③ 个性化广告投放

④ 即时定位与地图构建

３.AI产品理解（此部分还未涉猎）

１） 人人都是产品经理（AI时代应该也不变）

２） 产品理解

a) NLP类

i. 对话机器人（图灵的BabyQ、微软小冰）

ii. 语音搜索（百度、谷歌）

iii. 智能语音输入法（讯飞、搜狗）

iv. 智能音箱（喜马拉雅和猎户星空的小雅音响、亚马逊的Echo）

b) CV类

i. 无人机（大疆）

ii. 医疗影像分析系统（依图科技的胸部CT智能辅助诊断系统）

iii. 无人驾驶（驭势科技、百度、谷歌）

iv. 安防

c) 机器学习类

五、产品人上车（都是自己平时涉猎）

１.思想上认识到AI的重要性：认识到AI时代确实是已经来了，主要开阔一下视野

１） 书籍

a) 奇点临近

b) 未来简史

c) 智能时代

d) 人工智能时代

e) 智能主义

f) 科学的极致——漫谈人工智能

２） 视频（影视）

a) 人工智能

b) I robot

c) 西部世界

d) 终结者

e) 黑客帝国

２.理论知识

１） 书籍

a) 机器学习（周志华）

b) 机器学习实战

c) 数学之美

d) 统计学习方法

e) 人工智能—一种现代的方法

f) 计算机视觉——算法与应用

２） 视频

a) Ng的机器学习 课程（网易公开课）

b) 杨澜的AI访谈节目

c) 北大的人工智能公开课（网易云课堂）

３） 网站

a) 知乎（所有AI的问答和知乎Live）

b) 简书（所有AI文章）

c) 人人都是产品经理（产品经理学习的最佳社区）

d) 36氪（AI行业研究报告和AI新闻）

e) CSDN（可以跟随AI方面的博主学习系统的AI知识）

f) AI论文下载网（有些是要花钱的，但对未来的投资来说都是些小钱）

i. 维普

ii. 万方

iii. 中国知网

iv. 谷歌学术

４） 资讯

a) 36氪

b) 虎嗅

c) 极客公园

d) 商业周刊

e) 中关村在线

５） 微信公众号

a) 饭团AI产品经理大本营（这个是业内最早成立的AI PM社区，有很多AI PM的开拓者在这里分享干货，不过要花点钱）

b) 集智俱乐部（科学的极致——漫谈人工智能，这本书是这个俱乐部出的）

c) 量子位

d) 专知（有很多AI的专业知识和大佬见解）

e) AI科技大本营

３.整理输出：看完书或者视频之后一定要输出自己的内容

１） 简书（输出自己所得所想）

２） 知乎（输出自己所得所想）

３） CSDN（输出自己所得所想）

４.研究行业

１） 政策

a) 国家AI规划

b) 人才扶持政策

c) 创业资金扶持政策

２） 市场及融资

３） 城市对比（北上广深杭成武）

a) 人才对比

b) 行业完整对比（产业链雏形）

c) 行业集中度及公司分布

d) AI氛围对比

４） 细分行业切入

a) 医疗

b) 无人车

c) 安防

d) VR/AR

e) 机器人

f) 金融

５） 公司选择

a) 芯片类：寒武纪、地平线、深鉴科技

b) NLP类：图灵机器人、艾特曼、思必驰、云知声、科大讯飞

c) CV类：商汤科技、旷视科技、依图科技、云从科技、码隆科技、极视角科技

d) 机器人类：优必选、图灵机器人、Rokid

e) 平台类（巨头）：百度、阿里、腾讯、京东、小米

f) 应用类：乂学教育、智齿科技、出门问问

g) 驾驶类：驭势科技、图森未来、奇点汽车

h) 细分类：汇医慧影（医疗）、第四范式（金融）、量化派（金融）、碳云智能（医疗）

６） 上车

a) 挑选公司

i. 查找AI创企的相关榜单并总结出公司的上榜次数

ii. IT桔子查找相关公司的公司状况

iii. 上知乎和拉钩查找相关公司的员工评论和介绍

iv. 上脉脉勾搭相关公司的在职人员了解公司详情

v. 上公司官网体验公司产品并总结输出

b) 研究相关公司

i. 公司定位及主要产品

ii. 创始人及团队

iii. 战略融资情况

iv. 公司合作伙伴

v. 公司核心技术

c) 上车

i. 投简历

ii. 拿着研究报告上门找Hr谈

iii. 拿着在知乎、简书、CSDN上的输出内容找人谈

iv. 认识行业内的人，找人内推（AI产品经理大本营、产品社区）

六、自我思考

１.AI时代的交互方式

１） 交互更加自然简便

２） 人用语音（手势）与机器交互，机器用图像与人交互

３） 更容易携带（手表、眼镜等其他硬件产品作为承载）

２.机器的存在方式

１） 工具

２） 宠物

３） 朋友

４） 陪伴的亲人

５） 恋人

３.新的职位

１） 机器训练师

２） 机器人保险/顾问

３） 无人车管理员

４） 机器人4S店

５） 机器人纠纷解决师

４.未来的消费

１） 无人零售

２） 虚拟消费

a) 虚拟游戏

b) 虚拟社交

c) 虚拟旅行