话题分享｜聊聊AI产品经理、语音交互和聊天机器人

本文是来自作者私下组织的讨论会，主要是讨论了四个话题，分别有关AI产品经理、语音交互和聊天机器人，在此总结出来与你分享。

前天（8月2日）晚会的闭门会，大家讨论太投入了，原定1个半小时，结果足足进行了2个小时！

非常感谢6位“AI产品经理大本营”团员和特邀嘉宾@赵帅 （人人都是产品经理专栏作家，前微软小冰创始团队产品经理，现优护家联合创始人/COO）的参与！下面是干货整理，分享给大家：

话题1：AI产品经理与互联网产品经理的区别

A：计算机发展百年，本质是信息连接……使用高效的方式（机器+交互），使信息知识的传递达到同频。第一批产品经理大量产生于web1.0，第二批产品经理产生于移动互联网时代，而第三批将产生于AI时代。

产品经理的批量化涌现，源于流量方式的改变（而流量又和交互息息相关）。而AI，正是带来了交互方式的本质改变。从智能手机到物联网，人不再跟一款产品进行对话，而是可以同时与多种产品进行对话。每一次交互，就是一个流量（流量的场景、定义和价值，都可能会有很大的变化）。流量的方式由点到线的改变，再由线到面的进化，人类获取知识信息的方式正在变化。

百度开发Duer OS的重要原因是因为数据（流量）资源枯绝。通过Duer OS连接智能终端，每个智能硬件终端链接一个人（或多个），机器可以获取的信息规模变大 。

AI需要的是人才、场景、数据、算法。

B：AI产品经理与互联网产品经理的共同性在于，都需要考虑产品、用户、场景。在互联网的时代，用户对已知生态圈产生了熟悉感，而AI产品经理需要考虑如何设计产品才能让用户很快适应新的生态圈——新的场景，具有很深的可挖掘性。

C：互联网是线性结构，而AI是非结构化，不好对信息进行归类。把AI比作人的神经元，需要通过终端来进行声光电的信息采集，并且需要大的存储空间。AI需要比互联网更强大的计算能力，且需要行业的业务专家把知识灌输到机器中，用可量化的数据模型进行总结，投入算法，再通过机器获取新的经验。

D：AI产品经理工作的复杂度比互联网产品经理要大得多。

打个比方来说，产品经理的工作产出是一个拳头，那么互联网产品经理的第一步MVP，是做一个目标拳头的mini版，是一个小的、明确的目标，并且可被拆分、倒推、可控。而AI产品经理，第一步MVP，是做一个握拳70%的拳头，还没有完全握紧，需要一点点的聚拢（大家自己脑补一下吧，哈哈……），是一个大概的雏形，从目标、效果、方案等等，都有各种不确定性。

比如从“数据”这个角度来说，从收集（TTS，3个月）、分析（看大量聊天对话数据，才能自己提炼规则feature）、应用（产品早期，数据的价值甚至大过技术模型算法）到测试（产品需求、TE测试、用户使用，数据集都是不一样的，越来越不可控）等等，每个环节都有很大不同。

从结果看，即使是大公司中级产品经理（总监级），也至少3-6个月来适用AI产品工作，甚至都很难有自己真正独到而深入的理解认知。因为即使前人把AI产品工作中的经验教训总结成文档，ta看了之后，在实际工作中还是会遇到各种长尾问题，还是得去问老同事；慢慢的，才能逐渐对各种AI技术概念和工作环节的信息内化成自己的认知。

话题2：语音交互会不会成为下一代的交互标准

A：语音交互解放双手，不受限制设备，可以在可穿戴设备，居家设备，音箱等上实现。音箱是一个非常好的设备选择，因为人不会和音箱聊天，但人会发号施令，语言很具体，使机器可以准确地接收到很多指令。

D：下一代交互标准可能是“多模态交互”，不仅是语音，还会延续文字，加上肢体，图像，表情传递等。这背后的原因在于：

1. AI的核心差异化方向，不是效率最优，而是情感最优。并且，人的决策，更容易受到感性影响，而非理性。（注：人类不寻求实现决策的最优化，而是采取令人满意的结果就够了。 ——诺贝尔奖获得者Herb Simon）

2. 而情感表达，仅靠语言文字远远不够，长期来说，更重要的会是“多模态交互”。（注：梅拉比安模型，感情表达＝内容7%+语调语气38%+表情肢体语言55%）

3. 好比飞机拥有多个引擎，其中一个引擎出了故障，飞机仍然可以飞行。比如，运用多模态交互的话，在极端情况下，比如语言功能disable了，仍然可以通过眼神、肢体、表情等表达。

话题3：聊天机器人

A：小冰在早期设计时，PM们先对地址栏，聊天对话框等带有输入框的产品进行体验，看哪个框的输入最不疲劳。得出的答案是聊天对话框。因为搜索带有目的性，而面对聊天对话框是无目的，无压力感的。所以确定了聊天对话是最佳人机交互方式。制定了小冰的产品方向是用聊天的方式做搜索。但如何能不能让用户聊的话题跑出控制，如何在聊天中控制用户的话题方向成了重点。所以小冰这方面的设计是使用自由聊天加兜底聊天的方式。

多轮，开放域聊天，容易聊断。起初可能是因为语气词（哦、好吧、啊等），在改善后发现聊天的实质是用户与机器人在聊一个主题故事，当一轮话题结束，设计小冰回溯前5~8句对话，提取一个小冰擅长的话题对用户进行发问，使话题重新展开,CPS增加效果显著。

聊天产品中CPS是唯一参考，但还可以参考的指标有：哪些用户群体在聊，性别分布，时间分布，活跃态度，所在环境等。了解用户是在什么场景下与机器人聊天最多有很大的影响。

聊天产品的挑战是：

• 技术 – 两端看产品，回答准不准，回答傻不傻（太傻不像人）。

• 产品化 – 能不能找到更贴近场景的机器人

• 商业化 – 如何使B端C端的用户买单。

B：可否通过指令形式，让用户思维发生转化使聊天更可控。

C：目前技术受限，产品需要用产品设计来规避技术上实现不了的效果。

D：CPS是不是最终的唯一评判标准？不一定。未来，更应该从“效果”角度出发，比如小孩半夜哭了，那陪伴儿童机器人能否通过几轮交互让小孩不哭？如果能达到效果，其实交互轮次越少越好，不应该为了交互轮次而提高交互轮次。

话题4：AI与医疗结合的可能落地点

E：

1. 文本识别。仅满足了提升效率，仍不能从本质上提升诊断正确率。

2. 影像识别。眼底判断糖尿病（准确率能达到90%以上，但其实人也能做到） 、皮肤癌。目前对内部器官的疾病诊断尚难实现。

3. 辅助诊断。

A：AI在医疗上有两部分比较成熟的应用，一个是纯工具性质，以辅助识别为主，比如文本识别，影像识别。另一个是知识图谱性质，以辅助决策为主，比如梅奥诊所在做的辅助决策系统。

目前医疗监管太深，并没有很多可以在公众分享的大数据。个人身上的生命指标数据多，但到医疗范围，仅能通过数据的趋同性去进行判断。

至于优护家，是做基层医疗数据平台的公司，主要的产品是居民智能评估引擎。

F：健康APP希望能提供运动处方，但目前数据来源比较单一，仅能通过体感设备进行睡眠数据、运动数据、器械数据的采集，指标单一；缺乏日常数据，需要结合心跳仪、血糖仪等医疗仪器才能获得更贴切用户的健康数据，才能更有针对性地提出处方建议。

D：有家“AI+医疗”公司，想用机器学习做医疗影像识别，提高医生的看片效率、降低误诊率。但在走了弯路后，他们第一步真正产生价值的是，做专门给医院提供影像图片的云存储服务（因为这个领域的图片太大，但每年只看1、2次，存在阿里云上非常贵、不划算）；有了这个基础，第二步，他们给一线城市主任医师提供指导二三线曾是医院医生的机会，增加其业务数据和收入；有了前两步，积累了信任（还有数据），各家医院才慢慢愿意接受其真正想做的医疗影像识别AI服务。

话题5: AI或大数据与人事档案／资源信息管理的结合点

C：档案不能对外公布，需要去挖掘对系统的帮助，找不到良好的入口点。

方向：

1. 一个岗位，需要什么人来匹配，任职经历；

2. 考评时，通过评级打分；

3. 记录操作日志信息，再分析哪些系统可以优化，简化流程，通过流程组合减少漏洞，提高效率。

A：To B 的BI，解决内部的决策问题+运营问题

B端客户，其实是to Business Person，买单决策人＋使用角色人。

行业定了，行业功能就定了，不容易增减，解决大运营效率＋小运营效率。