在這一輪AI技術產品化的過程，我們看到的是技術和產品相互成就，螺旋上升的過程。在這個過程中，作者從三個階段來看AI產品的成熟度，就是產品是否通過了技術驗證、產品驗證、商業(yè)化驗證。一起來文中看看吧。

一、AI產品的技術驗證

AI技術，我們只看深度學習為代表的所謂“新一代人工智能技術”。但是深度學習為代表的人工智能技術，在筆者看來又分為兩個階段，第一階段是有監(jiān)督+小模型，第二階段是自監(jiān)督+大模型+多模態(tài)的階段，這里就不展開說，有興趣可以等我總結《AI產品經理看兩代深度學習技術的產品化落地之路》。

無論AI技術怎么劃分，一個企業(yè)依托AI技術的產品化和商業(yè)化，都繞不開要解決解決技術驗證的問題。技術驗證是驗證什么？為什么需要技術驗證？在產品落地過程中我們還經常聽到POC（proof of concept）我們叫概念驗證，我們暫且認為在AI產品驗證中，POC就是技術驗證。

技術驗證的目的，是技術在場景應用中的可行性驗證，比如算法可以支持人臉識別，但是在非洲的人臉識別行不行，這個就得找一個對應的場景或者數據驗證一下，最后可能精度不夠高，或者沒有足夠數據，無法滿足客戶場景需求，那么這個就是AI算法上不可行了。

再比如L4自動駕駛，假設政策標準的要求是某種測評標準下要達到行人檢測100%召回率，也就是一個都不能漏，可能包含了雨天、黑夜、黑夜暴雨、覆蓋數萬公里，這樣苛刻的評測標準，那么在某個階段，某些公司的技術可能沒那么先進，那么對這些企業(yè)來說，這就是技術不可行，就是無法通過技術驗證的，就更不要說產品驗證、商業(yè)化驗證了。

盡管有一些技術不行的產品，確實實現(xiàn)了產品化甚至商業(yè)化，但是實際上，技術不行導致使用體驗極其糟糕，就比如很早我就看到用人臉識別做一個鎖，但是經常無法識別，好在輸入密碼這個功能一直保留著，那它本質上還是一個密碼鎖，而且絕大部分時間，就是一個純手動密碼鎖。

如何實現(xiàn)技術驗證？最重要的還是一套符合商業(yè)場景需求的評價基準，我們一般稱為benchmark，這也是學術上慣用的方式，但是這里我們講的是滿足商業(yè)場景需求的評價基準，這是和學術評價基準不同的本質區(qū)別，畢竟我們的目標是產品化和商業(yè)化，而不是寫一篇論文。（后續(xù)《實現(xiàn)商業(yè)場景的技術驗證——構建符合商業(yè)場景需求的評測基準》中詳細講）

二、AI產品的產品驗證

技術可行就可以產品化了嗎？那當然不是，技術產品化之路有幾個兩大難題，第一個是成本難題，第二就是應用閉環(huán)。成本難題好理解，技術要產品化和商業(yè)化，不能太貴。應用閉環(huán)是指從簡單核心技術，到整個產品化流程的閉環(huán)。這兩個問題在下面展開講。

技術的早期都伴隨高成本，畢竟無論是技術、人才還是生態(tài)在技術突破的早期都是稀缺。拿自動駕駛汽車來說，早期的激光雷達，動輒幾十萬上百萬，比車本身還貴，但隨著近5年自動駕駛的發(fā)展，激光雷達成本驟降到千元，已經在一些新勢力汽車中安排上了。這也就是邊際成本遞減效應。產品驗證要做的，是明確技術路線主流且生命周期較長，實現(xiàn)產品的邊際成本遞減，還要關注技術成本在解決用戶問題本身的價值。

在我的職業(yè)生涯中，我曾經看到某團隊做出了極其昂貴（數百萬）的算法平臺，并指望這個產品可以落地到預算只有10w級的客戶群體上，而市面上有許多同類產品就是10w級別的價格。

應用閉環(huán)是技術到產品100公里的最后10公里，為什么是10公里而不是1公里，因為這件事也沒那么簡單，特別在業(yè)務門道多的領域，坑著實多。

在AI領域，早期都是算法可行，就訂單可行了。但實際上，技術可行驗證很多時候，掐頭去尾，數據很理想地給輸入，輸出也很簡單地呈現(xiàn)，但很多時候，業(yè)務的要求，如何獲取數據，或者說打通不同系統(tǒng)的數據、如何管理中間的數據和結果，得到的結果面對不同的業(yè)務利用什么業(yè)務邏輯處理等，規(guī)模化情況下如何高效調度等等，這些都是典型的AI工程化問題。但是這些問題很多時候，并沒有在技術驗證中考慮，但這些問題卻非常麻煩。

例如產品化過程中，面向的行業(yè)有特定的嚴格的標準，甚至放在今天，對國產化有非常高的要求，這都可能掐死已通過的技術驗證。在我經歷的過往一個產品在提供給某個大廠，就因其嚴格的安全要求，使得產品的技術組件幾乎大換血，產品的加密方案也實現(xiàn)重構。從技術到考慮業(yè)務場景真實的需求，設計滿足流程要求、安全保護、授權、漏洞、運維要求等等的產品，這是應用閉環(huán)，真正實現(xiàn)產品從0～1。

三、AI產品的商業(yè)化驗證

在AI技術產品化，面向G端和B端的時候，有時候產品往往變成單一項目交付，或者時小范圍項目交付，產品商業(yè)化泛化能力不夠。一方面是產品商業(yè)化設計上欠缺考慮，一方面也跟產品落地的場景和特征有關系。

比如面向G端安全相關部門的業(yè)務，你就很難通過saas收費，很多時候是私有化交付，這個面向不同客群有不同的模式。面向G端的一些項目，產品經理會發(fā)現(xiàn)產品化路上依然很難擺脫繁重的定制、運維等，項目制負重前行，人力、維護、管理等難度都非常大，沒有好的銷售渠道通路、以及售后支持，如何玩轉？顯然，產品可能功能不錯，但是如何讓下游集成廠商或者運營商很好用起你的產品，減少人力投入、減少維護管理。問題多多。

如果在這些方面經不起商業(yè)化的驗證，產品依然很難存活。

舉個例子：AI早期企業(yè)碼隆科技給沃爾瑪做了一套AI稱重系統(tǒng)，并且在沃爾瑪獲得認可，嚴格來說，從功能和體驗上是一個不錯的產品，但是在商業(yè)化上并不順利。再舉個例子，早期格靈深瞳有一 款行為分析產品，投入了很多，但是做出來之后一直無法變現(xiàn)，直到一個偶然的項目，針對銀行場景安防的一個極其特殊的操作而被用上，但是產品的設計之初，并沒有這樣的設想，屬于運氣式地找到了商業(yè)化場景。

商業(yè)化驗證主要是通過商業(yè)模型或者叫商業(yè)模式，從付費模式、渠道通路、合作生態(tài)、價值主張、時機、客戶關系等等多個維度驗證產品的商業(yè)化可行，當然這個商業(yè)模型還包括一個最核心的就是投產比ROI，簡單來說還是賬最后要算得過來。

在商業(yè)化驗證這個環(huán)節(jié)，還有一個比較有趣的案例，就是百度的robotaxi。百度在robotaxi上面在國內是走的最領先的，在出租車這套商業(yè)模型中，一旦實現(xiàn)替代人，那么車自己就一直在接客賺錢了，那么車的價格，人力的價格，運營車輛的壽命，收入等核算下來，商業(yè)模型在可行性上逐漸看到希望，比如百度最新一代的robotaxi已經把成本做到了25w，粗算只要2.5年就可以回本，而對比當前出租車司機還需要支付費用，省掉出租車司機之后成本可以大幅下降。當然，百度現(xiàn)在還在持續(xù)試運行，但是可以看到在不遠的未來，這套商業(yè)模式可能會成功。

做一個好的AI產品，道阻且長，成功經過技術驗證、產品驗證、商業(yè)驗證考驗，真正進入良性飛輪狀態(tài)的少之又少，加油吧AI產品經理。