《AI产品经理》读书笔记：客户说"识别抽烟"，真值藏在后面五个追问里
阅读方式：微信读书网页版，从版权页翻到作者简介，共 399 屏、13 章、7 分 51 秒。 四篇结构：AI 与 AI 产品经理（1–2 章）→ AI 技术（3–6 章，约 160 屏）→ AI 产品应用（7–11 章）→ 行业实践（12–13 章）。
这本书难读，但不是因为写得好，是因为它信息密度不均匀：技术篇塞得像教材，应用篇讲得很实，行业篇又退回成背景介绍。
但它在某一处给了我今年读到的最好的一个案例。我先把那个案例放前面说，因为它是全书的价值所在。
一、抽烟识别的五个追问：任务是怎么被"问"出来的
第 9 章讲算法类 AI 产品落地，第一节叫"任务定义——AI 算法产品的真实需求与目标"。
作者举的例子是"抽烟识别"。客户的需求听起来无比简单：识别到抽烟就报警。 表面看这是个二分类任务——抽 or 不抽。产品经理如果照字面写需求文档，这个项目基本注定失败。
书里接着写了一串追问，我原样抄下来：
"① 抽电子烟算不算抽烟呢？② 如果电子烟挂在身上被识别到了，是不是也要报警？③ 如果背对摄像机吞云吐雾，看不到烟头呢？④ 大冬天呼吸都是吞云吐雾，这会导致很多误报，对于这个问题客户的预期如何？⑤ 如果拿着烟没点着，算不算抽烟呢？"
然后是一句总结："由此可见，看似简单的任务，中间有非常多难以界定的细节。"
这段为什么好？因为它把"需求分析"这件听起来很虚的事，变成了五个可以立刻去问客户的具体问题。
而且这五个问题各自对应一个完全不同的技术方案：电子烟要不要算，决定的是标注规范；背对镜头怎么办，决定的是要不要加多摄像头融合；冬天哈气误报，决定的是要不要引入时序信息（看烟是否持续上升）；没点着的烟算不算，决定的是检测目标是烟支还是烟雾。
换句话说：一个含糊的词，会往上污染整个技术栈。 产品经理在这里省下的每一次追问，都会在后面变成算法工程师的一个通宵。
书里还有一段讲"争议边界"，同样精彩：
"任务可被定义为简单任务和困难任务，简单任务的边界清晰，比如猫和狗的分类，非常容易划分。但是有些任务的边界非常模糊，比如识别车辆的颜色。假如将车辆颜色划分为灰色和白色，那么什么是灰色，什么是白色？这就会存在争议。比如，在不同的光线下或者白色车辆因沾满灰尘而显得更像灰色时，应该怎么判断颜色？"
这段话点破了一个很多 AI 项目死在里面的坑：不是模型不够强，是标签本身没有唯一答案。 如果两个标注员看同一张沾灰的白车会给出不同标签，那模型学到的就是噪声。这时候该做的不是换更大的模型，是改任务定义。
二、一条判据：什么才算"AI 产品"
第 1 章给了一个我认为很干脆的定义：
"当一个产品的核心能力依靠 AI 算法技术实现时，就可以说这是一个 AI 产品。对于 AI 产品来说，失去 AI 技术，便没有了存在的必要或失去了市场竞争力。"
"失去 AI 技术就没有存在必要"——这个反向测试比正向定义好用得多。它一刀切掉了大量"加了个推荐位的 App"和"接了个 OCR 接口的系统"。
书里举的对照是：普通摄像机 vs 智能摄像机，普通通关 vs 人脸识别通关。后者的价值完全建立在算法能认出来这件事上，算法不行，产品就没有意义。
然后它把 AI 产品的形态按"自底向上"列了五层：
一、硬件基础设施：AI 芯片、AI 算法加速卡、AI 超算服务器。
二、软件基础服务：AI 算法框架、算法工具链。
三、媒介应用：视觉、语音、文本、声纹等媒介与 AI 结合的应用产品，如视觉算法、语音识别算法，以及构建在硬件和算法服务之上的软硬一体产品。
四、多模态融合应用。
五、知识图谱类的行业应用。
这个分层有用，因为它解释了一个常见困惑：为什么同样叫"做 AI 的"，有的公司毛利 70%，有的在亏钱。位置不同，生意性质完全不同——越靠下越像卖水电，越靠上越像做咨询。
三、三层级：算法、平台、业务
第 8 章末尾提出一个我觉得挺有解释力的框架，把 AI 产品按产业链上下游分成三层：
"AI 技术的产品化和商业化经历了从算法到平台再到业务的过程。早期仅有算法技术，出现了以售卖算法 SDK 为主的 AI 公司，此时的 AI 产品更多是小作坊形式。随着场景推广和规模化应用，AI 算法应用进入大生产时代，平台型产品应运而生。随着场景应用的深入，AI 产品与场景业务的边界逐渐模糊，形成系统且深度结合行业业务的 AI 产品。"
这段其实是一部简明的 AI 商业史：卖 SDK（项目制）→ 卖平台（产品制）→ 卖业务系统（深度绑定）。
它同时暗示了一个判断：越是早期的形态，越容易被替代。SDK 会被平台内化，通用平台会被行业系统吞掉。所以第 9、10、11 三章正好对应这三层，各自讲一遍怎么落地——算法类产品、AI 中台、纵深业务类产品。
四、八个要素：一张表能挡掉一半返工
8.2 节给了一张"定义产品的 8 个要素"表，很朴素，但我认为每个做 AI 项目的人都该照着填一遍：
1. 产品定义——产品是什么。
2. 产品目标——要实现什么短期和长远目标。
3. 产品形态——产品是什么样子，如形状、大小、状态等。
4. 目标客群／用户群——产品卖给谁，给谁使用。
5. 应用场景——产品在什么样的情形下使用。
6. 产品价值——产品会给企业和用户带来什么好处。
7. 商业模式——产品通过什么方式盈利。
8. 产品路线——产品的整体规划路径是什么。
书里对这张表的说明写得很实在：
"上述要素旨在从多个维度关注产品是什么，确保在构思一个产品的时候思考得更加周全，减少因早期缺少方向性的战略思考，而导致中后期花更多的时间对产品进行修改。产品定义就是在早期进行的战略思考。"
注意最后那句：产品定义是战略思考，不是文档工作。 这句话把"写 PRD"和"想清楚"分开了。大部分人做的是前者，缺的是后者。
8.1 节的标题也很硬："如何真正做到从用户需求出发"。这个"真正"两个字，恰好对应前面抽烟识别的教训——嘴上说从需求出发，实际做的是从"客户的原话"出发。原话不是需求，追问之后才是。
五、数据工程：质量决定上限，而且补不回来
9.2 节讲数据工程，包含采集、生成、预处理、标注、清洗／质检几个环节。这一段里有个观点我认为是全书写得最"痛"的：
"根据模型训练的经验，获取清晰有效的数据的成本，要比花大量时间进行数据预处理的成本低得多。低质量的数据相当于引入了更多的研究课题……如获取一批模糊的数据，在标注准确的情况下，为了提升效果，算法研究员还需要投入大量时间研究如何提升分辨率、验证提升分辨率后是否对模型效果有提升等，这类成本是难以估量的。所以最理想的还是直接获取高质量的数据。"
这段话值得所有"先攒数据再说"的项目读三遍。它的逻辑是：低质量数据不是"差一点的数据"，是"额外的一堆研究课题"。 你以为省了采集费，其实是给团队派了一堆没人立项的科研任务。
书里还提到一个常被忽略的账：数据采集要关注成本、渠道和安全三个问题。安全这一条在大模型时代变得格外重要，但书里只是点了一句，没展开。
六、算法评估：三个维度加一个前提
9.4 节"算法评估——获得算法能力边界"，把评估拆得很清楚：
"一般来说，评估算法或者 AI 产品，都要从功能、速度、精度等维度开始，功能、精度、速度在一定程度上可以反映产品的性价比。功能针对的是有无问题，速度和精度的高低则决定了产品的可行性和性价比。"
三个维度各自回答一个问题：功能 = 有没有；速度 = 能不能用；精度 = 值不值得用。
评估方式分定量和定性。定量是"通过客观指标进行计算来评估算法或者系统的精度或者性能，比如通过对标注数据和推理结果的比较，计算出精确率、召回率等指标"。
然后是那个关键前提：
"定量评估的第一步是建立一个好的度量测试集，测试集建立和数据选取的合理性直接决定了评估的成败。"
这句和前面"数据质量定上限"是一件事的两面：训练集决定模型能到多好，测试集决定你知不知道自己有多好。 而后者更危险，因为测试集烂了，你会以为自己在进步。
七、技术篇 160 屏，我读得最吃力也收获最少
第 3 到第 6 章，占了全书四成篇幅：机器学习、深度学习、生成对抗网络、元学习、AutoML、可解释 AI、计算机视觉、语音识别、NLP、多模态理解、机器人学、AI 云原生。
坦白说，这一篇我读得最快，也收获最少。原因是它更像一本"技术百科"而不是"产品经理该懂的技术"。区别在于：百科告诉你每个名词是什么，而产品经理真正需要的是"这个技术的能力边界在哪、什么情况下会失效、换方案要付什么代价"。
当然也有几处是有效的。比如把 CV、语音、NLP、多模态四块并列，至少让你在接到需求时知道该找哪条线的人；再比如把机器人学单列一章，提醒你 AI 不只有屏幕里的那一半——硬件、感知、运动规划是另一套完全不同的约束。
八、保留意见
一、目录里没有给大模型单开一章。 这是这本书最明显的时代印记。399 屏里，技术篇基本停留在"传统机器学习 + 深度学习 + CV/语音/NLP"的框架内，LLM、Agent、RAG 这些今天的主战场在目录里找不到位置，NLP 只占了 4.3 一节。对 2023 年之后入场的人来说，这一篇需要大幅补充。
二、技术篇与应用篇的密度严重不匹配。 技术篇 160 屏讲"是什么"，应用篇 110 屏讲"怎么做"。而读者的痛点几乎全在后者。如果把技术篇压到 60 屏、把第 9 章的实操扩到 200 屏，这本书的价值会翻倍。
三、行业实践篇（第 12 章）偏介绍性质。 安防、制造、汽车三个行业，讲的多是行业背景和方案框架，缺少"这个项目最后为什么失败"的复盘。而 AI 落地最贵的知识，恰恰藏在失败里。
四、案例多为成功样本。 全书出现的项目基本都是"我们做成了"的叙事。抽烟识别那段之所以珍贵，就是因为它是少数几个敢把"客户说不清"摆到台面上的段落。
九、一句话收尾
这本书我最后记住的不是那 160 屏技术，而是五个问句：电子烟算不算、挂在身上算不算、背对着怎么办、冬天哈气怎么办、没点着算不算。
因为这五个问题揭示了一件事：AI 产品的专业度，不体现在你会不会选模型，体现在你能把一句人话拆成多少个可判定的边界。
模型是别人的，数据是自己的，而"这个任务到底指什么"——这个问题没人能替你回答。
阅读记录：《AI 产品经理：方法、技术与实战》｜微信读书网页版逐屏截图阅读｜399 屏 / 13 章 / 7 分 51 秒｜知识图谱已上传至本站｜笔记写于 2026-10-30
发表评论: