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「新一代人工智慧技術」。但是深度學習為代表的人工智慧技術，在筆者看來又分為兩個階段，第一階段是有監督+小模型，第二階段是自監督+大模型+多模態的階段，這裡就不展開說，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技術怎麼劃分，一個企業依託AI技術的產品化和商業化，都繞不開要解決解決技術驗證的問題。技術驗證是驗證什麼？為什麼需要技術驗證？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，比如演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，最後可能精度不夠高，或者沒有足夠數據，無法滿足客戶場景需求，那麼這個就是AI演算法上不可行了。
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，那麼在某個階段，某些公司的技術可能沒那麼先進，那麼對這些企業來說，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、商業化驗證了。
儘管有一些技術不行的產品，確實實現了產品化甚至商業化，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。
如何實現技術驗證？最重要的還是一套符合商業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，但是這裡我們講的是滿足商業場景需求的評價基準，這是和學術評價基準不同的本質區別，畢竟我們的目標是產品化和商業化，而不是寫一篇論文。（後續《實現商業場景的技術驗證——構建符合商業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。成本難題好理解，技術要產品化和商業化，不能太貴。應用閉環是指從簡單核心技術，到整個產品化流程的閉環。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。
在我的職業生涯中，我曾經看到某團隊做出了極其昂貴（數百萬）的演算法平台，並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。
應用閉環是技術到產品100公里的最後10公里，為什麼是10公里而不是1公里，因為這件事也沒那麼簡單，特別在業務門道多的領域，坑著實多。
在AI領域，早期都是演算法可行，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，但很多時候，業務的要求，如何獲取數據，或者說打通不同系統的數據、如何管理中間的數據和結果，得到的結果面對不同的業務利用什麼業務邏輯處理等，規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，並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重構。從技術到考慮業務場景真實的需求，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，真正實現產品從0～1。
三、AI產品的商業化驗證
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，或者時小範圍項目交付，產品商業化泛化能力不夠。一方面是產品商業化設計上欠缺考慮，一方面也跟產品落地的場景和特徵有關係。
比如面向G端安全相關部門的業務，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，產品經理會發現產品化路上依然很難擺脫繁重的定製、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、以及售後支持，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化的驗證，產品依然很難存活。
舉個例子：AI早期企業碼隆科技給沃爾瑪做了一套AI稱重系統，並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，但是在商業化上並不順利。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，但是做出來之後一直無法變現，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，並沒有這樣的設想，屬於運氣式地找到了商業化場景。
商業化驗證主要是通過商業模型或者叫商業模式，從付費模式、渠道通路、合作生態、價值主張、時機、客戶關係等等多個維度驗證產品的商業化可行，當然這個商業模型還包括一個最核心的就是投產比ROI，簡單來說還是賬最後要算得過來。
在商業化驗證這個環節，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，在計程車這套商業模型中，一旦實現替代人，那麼車自己就一直在接客賺錢了，那麼車的價格，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，而對比當前計程車司機還需要支付費用，省掉計程車司機之後成本可以大幅下降。當然，百度現在還在持續試運行，但是可以看到在不遠的未來，這套商業模式可能會成功。
做一個好的AI產品，道阻且長，成功經過技術驗證、產品驗證、商業驗證考驗，真正進入良性飛輪狀態的少之又少，加油吧AI產品經理。