AI 产品经理需要熟悉 AI 基础知识，包括 AI 行业现状、数学统计学、AI 模型构建和模型基本概念。
之所以需要具备这些知识，是因为实现 AI 产品必然会涉及相应的 AI 技术，如果 AI 产品经理不了解相应技术基础，就不能很好的和研发人员沟通，完成 AI 项目的管理。
当然，AI 产品经理并不需要像 AI 算法工程师那样，懂很底层的技术细节、数学公式的逻辑推导，但其中涉及的基本概念和行业现状应有所了解。
下面从这三部分介绍～
AI 行业现状
首先需要了解 AI 行业现状。AI 的产业架构可以分成基础技术层、算法层、应用层和解决方案层。
1）基础技术层：
硬件设备： 包括用于 AI 计算的芯片、服务器和设备。例如云计算、GPU 等。
基础软件： 包括用于数据处理、模型训练和部署的开发工具和框架，例如 TensorFlow、PyTorch 等框架。
2）算法层： 包括机器学习、深度学习、增强学习等算法。
3）应用层： 主要是垂直领域应用，包括人工智能在医疗、金融、零售、交通等行业的具体应用，例如金融风控识别系统、智能客服系统等。
4）解决方案层： 包括 AI 技术在智能制造、智慧城市、智慧医疗等场景的解决方案，主要关注如何将 AI 技术与特定行业的业务需求相结合，提供定制化的解决方案，以推动该行业的数字化转型和智能化发展。
其中基础技术层主要负责人员是软件开发，算法层负责人是算法工程师，而应用层和解决方案层是 AI 产品经理主要工作方向。
AI 应用层和解决方案层中，涉及到的最新技术就是大模型，目前也是各科技企业竞相追逐的风口。CHATGPT、Gemini、Sora、文心一言、通义千问等大模型产品层出不穷，基于大模型的 AI 程序员 Delvin 已经能实现独立开发，最新的 GPT4o 已具有实时视频和语音功能；掌握大模型工具、紧跟 AI 应用前沿能帮助 AI 产品经理在竞争中脱颖而出。
数学统计学基本概念
数学统计学是人工智能的基础，AI 产品经理应了解并掌握，包括线性代数、概率论和统计学的基本概念。
1）线性代数
线性代数是人工智能和机器学习中的基础数学概念，涉及向量、矩阵、线性方程组等内容。
需要理解常量、向量、矩阵、张量的概念。
常量（Scalar）：常量是一个单独的数值，比如一个用户的年龄数据。
向量（Vector）：向量是一个有序的数值集合，具有大小和方向。比如多个用户的年龄数据集合。
矩阵（Matrix）：矩阵是一个二维的数值集合，由行和列组成。矩阵可以看作是向量的推广，其中每个元素都有一个行索引和列索引。在机器学习中，矩阵常用于表示数据集或模型的参数，例如多个用户的年龄和收入数据、灰度图像的像素值均为 2 维矩阵。
张量（Tensor）：张量是多维的数值集合，张量可以有任意数量的维度。在深度学习和神经网络中，张量是数据在神经网络中传播和处理的基本单位。常量是 0 阶张量，向量是 1 阶张量，矩阵是 2 阶张量，而彩色图片因为有 RGB 三通道，是 3 阶张量。
2）概率统计
需要重点掌握随机变量和概率分布，了解业务场景下的特征数据和模型结果概率分布情况，有助于产品经理对 AI 模型的验收（例如已知身高是正态分布，但模型输出的身高预测结果却不是正态分布的，则需要质疑模型效果）。
随机变量（Random Variable）：
随机变量是描述随机现象结果的数学变量。它可以取多个值，分为离散和连续随机变量两类。
离散随机变量：只能取有限个或可数无限个值的随机变量，如抛硬币的结果（正面或反面）。
连续随机变量：可以取任意实数值的随机变量，如身高、体重等。
概率分布：概率分布描述了随机变量可能取值的概率分布情况，分成离散和连续概率分布两类。
离散概率分布主要有：
二项分布：描述了在一系列独立重复的是/非试验中成功的次数的概率分布。
泊松分布：用于描述单位时间或空间内随机事件发生次数的概率分布。
超几何分布：描述了从有限总体中抽取不放回样本的概率分布。
贝努力分布：描述了只有两种可能结果的单次随机试验的概率分布。
多项式分布：描述了多项试验中每个类别出现次数的概率分布。
连续概率分布主要有：
正态分布：也称为高斯分布，是最常见的连续概率分布，具有钟形曲线。
