跟硅谷谷歌的产品经理观察到一个同国内一样热门的问题，产品经理和AI产品经理要不要懂技术&算法呢？本文先讲硅谷产品经理对产品经理是否需要懂技术的观点，然后结合笔者对AI产品经理是否需要懂技术&算法讲一些实操观点。
在硅谷产品经理被全球最牛孵化器YC称为具有Talents的人。那么在硅谷做产品经理是不是要技术背景出身？在硅谷谷歌做产品的朋友给的答案：即是也不是！
这位朋友说他自己的背景是有工程技术背景，本科学的是计算机专业，去应聘google的产品经理也的确是看到他有技术的背景！
不过他说他本人的技术水平比较弱，读书的时候在技术方面也不是一个好学生，这点技术如果去面google的产品经理可能还勉勉强强够，如果去面试google的工程师指定是进不去的。
综合下来在硅谷做产品经理要不要技术背景这个问题为什么说即是也不是呢？
一般两种情况比较需要技术背景：
第一种情况是这个公司有工程师文化传统，比如说google为例，因为google的创始人是斯坦福大学计算机系的博士生，所以整个公司从上到下都充满了工程师的文化。So 谷歌要求产品经理一定要有技术背景。
另外一种情况要求产品经理有技术背景，是它的产品非常非常的技术性。例如：亚马逊的产品经理有两类，一类是不需要技术背景，还有一类需要专门做技术类产品的是要求技术背景，亚马逊管后者叫PMT（Product Manager Technical）。另外非常技术型的公司，例如自动驾驶汽车的产品经理，许多都是要求有技术背景。一般是Case By Case，要看具体情况而定。
总而言硅谷要求产品经理有技术背景公司分两类，一类是公司文化有工程师的传统，第二是公司的产品非常技术。
不过大部分的公司对产品经理的技术水平没有硬性要求。例如商务类公司，Paypal的产品经理、亚马逊里面做商务方面的产品经理也不需要有技术背景、社交类产品例如Facebook、linkin等这些都不要求有技术背景。
笔者将AI产品经理定义为运用大于等于技术成熟度曲线的AI技术进行商业化应用的人。
AI产品经理也是产品经理但是高于产品经理。应用于上面硅谷环境的产品经理不一定适合AI产品经理，因为AI产品经理回的内容更加交叉综合，也是源于AI技术本身是个交叉综合技术，AI技术可以包含传统技术，但是更多的是如下图中所示AI技术：
以上图为例：
当AI技术处于ML阶段的时候，AI产品经理要懂的机器学习（ML）是AI的一个分支。AI的历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，ML是实现AI的一个途径，即以ML为手段解决AI中的问题。
ML在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。ML理论主要是设计和分析一些让计算机可以自动“学习”的算法。
ML算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，ML与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，ML理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的ML研究是开发容易处理的近似算法。
第一类是构造间隔理论分布：聚类分析和模式识别
人工神经网络
决策树
感知器
支持向量机
集成学习AdaBoost
降维与度量学习
聚类
贝叶斯分类器
第二类是构造条件概率：回归分析和统计分类
高斯过程回归
线性判别分析
最近邻居法
径向基函数核
第三类是通过再生模型构造概率密度函数
最大期望算法
概率图模型：包括贝叶斯网和Markov随机场
Generative Topographic Mapping
第四类是近似推断技术
马尔可夫链
蒙特卡罗方法
变分法
第五类是最优化：大多数以上方法，直接或者间接使用最优化算法。
以监督式支持向量机SVM为例，AI产品经理懂的SVM内容建议如下：
首先：明白SVM模型成熟的用途。
例如：
其一用于文本和超文本的分类，在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
其二用于图像分类。支持向量机能够获取明显更高的搜索准确度。
其三用于手写字体识别。
其四用于医学中分类蛋白质，超过90%的化合物能够被正确分类。
其次：知晓SVM的定义及核函数表达式
支持向量机在高维或无限维空间中构造超平面或超平面集合，其可以用于分类、回归或其他任务。直观来说，分类边界距离最近的训练数据点越远越好，因为这样可以缩小分类器的泛化误差。
SVM的原始问题是在有限维空间中陈述的，但用于区分的集合在该空间中往往线性不可分。为此，有人提出将原有限维空间映射到维数高得多的空间中，在该空间中进行分离可能会更容易。为了保持计算负荷合理，人们选择适合该问题的核函数 k(x,y) 来定义SVM方案使用的映射，以确保用原始空间中的变量可以很容易计算点积。高维空间中的超平面定义为与该空间中的某向量的点积是常数的点的集合。
定义超平面的向量可以选择在数据基中出现的特征向量Xi的图像的参数ai的线性组合。通过选择超平面，被映射到超平面上的特征空间中的点集 x 由以下关系定义：
如果随着 y 逐渐远离 x，k（x,y） 变小，则求和中的每一项都是在衡量测试点 x 与对应的数据基点 Xi的接近程度。这样，上述内核的总和可以用于衡量每个测试点相对于待分离的集合中的数据点的相对接近度。
第三、至于线性SVM的间隔计算可以由SVM模型算法工程专家来操作。AI产品经理明确SVM的用途、定义、和在遇到问题的时候知道这个问题是由SVM引起的或者可以找SVM专家协作解决即可。
在ML这里AI产品经理核心精力是明确将ML广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
三、技多不压身
从第二段AI懂ML的例子，我们可以看到AI产品经理如果懂了AI的知识和具有AI产品的能力，是能够轻松加油一般产品经理的岗位的技术需求的。
另外AI产品经理在AI领域只懂ML还是不够的，还要懂的内容比较多，笔者在这里因为篇幅原因先不讲述了日后再开篇或者阅读书籍《AI赋能：AI重新定义产品经理》，《AI+时代产品经理的思维方法》两部书籍。
最后
实际上无论是硅谷那边朋友在谷歌做产品经理的经历，还是笔者本人的实战经历取得经验如下：
一般来说公司不强制产品经理懂技术，但是懂技术更容易与工程师沟通，也更早的能判断出产品是否能够做出来。
不论做哪种类型的产品经理，懂点AI技术了解AI产品经理的知识范围和提早观察别人做AI产品的流程是技多不压身，同时也是下一个阶段5G到来之前产品经理必须面对的问题，早做AI产品经理知识准备刻不容缓。
AI是交叉综合学科，AI产品经理理应是更具有交叉综合知识的人，在面对普通互联网以人为红利流量的时代终结，我们要做好产品经理建议学会学习与转换非常重要 ，因为你面对的是奇快无比5G技术和数据积累。目测AI是最最有效的解决方案。
虽然AI技术从上文可见仅仅一个SVM线性核函数就够我们理解良久，但是如何学习AI产品经理，笔者有踩过许多坑的实例经验。特别推荐阅读笔者连诗路的两部书《AI赋能：AI重新定义产品经理》，《AI+时代产品经理的思维方法》。同时推荐AI产品经理入门课程http://996.pm/MeANw
