本文笔者将讲述：建立高纬度的思考方式、必备的机器学习知识、必备的神经网络知识、人工智能市场分析、人工智能产品构建方法。
很多小伙伴都询问，究竟该如何从产品经理向人工智能产品经理进阶，笔者就根据自身的经验简单总结，希望能对读者起到帮助。本文将从学习思路、学习方法为读者提供学习路径，并附上笔者在从产品经理向人工智能产品经理进阶过程中的一些学习资料。
一、建立更高维度的学习方法
以高纬度的学习方法，掌握低纬度的内容，是快速掌握一门学科的关键。
我们可以想象一下，假设人们生活在二维平面中，如果在A点想移动到B点，必然要走过一条线才可以实现。如果出现了一个人从A点并没有任何的路线就出现在了B点，一定会觉得神奇，但是对于处在三维平面的人来讲，从A点到B点，跳过去就可以了，中间不必出现任何的直线路径。
所以，笔者建议在学习人工智能知识的时候，不要局限在二维平面思考A到B的过程怎么走，而是站在三维场景中看待二维中遇到的问题。
所以，笔者建议产品经理应从如下四个层面开始自己的学习。
1. 了解人工智能产品的价值方向
——即为什么会出现人工智能产品？人工智能产品的出现带来的社会价值是什么？
人工智能产品是为了解决人本身的生产力不足而出现的，是作为人的替代和身体延伸而出现的。
据此可知，人工智能产品的设计方向。每一次新时代来临，都会引来一系列的变革，而每一次变革必定会带来引起产业级上不同程度的完全颠覆 ，先进生产力会逐步的将落后的生产力替代。人工智能时代也不例外，人工智能时代的根本核心就是“生产力的替代”，每一个人工智能介入的领域也都应该从“是否进行了生产力的替代”作为根本的考核。
从“生产力的替代”角度来看，目前人工智能产品的智能程度还达不到人类技能的状态，但不可否认的是未来人工智能的智能化程度必将会越来越高。而随着智能化程度的提高某些工作一定会被取代，而这一刻的到来只不过是时间长短的问题。人类各个工种无外乎几类：
体力型工作：主要指在某个具体的领域和范围内，靠人的体力劳动就可以完成工作。这些工作针是针对限定性的工作场景，依靠培训后就可以完成工作，而这些工作将必定被人工智能所代替。
技术型工作：主要指拥有某项专业技术进行工作的岗位。这些专业技术一般是通过培训学习实现方法，并通过长期工作积累形成经验，再将方法与经验结合完成某项工作。如数据分析、程序员、金融分析、律师、保险销售等，对于技术型工作人工智能虽然不肯能完全取代，但必定会取代绝大部分。
综合管理型工作：此类型功能做主要是在工作领域中面对较为复杂的内外部环境开展工作。这些工作往往需要面对突发事件作出判断和决策，并且需要有较强的沟通、协调、组织、管理能力。对于知识创新型人才，人工智能在短期内还无法取代。
当人工智能产品经理进行产品定位与分析时，应了解社会价值，并规划人工智能产品在社会价值中的如何体现，进而分析生产力特性、岗位特征、产品逻辑，做好产品定义，后续的工作也会容易开展。
2. 实现这个价值的逻辑是什么
需要了解：人工智能是如何通过机器学习、深度学习实现的？机器学习是如何通过分类、聚类等解决实际问题的？深度神经网络是如何根据人的神经网络实现自我学习的？
后续笔者将对此有详细描述，在此文不再赘述。
3. 技术上是如何实现逻辑的
需要了解：分类是通过什么算法逻辑实现的？以及，深度神经网络的算法原理。
当然，如果非技术出身的产品经理可能在理解技术实现逻辑这个阶段会有点发怵，但笔者可以确定的是：如果产品经理如果要学习产品在技术上的定位为仅学习逻辑实现过程 ，一般的理工科毕业的学生都没有问题。
4. 实际的技术学习及实践
这时候就需要有一定的代码基础了，通过实操完成一些小程序，如对数据进行预测、图像识别、图像风格转换等，这些小程序的实现难度低，但却可以实现具体有意义的功能。
产品经理可以安装一些工具，或借助企业开放平台提供的人工智能API来实现完成产品的设计与实现 。目前的人工智能产业中，产品经理虽然不需要自己写程序，但了解一些技术内容还是有必要的，否则和技术人员沟通不在一个层面，工作难度相当大。
经过以上四个部分的学习和进阶即可胜任人工智能产品经理的工作。
二、强化人工智能知识体系建设
很多产品经理很头疼人工智能的知识体系，因为人工智能牵扯内容较多，但当前时代，入门人工智能产品经理必须要建立全面的人工智能认知体系，并尽量的接触实际的研发技术。
当然，接触和了解技术并不一定意味着你要是计算机专业或者编程很在行。而是通过对技术的学习，知道你身边的工程师们在做什么？为什么这么做？这么做的原因。
同样，了解技术可以在必要的时候可以和工程师以及设计师用专业语言沟通，以确保对方相信产品经理知道在说什么。
产品经理应对以下问题有基本认知：
机器学习是什么？
传统软件和机器学习之间的逻辑差异是什么？
机器学习的学习模式——监督学习、无监督学习、半监督学习、强化学习，这些都是什么？以及，每种学习方式的差异。
机器学习能做哪些事？
回归、分类、聚类都用在什么方面？
深度学习是什么？
人工神经网络原理。
人工神经网络的分类及特点。
主流的人工神经网络都有什么，优缺点，用在什么方面？
TensorFlow、Caffe等主流的机器学习框架异同点。
各大主流企业人工智能开放平台做了什么封装服务？
可以用Python等工具完成一些数据处理。
如果读者能对以上12个问题都可以对答如流，入门人工智能产品经理有很大帮助。
三、深入业务理解
产品经理，不是纯粹的开发工程师技术人员，也不是纯粹的市场人员，更不是纯粹的界面交互设计工程师人员。产品经理是介于这三者之间，是一个能够寻找寻找有价值并且切实可行的产品的人。
产品经理在互联网时代的工作是寻找有价值并且切实可行的产品，在人工智能时代也是如此 。产品经理的Business和UX工作内容一直没有发生变化，变化的是Technology，即：互联网的技术体系变为了人工智能的技术体系。
人工智能产品经理的工作是能够分析出有价值的商业场景，并将场景进行评估，评估其可行性、评估其必要性、评估其社会及商业价值、评估其道德及法律框架。
除分析有价值的商业场景外，还需要评估技术的可行性，技术能够达到的最优度，并根据内外部资源评估出产品价值与技术实现的平衡点，能够评估出商业价值与技术成本之间的平衡点。
最后，产品经理能够通过交互体系设计出完整的产品。能够做到以上几点，那么一定是一个非常优秀的人工智能产品经理。
四、推荐读物
为了让广大读者更深入的探索人工智能世界，特此附上延伸阅读部分。此部分包含推荐书籍、文献，以飨读者。希望读者朋友通过本书，和这些这些文献资料能看到更丰富多彩的人工智能。
1. 科普类书籍
人工智能科普类书籍主要偏重对人工智能世界的描述，用通俗的话来表达和描述人工智能科学。
笔者推荐可以阅读几本经典书籍，如凯文·凯利的《失控》、雷·库兹韦尔的《奇点临近》、雅克·阿塔利的《未来简史》、吴军的《智能时代》等。
2. 专业知识书籍
笔者将人工智能专业知识书籍分为人工智能基础知识类、神经网络深度学习类、人工智能技能类。
人工智能基础知识：
讲的是人工智能的基础技术知识。笔者推荐阅读的是《人工智能：一种现代的方法》，该书既详细介绍了大量的基本概念、思想和算法，也描述了各研究方向最前沿的进展，同时收集整理了详实的历史文献与事件。
该书适合于不同层次和领域的研究人员及学生，知名高校几乎都会将该书做为人工智能课程的专用教材。除该书外，笔者还推荐《人工智能：复杂问题求解的结构和策略》、《人工智能：智能系统指南》等书籍，也非常经典，如图所示：
当然，以上几本书由于侧重于人工智能的基础理论，所以没有计算机或技术能力的小伙伴看起来会比较吃力。因此，笔者也建议不一定非要每本都深入学习，可以作为自身的知识体系的补充和丰富做一些了解即可，但如果要在人工智能领域深入研究，这几本书则一定要读透。
神经网络、深度学习类：
这类书也会比较偏重于技术原理及技术应用，会将神经网络历史、发展、各类神经网络的原理进行介绍，有兴趣的同学可以学习。
笔者推荐三本书：《神经网络设计》、《神经网络和机器学习》、《深度学习基础：设计下一代机器智能的算法》，如下图所示：
技术型书籍：
此类书籍偏重于实操，一般会针对某一或两个特定的领域进行描述，如有专门针对TensorFlow的、有针对图像识别的、有针对NLP的等等。
书籍太多太杂，而且偏重于某一个技术点，笔者就不做一一介绍。
3. 视频课程
除阅读书籍外，笔者建议初学者可通过网络中的人工智能教学视频进行学习，笔者推荐三个较为经典的视频：
Hinton的《Neutral Network for Machine Learning》公开课。
吴恩达公开课：斯坦福《机器学习》公开课，入门人工智能可以尝试听一下。
李飞飞公开课：李飞飞曾任斯坦福的人工智能实验室主任，她的公开课也值得一听。
4. 文献资料
最后，推荐几篇代表性的论文，这些都是人工智能的经典书论文，普遍是发表在Science和Nature杂志上。
1）A Global Geometric Frameword For Nonlinear Dimensionality Reduction（一种用于非线性降维的全局几何框架）：
这是一篇发表在2000年12月Science杂志上，作者分别来自于斯坦福大学心理学、系数学系，以及卡内基梅隆大学的数学系。论文提出了一种关于非线性降维问题的处理模型，介绍了从局部度量信息中学习出全局几何框架，并通过局部度量对完成非线性降维的问题。
这篇论文的创新之处是计算高维流行上数据点的间距的时候，不是用传统的欧式距离，而是采用微分几何中的测地线距离。等距特征映射。
2）Reducing the Dimensionality of Data With Neural Networks（采用神经网络降低数据的维度）
这篇论文是深度学习三个大牛之一的Hinton先生和他的学生联合发表的论文，Hinton是多伦多大学的计算机科学系的教授。
论文探讨了如何采用神经网络降低数据的维度，并提出了一种新型的神经网络，通过这种网络可以有效的提取数据的低纬特征。而且远远优于原有的主流降维方法（主成分分析），同样也正是这篇论文，使得深度学习引起了人们的关注，并掀起了深度学习的热潮。
3）Clustering by fast search and find of density peaks（通过快速搜寻密度峰值进行聚类）
这是一片关于聚类的论文，它发表在2014年的Sinse杂志上。我们知道聚类的难点是在于如何寻找聚类中心点，经典的聚类算法。
比如：K-Means算法是通过指定聚类中心，然后通过迭代的方法更新距离中心，而这篇论文提出了通过寻找密度峰值最大值的点，并且这些点的距离远远高于相邻节点，把这些节点作为聚类的中心点，提高了聚类中心点的效率，引起了人们的注意。
4）Human -Level control through Deep Reinforcement Learning（通过深度强化学习达到人类控制水平）
这是发表在2015年2月的Nature杂志上的论文，论文提出通过深度强化学习使计算机达到人类操控水平的观点。
这篇文章就是谷歌deep mind对49个视频游戏软件进行测试，结果将近60%达到或超过人类水平产品的论文。这篇论文的主要特点是将强化学习的Q Network与深度学习的结合起来成为一种Deep Q Network，引起了很大的反响。
5）Deep Learning（深度学习）
这是2015年5月发表在Nature的一篇名为deep learning的综述性论文，作者就是深度学习的三位大牛：Hinton、LeCun、Bengio，对深度学习感兴趣的同学这篇文章不可不读。
6）Mastering the game of go with deep neural networks and tree search（用深度神经元网络和树搜索征服围棋游戏）
这篇论文就是谷歌在2015年12月战胜欧洲围棋冠军后，在2016年1月份的Nature杂志上发表的论文。论文中提出了价值网络（Value Network）用来评价棋盘位置，并且用策略网络Policy Network选择如何走棋，并采用蒙特卡树搜索的方式来模拟千上万个随机的棋局。
