AI 与产品管理 | Marily Nika（Meta、Google）
AI and product management | Marily Nika (Meta, Google)
嘉宾：Marily Nika
全文文稿 · 按对话顺序保留完整内容，深入理解上下文。
本篇目录1 章节
§01原文文稿 · 00:00–47:38§01原文文稿 · 00:00–47:38
有一种东西叫“闪亮物件陷阱”，我总是告诉大家：“嘿，别为了做 AI 而做 AI。”要确保那里确实存在一个问题，确保有一个需要用聪明的方式去解决的痛点。等你确定了问题是什么、以及一个非常非常高层次的解决方案是什么之后，再去联系相关的人，想办法把它真正落地。
欢迎收听 Lenny 的播客。在这里，我会采访世界级的产品负责人和增长专家，向他们学习他们在打造和扩展当今最成功的公司时来之不易的经验。今天我的嘉宾是 Marily Nika。Marily 在 Maven 上开设了最受欢迎的 AI 与产品管理课程。她目前是 Meta 的产品负责人，专注于元宇宙、虚拟形象和身份。在加入 Meta 之前，她在 Google 工作了八年多，参与过 Google Glass、计算机视觉，以及围绕语音识别的机器学习工作。在我们的对话中，我们谈到：当 AI 领域正在发生的事情摆在面前时，产品经理应该关注什么；我们聊了许多能帮你入门 AI 世界的资源；还谈到如今可用的 AI 工具已经可以怎样帮助你把产品经理的工作做得更好。（01:12）我们还相对技术性地探讨了究竟什么是模型、模型是如何训练的，以及诸如此类各种有趣的内容。在听完我们可爱的赞助商的简短介绍之后，请享受这场与 Marily Nika 的对话。
本期节目由 Amplitude 赞助。如果你正在搭建分析技术栈却没有使用 Amplitude，你到底在做什么？任何人都可以向你兜售分析工具，而 Amplitude 能释放你产品的力量，并在每一步为你指引方向。获取正确的数据，提出正确的问题，得到正确的答案，让增长发生。想免费开始使用 Amplitude，请访问 amplitude.com。Amplitude，为你的产品赋能。
本期节目由 EPPO 赞助。EPPO 是由 Airbnb 校友为现代增长团队打造的新一代 AB 测试平台。Netlify、Tenfold 和 Cameo 等公司都依靠 EPPO 来驱动他们的实验。无论你在哪里工作，运行实验都越来越重要，但市面上没有能与现代增长技术栈集成的商业工具。这导致大家要么浪费时间自建内部工具，要么试图通过笨重的营销工具来跑实验。我在 Airbnb 时，我们实验平台让我喜欢的一点，就是可以轻松按设备、按国家、按用户阶段来切分结果。EPPO 不仅能做到这些，还有更多功能：它能快速给出结果，避免令人厌烦的漫长分析周期，并帮助你轻松找到所发现的任何问题的根本原因。（02:41）EPPO 让你超越基础的点击率指标，转而关注激活、留存、订阅和付款这类北极星指标。EPPO 支持前端、后端、电子邮件营销，甚至机器学习客户端上的测试。请访问 geteppo.com 了解 EPPO，拼写是 E-P-P-O.com，让你的实验速度提升 10 倍。（03:06）Marily，欢迎来到播客。
谢谢。你好，谢谢你邀请我。
我非常荣幸。我们在 Twitter 上有过一点互动，但在此刻之前从未真正交谈过。我看到你的课程到处都是，就是你那门关于 AI 与产品经理的课程。所以我觉得请你来做客会很有意思，帮助我们所有人弄明白 AI 领域，尤其是 AI 与产品领域，到底发生了什么。再次感谢你的到来。
好的，谢谢。我真的很期待。
作为一名前全职产品经理，也代表所有正在收听的现任产品经理，我很希望得到你的帮助，来理解 AI 以及整个产品技术领域和各类工具里正在发生什么。一切都变化得非常快，如果你想关注动态，很难跟上事情的发展方向，而在 AI 领域感觉尤其困难。（03:57）感觉好像每天都有新东西出来。所以我有一系列沿着这个方向的问题。第一个是：你会关注哪些媒体，来了解 AI 和机器学习领域正在发生什么、有什么新东西、有什么有意思的东西？
正如你很清楚的，订阅新闻简报是非常有影响力的做法。当然，我订阅了你的简报，但我也是 MIT 科技评论的《The Download》或 Atelier 的忠实粉丝，非常非常忠实。它们不一定以 AI 为中心，但我所倡导的、也一直对人们说的是：未来一切默认都会是 AI。所以即使是以技术为重点的内容，你也会看到其中开始掺入大量 AI。
我想就你刚才说的内容追问一下，不过也许先放一放。我们先换个方向：你认为目前 AI 领域什么被过度炒作了？你认为什么被低估、没有得到应有的重视？
我想讨论一下策略，它其实同时既被低估又被过度炒作。今天早上我读到一篇文章，里面有一些作者在抱怨，他们非常非常恐惧，认为：“哦，在线写作要死了。我们学过的一切都会被取代。他们会抢走我们的工作”等等。而我的想法是：“不不不。ChatGPT 和这项技术是在增强我们的工作，是在增强我们自己，并不是在偷走我们的东西。”这就是目前给人的感觉。还有其他一些东西被低估，当然 ChatGPT 很了不起，我每天都在用，但 AI 还能以惊人的方式做到其他很多事情。（05:34）前几天我读到一篇研究文章，说 AI 现在可以检测谎言。所以测谎，不论是出于安全原因还是在工作中或诸如此类的场合，现在都有可能做到了。因此我鼓励大家去看这些新闻简报，去看这些线上博客、10 prints 之类的，读一读正在发生什么。AI 不只是聊天阅读，还有更多更多的内容，你应该多读。
你提到你在工作中使用 ChatGPT。聊聊这个吧。你实际上是用它来做什么？
即使在工作中，当我想写一个漂亮的使命宣言时——我们产品经理会写使命宣言，这是至关重要的部分，是一切核心的起点。你希望让人们兴奋，希望激励人们。我写不出任何能像 ChatGPT 写出来那样好的东西。所以我会真的去 ChatGPT，对它说“替我重写这个使命宣言”，哪怕第一次尝试就能产出非常棒的东西。就是这样。（06:34）第二，它能以很棒的方式帮我创建用户细分。它会想到你的头脑根本不会往那边想的用户细分，就是不会往那边想。它还会提供动机、提供痛点，而你读着读着自己也会冒出各种想法。最后一点是，它会为你提供想法，看是不是由 AI 增强。所以我在日常中使用它，甚至是[听不清 00:07:00]日常工作流程，但我不会让它替我做我的工作，我是在自己心里已经有了一个使命、知道自己想做什么之后，才去问它。
所以你的做法是，你输入“想出一个更好的使命宣言”，然后把你自己版本的使命宣言给它？
没错。
有意思。你是说它想出来的使命宣言比你原来的那个更好？
它更好，是因为使命宣言会被所有职能的人阅读。它不只是会被已经有很多背景、很了解情况的产品经理阅读，而是会被领导层、初级员工、利益相关方、其他部门乃至竞争对手阅读。你需要用的是人人都能理解的措辞。甚至一个孩子都能理解，而且他们也会被你所激励。
然后你还说你用它来做用户画像。你实际上是怎样给 ChatGPT 构造那个提示词的？
假设你在负责某个特定的产品领域，想做一款健身手环，那你可以这样问：谁会对没有屏幕的健身手环感兴趣？它会给出一个要点列表，列出各类人群，比如：年轻职场人士对它感兴趣，但没有足够的时间；不想每天给可穿戴设备充电的人。然后清单还会继续下去。真的很棒。
你之前在讲你认为 AI 的未来是默认配置。你的意思是，它基本上会被嵌入到我们使用的每个产品中，帮助用户把事情做得更好，让产品运转得更好吗？是这个意思，还是别的意思？
我相信大致上所有产品经理未来都会成为 AI 产品经理。这是因为我们看到所有产品都需要有个性化的体验，需要一个真正好用的推荐系统。我的意思是，你没法看 Netflix，甚至没法看一部电影，而不需要它。看完《白莲花度假村》或《怪奇物语》之后，你会想要类似的内容来看。你不会希望被推荐一部爱情片。（09:06）另外，自动化也是一点。我们需要不断改善社会，需要不断推动技术进步。如果你在所从事的每个领域里都没有以 AI 为中心的视角，你就没法做到这一点。
当你说每个产品经理都会是 AI 产品经理时，你的想法是你会在作为产品经理的工作中使用 AI 工具，还是你会把 AI 构建进你所做的一切之中？你是怎么想的？
我认为是你需要适应拥有一位研究科学家作为合作伙伴，并且需要明白这些人可以做出聪明的模型。他们能够做一些自动化、一些个性化、一些推荐等等。对很多人来说，这确实让人不舒服，很多人不知道该如何接近研究人员，很多人不喜欢研究所带有的不确定性。很多产品经理非常非常习惯于：“好，我要做这个，我要发布；我要做这个，我要发布。”而当你与研究合作时，更像是：我们试试这个，如果一年后没成功，我们就把它关掉，然后重复完成[听不清 00:10:17]。所以我觉得，如果大家更习惯不确定性和研究，最终对他们来说事情会变好。
我原以为你是把 ChatGPT 比作你合作的研究人员，但你其实是在说，人们的团队里将会有博士研究员，帮助他们把模型构建进产品，让产品变得更好。你是这个意思吗？
没错，这正是我想说的——
有意思。
而且从产品角度，我脑子里可以想象三个气泡。你要找到这样的交集：既是用户想要的，又是可行的商业，还是从研究科学家和技术角度可行的。当你有了这个，就会是一个可以推进到发布的有能力的产品。所以，每当我说研究人员，指的就是能够产出 AI 机器学习模型的研究科学家。
哇。我之前没想过每个跨职能团队最终可能都会有一位研究科学家。有意思，真有意思。对于好奇如何学习做这些事的产品经理，对于今天没有任何 AI 经验的产品经理，他们能做哪几件事来开始学习如何把 AI 工具构建进自己的产品，并弄明白 AI 领域到底发生了什么？
这是个好问题，我想传达的信息是：如果你没有技术背景，不应该被这些技术压倒，因为这些东西是可以学会的，而且作为产品经理，你永远不需要真的去训练模型或写代码。而且，即使你想训练，也有无需代码的模型训练方法。但回答你的问题：如果你在做任何产品，你总是可以掺入一个更智能的功能。你可以让它更安全，可以做个性化，可以用欺诈检测来增强它，可以让它更合乎伦理。如果是医疗健康领域，你可以让它更快、更准确。如果是购物，你可以创造更好的住宿推荐。基本上，任何你能获取用户行为背后数据的地方，都可以用 AI 来改进。（12:30）所以我想这一切都在于转变产品经理的思维方式。退后一步想一想：好，我有这些一直放在那里的数据，我能用它做点什么？我遇到过一些产品经理说：“哦，我们没有收集任何数据，我们只是[听不清 00:12:46]仪表盘。”所以即使是这一点，也是迈向 AI 的巨大第一步。然后就开始思考，比如你可以找一个数据科学实习生，看看他们会做出什么。人们能做的事情真的太多了。
那么假设你想开始在团队内投资某种模型、某种 AI，你是说也许可以雇用数据科学家来帮你开始构建一些可以着手整合的东西。这是你给出的建议吗——当你想认真开始构建某种 AI 组件时，第一步就是这样？
有一种东西叫“闪亮物件陷阱”，我总是告诉大家：“嘿，别为了做 AI 而做 AI。”要确保那里确实存在一个问题，确保有一个需要用聪明的方式去解决的痛点。等你确定了问题是什么、以及一个非常非常高层次的解决方案是什么之后，再去联系相关的人，想办法把它真正落地。我还喜欢给出这样一个定义：我通常会说，通才型产品经理帮助团队和公司打造并交付正确的产品，而 AI 产品经理则帮助团队或公司解决正确的问题。所以，如果你想进入 AI 产品经理这个领域，就要弄清楚你要让数据科学家创建模型去解决的问题是什么，但必须有一个问题，必须有受众，必须有用户，还要有痛点。
有哪些迹象表明，AI 可能不是解决某个问题的好办法？你刚才说的这种情况在我的很多团队里都发生过：哦，我们要做一个非常酷的模型，它在这种场景下会做一些非常聪明的事情，结果往往是投资回报率很低的投入，而且要花六个月到一年的时间，你才知道到底发生了什么。关于这方面，你有什么看法吗：哪些迹象说明这里也许不该投入大量时间做 AI，而哪些迹象说明这绝对是个机会——是的，我们应该做这件事，投入大量时间。
不要为你的 MVP 这么做。这完全没有意义。不要浪费数据科学家的时间，让他们用强大的机器去训练模型，而那要花上几周才能训完。原因是，如果你有一个 MVP，只是想为某个将来可能使用 AI 的想法或功能争取认可，那就做一个小小的 Figma 原型，拿给一些用户看看，假装演示 AI 将会做的事情就行。很多年轻的早期创业者联系我，他们说：“哦，我们是不是应该训练这个模型来做这个那个，因为我们想证明存在市场。”“不，不要用 AI。你应该在你认为自己已经有一些数据、或者有来自相邻产品的数据、可以为自己的产品所用的地方使用 AI，去创造有意义的东西，比如推荐、自动化，就是我们谈到的这些。但不要为了 MVP 这么做。拜托了各位，这就是我的建议。
你认为需要多少数据，AI/ML 才有机会发挥作用？你有没有一个经验法则，比如低于这个量就完全行不通？
这是个好问题，老实说这取决于我想做什么。如果你想做分类，比如判断照片是不是“狗”这个类别，那显然哪怕只有，我不知道，十五、二十张标注好的照片，也是行得通的。但如果你想做语音识别器或复杂的 NLP 应用，你就需要成千上万的[听不清 00:16:19]数据。而这也正是它不容易的原因。AI 系统并不容易开发。机器学习项目有一个生命周期，在界定范围之后，你需要弄清楚：“天哪，我们需要多少数据？我又该去哪里找这些数据，需要多少数据？”有时我见过有人自己合成假数据，只是为了有东西可以用来训练和测试他们的模型。但确切的数量很难界定，尤其是从[听不清 00:16:50]的角度。我相信数据科学家会有不同的看法。
是的，我猜大多数创业公司的数据量远远不足以构建自己的模型并让它变得真正有意思。那么，你对什么时候值得尝试构建自己的模型、尝试训练自己的 GPT 这类东西，而不是使用市面上已有的东西——比如 GPT 或 Midjourney 之类的——有什么想法吗？
如果你是一家大型科技公司，提供的服务涉及语音或权限之类，并且要有自己的……（原文如此，转录有误），你就会想用更多、更多样的数据来训练、再训练，因为如果不这样，你的质量就会和其他所有公司一样。有一些机构在出售数据，也就是现成的数据包，你可以买来训练自己的模型。但问题是，如果每个人都拿同样的数据集，那么每家公司产出的质量就会完全一样。所以你确实需要多样化，确实需要收集自己的数据。而我想，从我的产品经理视角看，一个好问题是：你的产品质量什么时候好到足以发布？（18:08）这是一个非常有意思的点，因为作为产品经理，你完全有责任来决定：“好，对这个文件夹是不是‘狗’这个类别的识别，对用户来说已经足够好了，比如准确率 70%、80%，门槛在哪里，我们在哪里发布？”这就是为什么我觉得 AI 产品经理这个角色这么酷，因为你要解决以前没人处理过的这类问题。所以一切都取决于你。
我们已经抛出了“模型”这个词，也谈到训练模型。对于技术背景不强的人，你有没有一个好的、简洁的解释来说明什么是模型，以及训练模型的大致概念？有没有一种简单的思考方式：模型就是这样一个东西。
我有一个三岁的女儿，我在教她认识生活和一切。最近我在教她认识动物，你对她解释一两次什么是哺乳动物或犀牛之类的东西。但你最终是通过重复同样的信息来训练孩子的大脑。所以你会说：“嘿，犀牛长这样，大象长这样，犀牛长这样，大象长这样。”当你这样做了足够多次，你的孩子在街上看到一只动物时，就能认出来并说：“哦对，那就像我们说的犀牛。”这正是模型的样子。模型就像孩子的大脑。它有能力接收一个输入，也就是说，它有能力接收一张图像并说：“哦，我认得这是什么。那看起来像犀牛。但我有 70% 的把握。”所以它也会输出这种确定程度的概率。
你说的是图像，但它也可以是文本，比如 ChatGPT。我想未来还会有视频，也有语音，比如 Whisper。这个解释太棒了。基本上就是在尝试重建人类大脑，这是个不错的思考方式。那么训练模型呢，你能谈谈那是什么意思吗？
训练模型的问题，比如说，就是提供大量合规的图像并说：“嘿，猫长这样，这个长这样”，而且我们说的是成千上万的数据集。一旦你做了这些，就有一个过程，模型会处理这些信息并从中学习，找出其中的模式，而这些模式并不是“哦，如果这是灰色的，那就意味着这个”这种形式。不是的，它只是在聪明的大脑里学会如何识别某些特定的东西，而我们自己甚至都不理解这些东西。然后它就能输出一张照片是否包含猫和狗等等的概率。
仅从概念上说，训练的输出是什么？是自动生成的、带有这些决策树和权重之类的代码吗？是一个权重的数据库吗？从概念上说，训练之后变成模型的输出是什么？最简单的理解方式是什么？
这取决于它所做的事情。语音是一个很好的例子。比如，我对着一个像家庭系统一样的设备说：“嘿，今天天气怎么样？”它会获取我的声音和音频并处理它，输出会是一份转写。也就是说，它输出的字面上就是与我发给它的内容相对应的文本。
想想你在 Google、Meta 以及其他任何地方做过的工作，甚至是副业项目，你参与过、贡献过、甚至见过的、可以谈的 AI 机器学习的更酷的应用有哪些？我想其中也有很多敏感的内容。
有一件事我想谈谈，就是我以前在 Google 所在的团队，当时是 RVR 团队，他们在做一款 AR 眼镜，实际上去年的 Google I/O 上还有一段视频。他们能让一个人戴上 Google Glass，说一种语言，而另一个人坐在他们对面，说另一种语言，眼镜会把另一个人发出的音频作为输入，转写、翻译，并用那个人的语言显示在屏幕上。所以我们说的是这些设备打破沟通边界的能力，而这不是科幻。这真的令人惊叹、令人震撼，已经没有科幻了。这些东西是真实的，技术已经在这里了，只是要把拼图的各个部分拼起来，让它们变为现实。所以我认为那是我见过的最有影响力的事情之一。
我记得那个演示，相当不可思议。好，那么把视野放宽一点，你认为 ChatGPT，或者说 GPT-4、GPT-5、GPT-6，你认为在某个时刻它会取代产品经理吗？我在 Twitter 上经常看到这类说法。人们会说：“天哪，产品管理完蛋了。这东西替我写出了产品需求文档。”或者你谈到过它如何让你的使命宣言变得更好。你认为会有一个阶段不再需要产品经理了吗？
哦，绝对不会。正如我所说，它让一切变得更好。如果说有什么影响的话，它会为我腾出时间去做其他不那么乏味的事情。比如，我同时负责很多项目，它们只有它们的同级[听不清 00:23:27]，而同级[听不清 00:23:28]在所有项目里都有很多共通的领域。如果我有一个系统能真的替我写那些持续重复的内容，让我可以专注于更具战略性的方面，那就太棒了。它会让我们更聪明。如果[听不清 00:23:42]，你就会解锁产品管理中我们此前没有意识到、但确实存在的新领域。
按照你“所有产品经理都将是 AI 产品经理”的这种愿景，你认为产品经理在哪些方面的技能上应该加大投入，又有哪些方面应该少花精力投入，因为比如某个机器学习模型会替他们做？
我希望看到大家少一些不知所措，少一些畏惧，少一些害怕开始学习如何编程、如何自己训练一个小模型。这是因为，即使 ChatGPT 或这些无代码应用也许能替我们做到这些，学习编程仍然会给你一种不同的方法、一种不同的思维方式，如果你愿意这么说的话，也给你一种了解事物如何运作的信心。我举一个傻傻的例子：我小时候学弹钢琴，老师来了，我说：“哦，我想学弹这首很酷的歌。”有一些歌是我真的很喜欢的。她却说：“不行，你要从古典音乐开始。”我一直都很讨厌这样。我说：“为什么我非得这样做？”她说：“如果你学会基础，了解事物从哪里开始，了解音乐的起点，这会帮助你一路走下去，如果你愿意，还能自己创作音乐。”她是对的。我后来就是很喜欢。（25:00）编程也是一样。我鼓励大家去上一门在线课程，多了解一些，亲自动手，找一个和你处境相同的人结对，因为这会给你一套技能，让你明白那个将在日常工作中帮助你的工具最初是怎么被创造出来的，而不是蒙着眼睛、不加分辨地信任它来做你的工作。
本期节目由 Pando 赞助，这是一个始终在线的员工绩效平台。你有多喜欢绩效考核流程？是啊，它耗时、主观、带有偏见，而且很少有任何透明度。随着向分布式办公的快速转变，要建立你想要的结构和透明度，帮助员工在职业生涯中产生最大影响并获得成长，是一件很费力的事。Pando 正在颠覆旧的绩效管理范式，包括采用持续的、以员工为中心的方法。这样员工保持投入，实时看到自己的进展，并清楚地知道自己何时以及如何可以升级。借助 Pando，管理者可以利用基于能力的框架来有效地辅导和培养团队，并就一致的成长标准达成共识，从而带来更高质量的反馈和更高绩效的团队。请访问 pando.com/lenny 了解更多信息，注册并提及本播客可享受特别折扣。也就是 pando.com/lenny。（26:21）对于真的想这么做、想学编程的人——我很喜欢这个建议——你有没有什么资源、什么地方可以推荐给人们学习编程、开始走上这条路？
这取决于你是哪种类型的学习者。有些人线下学习，那就去 Coursera，有太多课程了。实际上有一门很棒的，斯坦福的 AI 入门课，他们会鼓励大家去看看。但我知道很多人不喜欢，没有时间，也没有自律去真的抽时间，或者在下班后、把孩子哄睡之后去做这件事。所以，如果你喜欢与他人一起学习，喜欢成为团队的一员，喜欢一起走完一段旅程，那么我推荐这些资源。有一个叫 Career Foundry 的，是一所很棒的线上编程学校，还有 General Assembly，以及 Coding Dojo。（27:13）我实际上做过一次演讲，在 Coding Dojo，[听不清 00:27:17]用 Python，你只需要花几周的时间和热情，卷起袖子，就会意识到这并不可怕，并意识到学习能带来的好处。
太棒了，谢谢你分享这些。我们会把链接放在节目说明里。回到产品经理如何在 AI 方面变得更强。假设一位产品经理处于职业早期，想成为非常强的 AI 产品经理。我知道你有一整门课讲这个，我们可以现在聊也可以稍后聊，怎么方便怎么来。这位产品经理应该做些什么？我们谈到了学编程，也许开始试用一些工具。对于想成为真正出色的 AI 产品经理的人，你还建议他们现在做什么、投入什么？
我确实有一门课程即将在 2 月 6 日开课，在[听不清 00:28:06]上，面向想要打造 AI 产品的现任和有志成为产品经理的人。但我也有离线录播。同样的课程，我在自己的网站上有离线版本。我很乐意在这里和你聊，你之前已经和我聊过这个话题了。我觉得大家应该理解的是，管理一个 AI 产品需要什么。当然，大家对一般产品开发的各个阶段都很熟悉，但 AI 产品开发是不同的。正如我之前提到的，有时你实际上是在管理问题而不是产品，你要想办法确认：是否存在一个问题，值得用一个聪明的解决方案来回答。（28:45）所以这是一个非常有意思、也比常规产品管理更复杂的过程。第一，弄清楚它与一般产品管理有何不同。第二，如果你已经在一家拥有 AI 研究人员和 AI 研究科学家的公司里，我鼓励大家去和他们聊聊，跟着他们观察，每周花一个小时只是和他们交谈，体验他们在做什么。这会打开你的思路，会给你大量背景，让你了解它是什么，以及你能在那里发现的无穷潜力。
太棒了。你的课程里还有什么你觉得可能对大家有意思、想分享的吗？
我们谈了为什么做 AI 产品经理很棒，但我确实想指出，有几项挑战是大家需要了解的。第一，我之前也提到过，就是不确定性。你可能一直在研究所有这些了不起的研究和假设想法，但当你真正训练模型时，得到的结果可能并不理想，可能并没有回答你心中实际的问题或假设。这是第一点。在整个过程中，你需要能够鼓励团队，因为你就像是船长，你需要成为那个为团队加油打气、确保所有人继续前进的人。（30:10）第二，你将不得不[听不清 00:30:15]。你将不得不改变行动，从领导力的角度来管理这件事可能很棘手，也可能很有挑战性。（30:22）第三，我们谈过数据，但获得好的数据很难。你可能需要发挥创造力，想出你从未想过要做的数据收集方式。你可能要走上街头，请人们真的为你所做的事情贡献数据。你需要有能力也愿意做任何事情。最后一点是，从职业发展轨迹来看，产品经理通常发布得越多晋升得越快。但如果你在做研究，或者说你不会那么频繁地发布，那么你需要在早期就和招聘经理讲清楚：“嘿，进展意味着什么？在与我迄今所做的不同的研究工作中，我该如何衡量自己的进展？”所以这很有挑战性，但我总是鼓励大家锻炼不同的肌肉，而这就是从零到一的肌肉。另一件事是，这在产品管理中至关重要。
这其实是一个很好的过渡，引向我一定想问的一个问题，那就是在公司里为 ML 投资争取认可。有时会有这样的能量去做从零到一，就是我们试试看，有时则没有，所以这里也许是个分为两部分的问题。关于争取认可——我们想用 ML 试点什么，要花六个月才能知道值不值得投入，但我们认为这里面有东西——你有什么建议吗？然后有时一开始能量很足，接着你取得了一些成果，比如你的搜索排序更智能了，很棒。（31:48）但接下来要维持它，让所有这些很贵的人持续工作、不断调整这个模型，继续让它更智能、更高效一点，往往很难持续为这样的团队争取到认可。关于最初的认可——让我们在这里试试看——以及之后如何让团队持续运转、努力让这个东西越来越智能，你有什么建议吗？
大家应该知道，有一个极好的灵感来源，也能在一定程度上降低风险，那就是相邻的产品。也许公司已经发布过成功的产品，也就是那些 AI 优先的产品。每当我试图说服领导层接受我想做的某件大的赌注时，我总会用例子，我会说：“嘿，这在当时看起来很疯狂，它们是这样运作的。我提议的东西和这件疯狂的事非常相似。”然后我会提出一个小小的应急方案，比如：嘿，如果这行不通，这是回滚方案，这是它可能造成的最大负面影响，不会太大。然后你把这一切都承担下来[听不清 00:32:55]。（32:55）有意思的是，你在这家具体的公司工作得越久，获得的信任就越多。而且如果文化是这样的，那么失败是会被欢迎的。所以有很多公司是欢迎痛苦的，因为你可以放手去做这类事情。
如果我说错了请告诉我，但我觉得大多数 ML 方面的投资都不成功，往往也不是对时间的好利用。我很好奇，随着有了更多工具、更多人们可以直接接入而不必自己构建的公开模型，这种情况是否会改变。我在想，会不会变成：“哦，好吧，我们投入三周，就能得到真正有用的东西。”
没错。还有另一件事，我想补充你之前问的那个问题，就是你怎么跟进新的小众技术动态？我们不应低估学术界和研究博客，有一个叫 Archive（原文如此，应指 arXiv 之类的论文网站）的网站，你可以在上面看到新论文出现，因为这里是……ChatGPT 和[听不清 00:33:49]在那里存在了很长时间，关于这类东西有大量信息。但最近我们看到，研究科学家和研究机构不再像以前那样各自为政了。所以，公司越是在人员配置上投入，也就是在产品化与学术研究之间的这一层，在那里增加的产品经理越多，你就会越多地看到这座桥梁创造出好东西、产品，[听不清 00:34:20]。所以有时研究科学家有惊人的想法，但需要一位产品经理拿过来，并且想办法把它变现。（34:28）这是另一件事：如果你是产品经理，你需要想出办法真正实现变现，而 ChatGPT 现在对所有人免费。但不知道你有没有看到，之前流传着一个注册表单，上面问：“嘿，你愿意为此付费吗？你最少愿意付多少？最多愿意付多少？如果你付费了，你希望看到什么？”所以让产品经理弥合这道缺口，对公司来说至关重要，这样才能把研究成果拿来，真正为用户想出有意义的使用场景。
我想他们前几天实际上已经开始收费了。我想是每月 40 美元、42 美元左右才能开始使用。我觉得人们在 Twitter 上一直在讨论，我不知道是否已经上线。然后你谈到研究论文，我一想到这个，总会想到 Tyler Cohen，他有一个很棒的博客 Marginal Revolution，他很擅长分享他正在读的研究论文中的见解。所以这是另一个值得大家去看的地方。他就是个非常聪明的人。他对 AI 和 GPT 整体都非常兴奋，所以他分享了很多关于这一切的非常有意思的见解。稍微转到你的课程，我有几个关于它的问题。第一，你能谈谈课程的整体框架吗？有多长，学什么，工作坊大体是什么？然后我还有几个后续问题。
我的课程为期三周。它面向有志成为或已经是产品经理的人，他们想了解如何掺入 AI 解决方案，或者想要一门全职的 AI 课程。第一周更多是介绍，讲常规产品的产品开发生命周期是什么样，以及对 AI 产品经理来说具体有何不同。然后我们谈创意的产生。你到底怎么想出点子？我很喜欢史蒂夫·乔布斯说过的话，他过去常说：“用户在你给他们看之前，是不知道自己想要什么的。”而这正是我想邀请大家带上的心态，我会说：“嘿，人们根本不知道该怎么用 AI。”人们永远不会想象到 ChatGPT 能成为现在这个样子。（36:26）然后我们接着深入，谈谈到底怎样把这样的东西产品化？你要和哪些不同的合作伙伴合作？什么是研究科学家，你到底如何与他们协作、如何与他们建立伙伴关系？你如何说服他们，把你心目中他们珍贵的研究转化为产品？你到底如何说服他们信任你，又如何影响他们？最后我们会谈到，你实际上将如何铺就自己成为产品经理的道路，从这个职位的面试、简历是什么样，到做一些模拟面试，因为练习得越多越好。
整门课有多少个工作坊？
九个工作坊。
九个工作坊。在这九个工作坊里，你发现哪一个对人们来说最令人兴奋、最具颠覆性、最有意思？
在所有这些工作坊的整个过程中，大家都有作业，他们实际上要带回家一个练习，需要端到端地创建和开发自己的 AI 产品，而且他们可以互相结对。顺便说一下，曾经有两位学生结对，实际上他们还融到了资金，这让我很震惊，真的很棒。
太棒了。
但继续说，最令人兴奋的部分是，到最后每个人都展示自己的作品，他们提问、得到反馈，对自己创造出来的东西既兴奋又自豪。
这很好地提醒了我们：很多学习其实就是动手去做，而不仅仅是阅读和关注 Twitter。你能分享一些人们在课程结束后做出来的东西的例子吗？
有一个人，我不骗你，真的做出了一个小模型，可以把他们在网上找到的 X 光片作为输入，并能告诉我们那位病人是否有问题、问题出在哪里。想到你能在三周之内做到这一点，真是疯狂。显然，那只是靠我们能在网上抓取到的 X 光照片。但概念就在那里：你可以构建这样的东西，你可以创造它。再进一步，他们还想做一个推荐系统，说：“嘿，我们认为你的问题是这个，你应该遵循这些步骤。”显然我们并不是想扮演医生，或在任何意义上假装自己是医疗方面的，但能够看到它真正运作起来，影响非常大。
太惊人了。构建这个东西的团队，他们本来就会编程吗？
他们不会，但课程的一部分就是教大家你所需要的基础知识，从产品经理的视角出发。而且正如我提到的，有一些无需点击代码的工具，可以让你拖放并训练这些模型，把照片输入进去，就能做到。
你能再提一下那些工具吗？因为这真的很有意思，就像是窥见了你课程的一角。如果有人想开始构建这样的东西，有哪些工具可以去看看？
我想向大家推荐的工具之一其实是 Auto ML。这是由云厂商提供的（原文为“World of Cloud”），基本上它允许你以极小的投入训练高质量的自定义机器学习模型，你不需要会写任何代码之类的。你需要有大量你已经校正好的照片和图像，但它不会替你做数据收集。我还见过一个很好的应用，实际上有一个关于它的 YouTube 视频。有一家公司拥有很多风力发电机（原文为“winter banks”），而他们为了维护这些设备，会让人手动架着巨大的梯子去查看一切是否正常。所以最后他们[听不清 00:39:59]无人机，让这些无人机飞过所有这些机器，给每样东西拍照。然后他们下载了所有这些照片，上传到 Auto ML，就能看出哪些需要维护、哪些不需要。（40:12）我认为他们把时间从三周的工作缩短到几个小时就能知道哪些需要维护，然后派人过去。所以这就是你可以通过应用这类工具自己做到的事情。
你是说这个工具叫 Auto ML？
对，Auto ML。
太棒了。我们会在节目说明里放上链接。回到你的课程，也许再问几个问题。你能谈谈构建像你这样的课程需要什么吗？花了你多少时间？需要多少工作量？有什么想分享的都可以说。
我把创建课程当作一个产品来对待。我是这样做的：先提出一些假设，关于受众是谁、他们希望从中获得什么。然后我开始联系人们，我会说：“嘿，首先，你愿意向我学习吗？其次，你想学什么？你需要得到解答的具体问题是什么？”因为这些都是在工作的人，是[听不清 00:41:09]有家庭的人。为了让他们从这一切中抽身休息，你需要给他们提供有意义的东西。当时有相当多的激活。一开始，我把课程更多地聚焦在想成为 AI 产品经理的软件工程师身上。但后来我意识到不对，有很多产品经理想成为 AI 产品经理。（41:31）所以我在线上做了一点调整。因此，要做到这一点，需要确保找到合适的受众，确保弄清楚这些受众想要什么，确保有合适的时长。我觉得一周太短。两周仍然会很仓促。三周非常好，因为你给了每个人展示的机会，也让大家能在一个线下的 Discord 社区里彼此认识，这是另一个重要部分。最后一点，你需要和每个人建立个人关系。所以我给每个人都发了消息，看了每个人的申请。我也和一些人见了面，只是为了回答任何问题和顾虑，因为我想确保大家能放心地信任像我这样一个陌生人，并付费来获取我为这门课程提供的知识。所以经历了相当多次迭代，但我做到了，现在我非常非常满意，而且我也为大家录制了离线版本。
这门课程有什么地方需要改动吗？也许就当作最后一个问题吧，事情变化得这么快。自从你最初构建它以来，有什么是你不得不重新思考、重做的吗？
我实际上增加了加餐章节，其中一个加餐章节是关于[听不清 00:42:38]以及它是如何训练的。这是因为我在十二月开了新一期，第一天我得到的问题就是：这是什么？它是怎么开始的？到底发生了什么？他们是怎么训练它的？所以我为此增加了专门的章节，并引导大家去看。
太棒了。在我们进入非常令人兴奋的快问快答环节之前，你还有什么想分享的吗？
曾经有人建议过，我实际上做了一门课程，一开始我还笑了，我说：“等等，人们会想向我学习？真的吗？”当然，他们真的想。而且我现在教了很多人。所以我想告诉大家的是，不要低估这件事。也试着创建你自己的课程。人们可能想学你觉得理所当然的东西。对他们来说，它可能改变游戏规则，甚至改变人生。所以创建课程是一件很棒的事，而且我们正生活在完整的[听不清 00:43:30]之中。课程就是内容，所以去试试吧。
我发现，教学，至少是把想法理清楚，是自己学习的最佳方式之一。我想你在把它整合成一门课的过程中，对 AI 学到了很多，甚至比你开始时知道的还要多得多。
完全是这样。而且我遇到了一些让人不舒服的问题，我完全不知道该怎么应对。第一天就有人问：我该如何评估这两个不同模型（原文为“months”，疑为转录有误）之间的取舍？我不得不想办法回答这些问题，并把它们纳入我的课程。所以从学生那里学习，从课程中学习，从讲解中学习，真的太有价值了。这就是我们可以获得的技能。
好了，我们进入了非常非常令人兴奋的快问快答环节。我有五个问题要问你。我会问得很快。想到什么就说什么。我们看看会怎样。可以吗？
可以。
你最向别人推荐的两三本书。
《Inspired》。讲的都是如何创造人们喜爱的科技产品。
是 Marty Cagan 的，对吧？
对，就是那本。很棒。
好。还有别的吗？或者想到的就这一本。
《You Look Like a Thing and I Love You》，我这儿就有一本。这本书很棒，超级超级酷。它讲的是 AI 如何运作，以及为什么它让世界变得更古怪。其实是一本非常有趣的书。还有另外一本，是一本练习册，是我最初与 Alana Karen 一起推出的，是为科技行业女性准备的、帮助她们应对科技行业工作的练习册。名字叫《Adventures of Women in Tech Workbook》。所以这是我要毫不害臊地推荐的另一样东西。
啊，这是个很棒的推荐。大家在哪里能找到？在亚马逊上吗？
是的，亚马逊。
太棒了。你喜欢听的另一个播客是哪个？
我喜欢 Boz 的播客。不知道你是否了解。Boz 是 Facebook 的 CEO（原话如此）。他有一个很棒的播客。
我没听过。我知道 Boz。我会去看看。我不知道他有播客。他这些年写过一些很棒的文章。也许这就是他不再写作的原因，他有了自己的播客。最近你最喜欢的电影或电视剧是什么？
哦天哪，《白莲花度假村》。大家都在谈论这部剧。我最后就试着看了一下，我和我丈夫把整部剧都刷完了。它真的太与众不同、太震撼了，让你又兴奋地想去夏威夷。真的很棒。
你看了第二季吗？
看了，比第一季好太多了，这很罕见。
我同意。太棒了。我喜欢这部剧。你最喜欢问的面试问题是什么？如果和 AI 相关的话加分。
我喜欢问人们：你会怎样向一个三岁的孩子解释数据库？我知道这有点算是 AI 的问题，不是每个人都会说是 AI，但我喜欢问它，因为人们会在想[听不清 00:46:11]，比如“你刚刚问了我什么？”但是，能够用简单的话解释事情，并且有讲故事的能力去说服一个孩子，真正地向非技术人员解释技术术语，这非常重要。
你最喜欢的、认为大家应该去看看的基于 AI 的工具。
说到 ChatGPT，现在我在 ChatGPT 上有这个，这是我首先想到的。嗯，Lensa 应用也相当酷，对吧？我们都输入了自己的[听不清 00:46:36]，然后就能看到他们变成奇幻英雄会是什么样子。我得说，我试了男性版本，因为它比 KingL 版本酷多了（原文如此），所以我向大家推荐的是，试试男性版本。
挺有意思的。而且它们现在实际上支持宠物了。这就是让我下载并付费的原因。你可以拍宠物的照片，它们看起来特别有趣。这简直就是杀手级功能。干得好，Lensa。这个应用就是 Lensa，对吧？
是的。[听不清 00:47:02]
太棒了。Marily，非常感谢你花时间和我在一起，分享你的智慧。最后两个问题：如果大家想了解更多、联系你，可以在网上哪里找到你？听众又能怎样帮到你？
非常感谢。大家可以在 Instagram 上找到我。我在 YouTube 上还有一个产品频道，可以去看看。我刚刚开始做，还在适应整个流程。我也在启动一份新闻简报，只要通过任何社交渠道联系我，就能看到我所有的链接。
他们怎么找到那个 YouTube 频道？怎么找到那份新闻简报？
输入 Marily Nika 就行。
Marily，再次感谢你的到来。
非常感谢你，Lenny。很荣幸。
非常感谢你的收听。如果你觉得这期节目有价值，可以在 Apple Podcasts、Spotify 或你喜欢的播客应用上订阅本节目。另外，也请考虑给我们评分或留下评论，这真的有助于其他听众发现这档播客。你可以在 lennyspodcast.com 找到所有往期节目，或了解更多关于本节目的信息。我们下期节目再见。