在这一轮AI技术产品化的过程，我们看到的是技术和产品相互成就，螺旋上升的过程。在这个过程中，作者从三个阶段来看AI产品的成熟度，就是产品是否通过了技术验证、产品验证、商业化验证。一起来文中看看吧。
一、AI产品的技术验证
AI技术，我们只看深度学习为代表的所谓“新一代人工智能技术”。但是深度学习为代表的人工智能技术，在笔者看来又分为两个阶段，第一阶段是有监督+小模型，第二阶段是自监督+大模型+多模态的阶段，这里就不展开说，有兴趣可以等我总结《AI产品经理看两代深度学习技术的产品化落地之路》。
无论AI技术怎么划分，一个企业依托AI技术的产品化和商业化，都绕不开要解决解决技术验证的问题。技术验证是验证什么？为什么需要技术验证？在产品落地过程中我们还经常听到POC（proof of concept）我们叫概念验证，我们暂且认为在AI产品验证中，POC就是技术验证。
技术验证的目的，是技术在场景应用中的可行性验证，比如算法可以支持人脸识别，但是在非洲的人脸识别行不行，这个就得找一个对应的场景或者数据验证一下，最后可能精度不够高，或者没有足够数据，无法满足客户场景需求，那么这个就是AI算法上不可行了。
再比如L4自动驾驶，假设政策标准的要求是某种测评标准下要达到行人检测100%召回率，也就是一个都不能漏，可能包含了雨天、黑夜、黑夜暴雨、覆盖数万公里，这样苛刻的评测标准，那么在某个阶段，某些公司的技术可能没那么先进，那么对这些企业来说，这就是技术不可行，就是无法通过技术验证的，就更不要说产品验证、商业化验证了。
尽管有一些技术不行的产品，确实实现了产品化甚至商业化，但是实际上，技术不行导致使用体验极其糟糕，就比如很早我就看到用人脸识别做一个锁，但是经常无法识别，好在输入密码这个功能一直保留着，那它本质上还是一个密码锁，而且绝大部分时间，就是一个纯手动密码锁。
如何实现技术验证？最重要的还是一套符合商业场景需求的评价基准，我们一般称为benchmark，这也是学术上惯用的方式，但是这里我们讲的是满足商业场景需求的评价基准，这是和学术评价基准不同的本质区别，毕竟我们的目标是产品化和商业化，而不是写一篇论文。（后续《实现商业场景的技术验证——构建符合商业场景需求的评测基准》中详细讲）
二、AI产品的产品验证
技术可行就可以产品化了吗？那当然不是，技术产品化之路有几个两大难题，第一个是成本难题，第二就是应用闭环。成本难题好理解，技术要产品化和商业化，不能太贵。应用闭环是指从简单核心技术，到整个产品化流程的闭环。这两个问题在下面展开讲。
技术的早期都伴随高成本，毕竟无论是技术、人才还是生态在技术突破的早期都是稀缺。拿自动驾驶汽车来说，早期的激光雷达，动辄几十万上百万，比车本身还贵，但随着近5年自动驾驶的发展，激光雷达成本骤降到千元，已经在一些新势力汽车中安排上了。这也就是边际成本递减效应。产品验证要做的，是明确技术路线主流且生命周期较长，实现产品的边际成本递减，还要关注技术成本在解决用户问题本身的价值。
在我的职业生涯中，我曾经看到某团队做出了极其昂贵（数百万）的算法平台，并指望这个产品可以落地到预算只有10w级的客户群体上，而市面上有许多同类产品就是10w级别的价格。
应用闭环是技术到产品100公里的最后10公里，为什么是10公里而不是1公里，因为这件事也没那么简单，特别在业务门道多的领域，坑着实多。
在AI领域，早期都是算法可行，就订单可行了。但实际上，技术可行验证很多时候，掐头去尾，数据很理想地给输入，输出也很简单地呈现，但很多时候，业务的要求，如何获取数据，或者说打通不同系统的数据、如何管理中间的数据和结果，得到的结果面对不同的业务利用什么业务逻辑处理等，规模化情况下如何高效调度等等，这些都是典型的AI工程化问题。但是这些问题很多时候，并没有在技术验证中考虑，但这些问题却非常麻烦。
例如产品化过程中，面向的行业有特定的严格的标准，甚至放在今天，对国产化有非常高的要求，这都可能掐死已通过的技术验证。在我经历的过往一个产品在提供给某个大厂，就因其严格的安全要求，使得产品的技术组件几乎大换血，产品的加密方案也实现重构。从技术到考虑业务场景真实的需求，设计满足流程要求、安全保护、授权、漏洞、运维要求等等的产品，这是应用闭环，真正实现产品从0～1。
三、AI产品的商业化验证
在AI技术产品化，面向G端和B端的时候，有时候产品往往变成单一项目交付，或者时小范围项目交付，产品商业化泛化能力不够。一方面是产品商业化设计上欠缺考虑，一方面也跟产品落地的场景和特征有关系。
比如面向G端安全相关部门的业务，你就很难通过saas收费，很多时候是私有化交付，这个面向不同客群有不同的模式。面向G端的一些项目，产品经理会发现产品化路上依然很难摆脱繁重的定制、运维等，项目制负重前行，人力、维护、管理等难度都非常大，没有好的销售渠道通路、以及售后支持，如何玩转？显然，产品可能功能不错，但是如何让下游集成厂商或者运营商很好用起你的产品，减少人力投入、减少维护管理。问题多多。
如果在这些方面经不起商业化的验证，产品依然很难存活。
举个例子：AI早期企业码隆科技给沃尔玛做了一套AI称重系统，并且在沃尔玛获得认可，严格来说，从功能和体验上是一个不错的产品，但是在商业化上并不顺利。再举个例子，早期格灵深瞳有一 款行为分析产品，投入了很多，但是做出来之后一直无法变现，直到一个偶然的项目，针对银行场景安防的一个极其特殊的操作而被用上，但是产品的设计之初，并没有这样的设想，属于运气式地找到了商业化场景。
商业化验证主要是通过商业模型或者叫商业模式，从付费模式、渠道通路、合作生态、价值主张、时机、客户关系等等多个维度验证产品的商业化可行，当然这个商业模型还包括一个最核心的就是投产比ROI，简单来说还是账最后要算得过来。
在商业化验证这个环节，还有一个比较有趣的案例，就是百度的robotaxi。百度在robotaxi上面在国内是走的最领先的，在出租车这套商业模型中，一旦实现替代人，那么车自己就一直在接客赚钱了，那么车的价格，人力的价格，运营车辆的寿命，收入等核算下来，商业模型在可行性上逐渐看到希望，比如百度最新一代的robotaxi已经把成本做到了25w，粗算只要2.5年就可以回本，而对比当前出租车司机还需要支付费用，省掉出租车司机之后成本可以大幅下降。当然，百度现在还在持续试运行，但是可以看到在不远的未来，这套商业模式可能会成功。
做一个好的AI产品，道阻且长，成功经过技术验证、产品验证、商业验证考验，真正进入良性飞轮状态的少之又少，加油吧AI产品经理。