AI PM Buddy从学习到交付
♢新
正在读取本机记录…
拓展AI 能力◷ 55 分钟

AI、机器学习、深度学习与生成式 AI

建立人工智能概念之间的层级关系。

学完你能做到
  • 用自己的话解释“AI、机器学习、深度学习与生成式 AI”及其核心术语。
  • 在真实 AI 产品场景中识别何时应该使用本课方法。
  • 完成一份可沉淀进“模型选型对比表与 AI 场景判断报告”阶段任务的实践产出。
前置与关联课程

完成阶段 4 的能力检查，或先预览相关基础课

前置 · AI 产品指标、数据质量、偏差与隐私关联 · 监督、无监督、强化学习与模型任务
01

REAL SCENE

先从一个真实场景开始

!

业务提出“用 AI 预测流失、自动总结访谈并生成宣传图”，团队准备全部接入大模型。三个任务分别偏向预测、文本生成和图像生成，所需数据、评测与风险不同。若把 AI 当成一个万能功能，很容易选错技术和成功标准。

02

PLAIN EXPLANATION

说人话：它到底是什么？

人工智能是让机器执行通常需要感知、判断或生成的任务总称；机器学习从数据中学习规律，深度学习使用多层神经网络，生成式 AI 学习数据分布后产生新内容。规则、传统机器学习和大模型可以组合。产品经理先定义任务是分类、预测、推荐、检索还是生成，再判断是否需要学习能力，以及错误能否被发现和纠正。

01

概念层级与任务

AI 是大集合，机器学习是其中依赖数据学习的一类，深度学习是机器学习方法，生成式 AI 则侧重产生文字、图像或音频。不同层级不是互斥产品标签，而是解决任务的候选工具。

  • 规则适合确定且稳定逻辑
  • 预测输出类别、分数或数值
  • 生成任务输出开放内容
02

能力来自数据与目标

模型表现受训练数据、目标函数和使用分布共同影响。历史数据中的偏差会被学习；生成流畅不代表事实正确。产品需要定义输入来源、期望输出、反馈信号和不可接受错误。

  • 没有代表性数据就没有可靠学习
  • 离线分数与真实价值分开
  • 高风险错误设置人工控制
03

组合而非强行替代

真实系统常用规则校验权限和格式、检索提供事实、模型完成分类或生成、人工处理高风险例外。选择更简单方案能降低成本、延迟和不可预测性。

  • 先建立非 AI 基线
  • 把确定性约束留给代码
  • 仅在不确定部分使用模型
01

先定义任务与成功标准，再选择规则、机器学习或生成模型。

02

模型能力取决于数据、目标和真实使用分布，不是魔法。

03

确定性规则、检索、模型和人工按风险组合。

#机器学习#深度学习#生成式 AI
03

KEY POINT

这节课最重要的结论

核心重点
生成式 AI 是 AI 的一个分支，不是所有预测、推荐和自动化都要用大模型。
为什么重要
这决定了理解大模型的能力、限制和主要选型变量时，团队是否拥有一致、可验证的判断标准。
适用边界
当问题目标、数据来源或失败成本发生变化时，不要机械套用；先重新确认假设和风险等级。
04

EXAMPLES

正确案例与常见反例

✓ 正确做法

流失项目先用可解释特征预测风险分数，访谈用语言模型生成带来源的主题初稿，宣传图使用图像生成并经品牌审核；权限和禁用词由规则处理。每个场景分别定义标签、质量、人工复核和业务结果。

× 常见误区

团队为所有需求统一加聊天框，要求大模型“判断谁会流失并自动发优惠”，既没有历史标签和对照，也没有权限、成本与误伤标准；模型给出流畅理由后便直接触达，用户投诉却无法追溯判断依据。

和工程师这样沟通

“先把需求拆为风险预测、证据归纳和开放生成三类；请分别给出非 AI 基线、所需数据、输出类型与可测指标。权限和触达频控继续用确定规则，高风险预测只做建议并保留人工确认。”

05

HANDS-ON

必做实操任务

本节产出：“模型选型对比表与 AI 场景判断报告”阶段任务中的《AI、机器学习、深度学习与生成式 AI》一页实践卡

  1. 步骤 1收集十个 AI 产品功能，分别标注规则、分类、预测、检索、生成或组合。

  2. 步骤 2为一个生成需求写出输入、输出、成功、失败和人工纠正方式。

  3. 步骤 3设计一个不使用 AI 的基线，与模型方案比较质量、成本和风险。

  4. 步骤 4画出规则、数据、模型、业务服务和人工审核组成的完整链路。

○
实践完成度 0/4

实践结果会自动保存在本机，并进入项目工坊的任务来源。

AI 任务分类画布用户问题：____　成功结果：____ 任务类型：规则 / 分类 / 预测 / 推荐 / 检索 / 生成 / 组合 输入：____　输出：____ 可用数据与反馈：____ 非 AI 基线：____ 需要模型的非确定部分：____ 确定性规则：____ 质量指标：____　业务指标：____ 错误类型与影响：____ 用户纠正：____　人工审核：____ 延迟、成本和隐私：____ 最终方案及不采用方案理由：____
06

CHECKLIST

产品经理工作检查表

07

MASTERY QUIZ

掌握测验

达到 60% 即可完成本课。

1生成式 AI 与传统预测任务的主要区别是什么？
2什么时候规则方案可能优于大模型？
3深度学习与机器学习的关系是什么？
08

INTERVIEW

常见面试题

如何判断一个需求应该用规则、传统机器学习还是生成式 AI？
展开参考回答

先判断输出是否可由稳定规则确定、是否有历史标签与预测目标、是否需要开放内容。再比较数据可得性、质量门槛、错误成本、可解释性、延迟和成本；建立非 AI 基线，确定性约束留给代码，高风险节点保留人工。通常采用组合架构，而不是给所有问题套一个聊天模型。

09

RECAP & FURTHER READING

重点回顾、延伸阅读与下一步

一句话回顾生成式 AI 是 AI 的一个分支，不是所有预测、推荐和自动化都要用大模型。
  1. 1

    围绕“AI、机器学习、深度学习与生成式 AI”继续阅读：阅读模型或 AI 框架的官方概念文档，区分能力原理、评测条件与真实产品限制。

  2. 2

    用“机器学习、深度学习、生成式 AI”作为检索词，分别写下一条定义、一条适用边界和一个反例。

  3. 3

    对照本课正确案例与反例，寻找一个公开案例并记录其中可复用的判断与不能照搬的条件。