当前位置：首页 > news >正文

AI产品经理手册（Ch3-5）AI Product Manager‘s Handbook学习笔记

news 2025/7/30 9:49:22

AI Product Manager's Handbook Ch3-5 提供了深度学习技术的全面知识，旨在帮助产品经理在相关产品管理中：做出战略决策、选择合适的模型、应对伦理与合规问题，并提升产品成功概率。

从机器学习与深度学习的核心差异入手，阐释两者在数据处理（结构化与非结构化）、特征提取（人工与自动）上的本质区别，介绍多种主流神经网络类型 —— 从基础的多层感知器，到擅长图像处理的卷积神经网络、处理时序数据的循环神经网络与长短期记忆网络，再到生成式模型中的生成对抗网络、自编码器、扩散模型及 Transformer 模型等。
同时涉及相关新兴技术、可解释性、伦理责任及成功指南等内容，解答如何成功应用深度学习构建产品等关键问题。

Ch3 深度学习探讨

3.1 神经网络类型

3.2 生成式AI模型

3.3 新兴技术（基础设施层及应用层）

3.4 可解释性--伦理、风险与责任的优化

3.5 DL项目成功指南

Ch4 AI产品的商业化

4.1 The professionals - B2B产品的成功案例

4.2 The artists - B2C产品的成功案例

4.3 The pioneers - 蓝海产品的成功案例

4.4 The rebels - 红海产品的成功案例

4.5 The GOATs - B2B产品的成功案例

Ch5 AI驱动的转型及产品管理变革

5.1 AI对经济系统的影响

5.2 AI对医疗健康领域的影响

5.3 AI对商业应用的影响

5.4 AI对政府领域的影响

5.5 基本需求--人工智能向善（AI for Good）

Ch3 深度学习探讨

3.1 神经网络类型

类型	核心定义	技术特性	学习类型	主要应用场景	典型案例
多层感知机(MLP)	最早普及的ANN之一，使用反向传播优化权重	• 前馈神经网络 • 含输入/隐藏/输出层 • 通过误差计算反向调整权重	监督学习	分类与回归问题 • 客户分群、欺诈检测、预测评分	金融风控系统：信用卡欺诈识别；贷款违约预测
径向基函数网络(RBFN)	基于径向距离聚类的轻量网络	• 仅三层结构（输入层无计算） • 类似KNN的距离聚类 • 计算速度极快	监督/无监督	多变量数据集分析 • 复杂函数逼近、模式识别	工业传感器监测：设备异常振动模式识别、多参数故障预测
自组织映射(SOM)	通过竞争学习降维的神经网络	• 单隐藏层（Kohonen层） • 节点竞争激活机制 • 生成二维特征地图	无监督	高维数据可视化 • 未知模式探索、聚类分析	基因序列研究：癌症亚型聚类分析、未标记生物数据探索
卷积神经网络(CNN)	专用于视觉任务的层级网络	核心四层架构： 1. 卷积层（像素矩阵化） 2. ReLU层（降维去噪） 3. 池化层（特征提取） 4. 全连接层（决策输出）	监督学习	计算机视觉领域 • 图像分类、目标检测、医学影像分析	自动驾驶系统：交通标志实时识别、卫星图像道路分割
循环神经网络(RNN)	具有短期记忆的时序网络	• 循环结构保留上下文 • 含双输入（当前数据+历史信息） • 通过反向传播优化	监督学习	序列数据处理 • 自然语言处理、语音识别、时间序列预测	智能语音助手：Apple Siri对话理解、实时语音转文本
长短期记忆网络(LSTM)	增强记忆能力的RNN变体	• 引入记忆单元与门控机制 • 可自主决定信息存储/遗忘 • 解决长期依赖问题	监督学习	长序列建模 • 机器翻译、基因组分析、情感分析	医疗诊断系统：基于患者病史的病程预测、多参数监护仪预警
深度置信网络(DBN)	由多层RBM组成的生成式网络	• 层间节点连接 • 层内节点独立 • 逐层贪婪训练	无监督	特征学习与生成 • 动作捕捉、语音特征提取	影视制作：虚拟角色动作合成、电影特效生成

3.2 生成式AI模型

模型类型	核心原理	网络结构	训练特点	优势	缺陷	典型应用
生成对抗网络(GAN)	双网络对抗博弈 • 生成器：伪造数据 • 判别器：鉴别真伪	双独立神经网络并行训练	• 反向传播优化 • 无监督为主 • 训练不稳定	• 生成质量最佳 • 输出多样性高 • 支持跨模态生成	• 模式崩溃风险 • 训练难度大 • 伦理滥用隐患（伪造图像）	图像/视频生成：艺术风格迁移卫星图转地图老照片高清修复
自编码器(AE)	数据压缩重建 • 编码器：降维提取特征 • 解码器：重建去噪	对称编-解码结构（各含两个隐藏层）	• 确定性潜在空间 • 训练简单高效 • 无监督学习	• 高效数据降噪 • 特征提取能力强 • 计算资源需求低	• 生成模糊 • 缺乏创造性 • 易过拟合	数据预处理：医学影像去噪金融数据清洗工业传感器降噪
变分自编码器(VAE)	概率化编码 • 映射到概率分布 • 随机采样生成	编-解码结构+概率层	• 概率潜在空间 • 训练复杂度中等	• 生成多样性提升 • 避免模式崩溃 • 可控生成能力	• 生成质量次于GAN • 细节模糊问题	创意辅助：游戏角色设计分子结构生成个性化产品原型
扩散模型	噪声学习机制 • 前向过程：加噪 • 反向过程：去噪生成	多步去噪网络	• 训练稳定 • 需多次迭代采样	• 生成质量顶尖 • 多样性最佳 • 规避模式崩溃	• 推理速度慢（5-20倍于GAN） • 计算成本极高	主流图像生成： DALL·E 3 Midjourney Adobe Firefly
Transformer	全局注意力机制 • 并行处理序列 • 上下文权重分配	编码器-解码器堆叠	• 超大规模训练 • 需海量算力	• 长上下文建模 • 多任务通用性强 • 突破序列限制	• 推理成本极高 • 存在幻觉问题 • 伦理风险显著	大语言模型： GPT系列 Gemini Claude

3.3 新兴技术（基础设施层及应用层）

ML与DL技术渗透方向：①驱动自动化工具（低 / 无代码产品）；②新场景开发（如AR/VR、自动驾驶）。

1. 基础设施层（支撑AI的技术）

1）区块链技术：保障生成式AI内容（文本/图像/视频）的真实性与版权，记录生成源头（时间/模型），构建可信AI内容生态。
- 信任机制：提供唯一区块链ID追踪生成历史，存储元数据以验证内容合法性。
2）量子计算突破：低成本处理大数据存储与检索，提升AI算力与训练效率。
- 对AI影响：加速DL模型训练，突破复杂神经网络算力限制。

2. 应用层（AI驱动实现更高阶场景）

AI赋能Web3：依赖AI实现内容生成与数据分析，支持DAO安全性与趋势分析，生成个性化NFT及元宇宙智能内容（NPC、AR/VR交互）。
- 核心能力：生成式AI擅长输出符合人类感知（视/听/触觉）的交互内容。

3.4 可解释性--伦理、风险与责任的优化

DL模型的复杂性带来可解释性与伦理风险挑战。需通过制度建设、技术手段和持续监控，最大限度减少DL带来的潜在伤害，促进AI健康发展。

AI产品伦理最佳实践清单

1. 审计与监控

定期审计：定期审查训练数据和模型结果中的偏见。可用工具如IBM Fairness 360、TensorFlow Fairness Indicators。
监控系统：跟踪预测和用户交互，发现异常模式及时预警。

2. 透明沟通

透明文档：提供易访问的文档，方便用户/开发者提问与反馈。
用户反馈：主动收集用户意见（如调研问卷），评估系统伦理表现。

3. 数据与模型管理

伦理决策记录：在开发全周期记录伦理考量，采用可解释AI（XAL）技术（如LIME、SHAP）记录模型决策依据。可用工具如DataCamp。

4. 伦理框架建设

法规跟进：持续跟进AI法规变动，联合法务团队调整合规策略。
跨部门治理：成立跨职能伦理委员会，确保技术、法务和管理层共同参与决策。
伦理设计：设计初期即植入F/AT原则（公平、问责、透明），参考IEEE或OECD伦理框架。
何时可以放宽谨慎？在某些关键领域如癌症检测和机器人技术等，DL技术若能明显提升效果和拯救生命，推动其应用和发展是合理的，技术进步不应被过度谨慎所阻碍。

3.5 DL项目成功指南

1. 性能与期望管理

设定现实目标，强调DL的实验性和迭代性，通过试错实现成功。
保持好奇心但避免过度承诺：DL项目即使在理想条件下也常难达到预期效果，需跨部门合理管理期望，尤其是领导层。以好奇心驱动技术探索，保持开放心态接受不确定结果。

2. 数据质量的核心作用

重视数据验证和准备：数据预处理（验证、清洗、准备）是训练前的关键步骤。数据质量差或验证不足，模型效果难以保证。

3. 模型实验与优化：多模型或模型组合测试，寻找最佳性能。

4. 时间与资源管理

开发周期长且成本高：①计算资源成本：调优耗时长，计算资源需求大，云计算费用高。②数据相关成本：数据获取、存储和转化会产生额外费用，需纳入预算。
规划长周期和高计算成本，及时与财务沟通。
持续监控避免超支。

5. 可解释性挑战

模型黑箱本质：ANN结构复杂，决策过程难以解释。
关键场景优先选用可解释性强的模型。
使用LIME、SHAP等工具辅助解释。

Ch4 AI产品的商业化

技术门槛降低，普适性提升：AI技术已不再仅限于专家或大型科技公司，更多普通从业者和企业都能利用成熟、可靠的模型实现价值。这意味着企业和产品经理应关注如何高效利用现有技术，而非一味追求前沿算法突破。应注重技术与商业的结合，善用成熟模型和开放资源，提升跨领域能力，关注产品的实际价值和可解释性，灵活应对多样市场环境，推动AI产品的成功落地。

4.1 The professionals - B2B产品的成功案例

定位：B2B AI 产品专为企业设计，聚焦商业场景的实际需求，强调专业性、稳定性、高效解决企业痛点。其市场推广、交易模式、使用逻辑均围绕 “商业价值” 展开（如成本节约、效率提升），且需满足企业级的流程规范。
特点：注重数据安全、可扩展性、定制化服务和与企业现有系统的集成。
示例：企业级AI数据分析平台、智能客服系统、供应链优化工具等。

1 典型成功案例

1）Hazy（英国）
- 核心业务：提供合成数据技术，帮助企业在不泄露个人隐私信息（PPI/PII）的前提下，安全地获取和共享数据以训练 AI 模型。
- 解决痛点：解决数据训练中的伦理与法律痛点（如传统匿名化数据的局限性）。
- 成功关键：通过教育客户了解传统数据匿名化的法律和伦理问题，赢得客户忠诚度。
2）Mistral AI（生成式AI公司）
- 核心业务：聚焦生成式 AI 与大语言模型（LLMs），主打 B2B 定制化服务。
- 旗舰产品 Mistral Large 售予微软（支持 Azure 平台），交易额超 1500 万美元；
- 开源模型 Mistral 7B 免费供企业使用（如 Hugging Face），推动 AI 民主化（降低企业自研 LLM 的成本与门槛）。
3）GGWP（美国游戏科技公司）
- 核心业务：通过 AI 技术减少游戏社区的不良行为（如毒性内容），为游戏公司提供用户行为监控平台，帮助游戏公司维护社区安全。
- 价值主张：替代人工审核，缓解人力审核的心理健康负担，展现了AI在伦理方面的积极贡献。

2. 科技巨头的B2B AI布局

公司	产品/领域	技术应用	功能场景
微软	Dynamics 365	BERT、GPT模型	CRM/ERP优化、预测分析、自动化决策
谷歌云	医疗健康	BERT、T5模型	医学影像分析、病历摘要、个性化治疗建议
IBM	Watson金融解决方案	BERT、XLNet等定制模型	风险评估、反欺诈、合同解析、工作流自动化

3. B2B产品的关键成功要素

以核心业务需求为起点：AI 应用需紧密对接企业实际痛点（如 CRM 优化、风险管控、运营效率），以获取内部支持。
强化人机协同：AI 的核心价值在于增强人类决策（如从海量数据中提取洞察、优化预测分析），而非完全替代。
优化商业效率：需持续优化生产力、降本增收。通过深度个性化提升客户满意度与生命周期价值。
关注伦理与可持续性：在敏感领域（如数据隐私、内容审核），AI 的伦理应用（如 Hazy 的隐私保护、GGWP 的心理健康关怀）是长期成功的关键。

4.2 The artists - B2C产品的成功案例

定义：B2C产品面向个人用户，聚焦满足大众的共性需求与未被满足的潜在需求，强调用户体验、创新和个性化。其成功关键在于精准捕捉 “集体情感与时代精神”（如自我表达、知识渴望、创造力释放），通过贴合个体体验的设计打动海量用户。
特点：界面友好、易用性强，注重用户互动和情感连接。
示例：智能语音助手、个性化推荐系统、AI内容创作工具等。

1. 典型成功案例

1）TikTok（动态兴趣捕捉系统）
- 核心价值：通过 AI 推荐引擎满足用户多样化、动态变化的内容兴趣，成为全球现象级社交娱乐平台（月活超 10 亿）。
- AI 技术应用：
  - 推荐引擎 “Monolith”：基于 “无摩擦嵌入” 技术，实时分析用户行为（如观看时长、互动），推断偏好并动态调整推荐，兼容用户矛盾的兴趣（如同时喜欢重金属与轻柔民谣）；
  - 计算机视觉（YOLO、VideoMAE V2）：识别视频图像与动作；
  - 自然语言处理（RNN、Transformer）：处理音频、语音转文本及声音分类；
  - 元数据与强化学习：结合 BERT、GPT 等模型优化 “For You Page”（推荐页）。
- 成功因素：打破 “信息茧房”，适配用户灵活多变的兴趣，覆盖全年龄段；但需平衡 “内容吸引力” 与 “沉迷风险”（如限制 18 岁以下用户每日使用 60 分钟）。
2）Duolingo（个性化语言学习的典范）
- 核心价值：通过 AI 驱动的个性化语言学习，以游戏化设计降低学习门槛，月活超 3 亿，提供 30 + 种语言课程。
- AI 技术应用：
  - 深度学习模型：RNN（词序列与翻译）、LSTM（识别文本长依赖）、CNN（文本特征提取）、Transformer（BERT/GPT，自然语言理解与语境反馈）；
  - 强化学习：根据用户记忆曲线推送待复习词汇，动态适配学习进度，强化 “15 分钟 / 天” 的持续参与感。
- 成功因素：契合全球化趋势（跨地域沟通需求），将 “学习压力” 转化为 “游戏化成就感”，实现个性化与高效学习的结合。
3）Midjourney（生成式图像创作的成功案例）
- 核心价值：生成式 AI 图像工具，通过易用性与低门槛赋能创作者（爱好者与专业人士），以订阅制实现可持续增长。
- 运营与技术特点：①依托 Discord 平台运营，降低使用门槛；②AI 模型聚焦高质量图像生成，直接服务 “创造力释放” 需求；③组织模式：扁平化管理、利润分享，员工忠诚度高，拒绝外部融资以保持独立愿景。
- 争议与挑战：因训练数据涉及艺术家作品未获授权，面临版权诉讼。

2. B2C产品的关键成功要素

捕捉时代需求：满足集体隐形需求（如后疫情时代的集体社交需求、全球化趋势下的语言学习潮），聚焦情感共鸣点。
技术驱动体验：以 AI 实现个性化与精准匹配（如 TikTok 的实时偏好推断、Duolingo 的记忆曲线适配），让用户感受到 “产品懂我”。
平衡价值与风险：需应对 B2C 特有的挑战，如 TikTok 的 “沉迷风险”、Midjourney 的 “版权争议”，需在用户体验与伦理规范间找平衡。

4.3 The pioneers - 蓝海产品的成功案例

蓝海（Blue Ocean）指尚未形成激烈竞争的 “未知市场”，企业需主动创造需求、定义市场规则，而非在现有市场（红海）中争夺份额。需具备探索未知领域的好奇心与勇气，开辟新路径，为后续市场奠定基础。其挑战在于需 “自证价值”（说服客户、投资者为何需要该产品），但成功后可独占市场先机。
示例：新兴AI医疗诊断工具、AI驱动的环境监测系统等。

1. 典型成功案例

1）Bearing AI（海运物流AI优化）
- 核心业务：利用深度学习优化海运路线，减少燃料消耗，解决全球供应链效率低下与碳排放问题。
- 蓝海属性：①竞争极少，属于未被充分开发的领域；②需主动创造需求：向客户证明其路线的 “高效性”（如降低成本、减少排放），而非在现有竞品中比拼。
- 技术特点：深度学习模型聚焦路线优化，客户更关注结果（路线是否高效）而非模型原理（“黑箱” 可接受），与约会应用或租房成本优化工具（需高可解释性）形成对比。
- 成果：通过封闭测试向特定客户推出 “舰队部署优化器”（预测碳强度、减少船舶使用）。
2）Fiddler AI（AI可解释性技术）
- 核心业务：专注于 “可解释 AI”，帮助企业在 AI 模型全生命周期中实现透明度与可信度，确保伦理合规与负责任地使用 AI。
- 蓝海属性：①市场空白：极少企业专注于 AI 可解释性解决方案，其价值在于解决 AI “黑箱风险”（如监管合规、用户信任）；②自证逻辑：通过强调 AI 应用中的真实风险（如偏见、法律问题），说服企业为何需要 “可解释性”。
- 推广策略：①积极进行理念传播（如登上世界经济论坛、《CB Insights》等），借助权威背书建立行业认知；②将竞争对手视为 “盟友”：越多企业进入该领域，越能证明市场合理性。

2. 蓝海产品的关键成功要素

自证价值：需清晰阐述产品的必要性，通过数据、案例或权威认可说服市场。
理念传播：主动教育市场，利用媒体、行业论坛扩大影响力，塑造 “行业开拓者” 形象。
包容竞争：在蓝海中，竞争对手是 “市场合法性的证明”，越多参与者越能共同培育生态，降低客户的 “尝试门槛”。

4.4 The rebels - 红海产品的成功案例

红海（Red Ocean）指竞争激烈、市场成熟的 “已知领域”，企业需在现有规则下争夺份额，面临同质化竞争、价格战等挑战。通过聚焦差异化、深耕细分优势，以勇气与专注突破竞争壁垒，而非被多元对手分散精力。其核心是 “在拥挤市场中找到独特定位”。
示例：智能手机助手市场中的差异化产品、在线翻译工具等。

1. 典型成功案例

1）Intercom（客户沟通与支持软件）
- 竞争环境：①直接竞品包括 Zendesk、Drift、HubSpot 等。②产品功能高度重叠（聊天机器人/AI工作流/CRM 集成）。
- 差异化策略：①突出AI功能，如聊天机器人和预测工具。注重人性化，对话式客户体验。②易用性强、平台一体化、丰富的集成生态与社区管理功能，巩固市场地位。
2）Lilt（机器翻译与本地化服务）
- 竞争环境：充斥大量传统翻译服务与技术提供商。
- 差异化策略：①全球首个交互式自学习神经机器翻译系统”。②融合 “技术工具” 与 “翻译服务”，通过 AI 的 “自学习” 能力持续优化翻译质量，而非单纯依赖人工或静态算法。
3）Gleamer AI（AI医疗影像诊断）
- 竞争环境：AI 医疗影像领域资本密集、竞争者众多。
- 差异化策略：①聚焦细分场景，深耕影像解读、疾病检测与分析，覆盖多类医学影像需求；②市场渗透力：服务 1200 + 医疗机构，覆盖 34 国，年处理 1500 万 + 患者检查，以 “高准确率 + 广泛适用性” 建立信任。
  - 在 AI 医疗影像的激烈竞争中，以 “规模化落地能力” 和 “多场景覆盖” 站稳脚跟，拒绝局限于单一病种或技术噱头。

2. 红海产品的关键成功要素

聚焦而非发散：拒绝 “为讨好所有客户而堆砌功能”，明确核心优势，保持战略定力。
技术或体验的微创新：在成熟市场中，通过技术迭代或体验优化创造 “不可替代性”。
团队与愿景的一致性：需凝聚共识，围绕清晰的产品愿景发力，避免被竞争对手的方向带偏。

4.5 The GOATs - B2B产品的成功案例

Wes Bush的策略四象限

1. 主导性策略（Dominant Strategy）

目标：同时吸引两类客户 —— 追求 “更优质产品” 与 “更低价格” 的用户，以扩大市场份额，形成 “赢家通吃” 的格局。
特点：通过高效运营与技术优化，平衡 “质量” 与 “成本”，实现对市场的全面覆盖。
典型案例：SHEIN（快时尚品牌）
- 多种AI技术：自编码器（优化推荐系统） | BERT/GPT（情感分析、聊天机器人与文本信息提取） | CNN/YOLO（图像识别：产品标签、趋势检测） | LSTM/RNN（预测需求） | K-means （聚类归纳时尚趋势） | 强化学习（动态定价） | 回归模型（预测价格调整）。
- 将产品交付时间从 Zara 的 3 周缩短至 3 天，通过 AI 预测趋势与供应链协同，但高效背后也存在环境（过度浪费）与伦理（劳工问题）争议。

2. 颠覆性策略（Disruptive Strategy）

目标：为 “被过度服务” 的用户提供低价、功能简化的产品，满足其基础需求，打破现有市场的 “功能堆砌” 惯性。
特点：聚焦 “简单易用” 与 “低成本”，针对非专业用户或小众基础需求，重塑市场范式。
典型案例：Canva（设计平台）
- 多种AI技术：CNN 处理图像（背景移除、物体识别） | BERT/GPT（生成设计建议） | GANs （创建新设计元素）、提升图像质量 | 强化学习（优化设计推荐）。
- 以 “简单设计工具” 对标 Adobe（复杂专业）与微软 Office（功能冗余），通过免费增值模式吸引海量用户（从社交媒体图文到简历设计），快速成为独角兽。但因大幅涨价引发用户不满，被质疑偏离 “低价简单替代者” 定位，可能转向差异化策略。

3. 差异化策略（Differentiated Strategy）

目标：在小众领域提供高价值、专业化产品，定价较高，通过独特性满足未被现有产品覆盖的特定需求。
特点：依赖 “不可替代性”，聚焦细分市场，推动行业成熟（如为有特殊需求的用户提供专属解决方案）。
典型案例：Beekin（房地产科技公司）
- 功能：基于机器学习构建平台，实现市场评估、用户行为预测、租金优化等功能，区别于传统房地产科技公司的 “规则引擎”。
- 成功表现：竞争对手多依赖传统规则引擎（AI渗透率低），Beekin通过AI实现差异化，服务被忽视的 “专业化需求”，推动行业向 AI 驱动转型。

Ch5 AI驱动的转型及产品管理变革

5.1 AI对经济系统的影响

1. 核心应用领域

算法交易与投资管理：AI/ML 通过分析量、价、时间等变量，比人类更快优化交易决策，识别模式与机会。例如，Renaissance科技、高盛（Marcus AI）、贝莱德（Aladdin 平台）、摩根大通（LOXM 算法）。
其他应用场景：欺诈检测、合规与会计自动化、客户服务、风险与信用评估、个性化金融产品。

2. 挑战与局限性

局限性：数据质量（不完整、过时）、模型透明度（监管问题）、偏见风险、过拟合；仍需大量人工介入。
不均衡应用：①高度AI化领域：资产管理、共同基金（依赖数据驱动与量化策略）；②滞后领域：受限于监管、安全与隐私（如传统银行业务）。

3. 产品视角（关注为客户和企业带来收益和价值）

个性化：定制金融建议、产品（如贷款、储蓄计划），增强用户粘性；
信任与体验：智能客服、主动推荐、行为分析，优化服务；
运营效率：自动化后台、合规、风控，降低企业成本。

5.2 AI对医疗健康领域的影响

1. 核心应用领域：药物研发（DeepCure）、个人健康监测（Biofourmis）、医院运营优化（HCA Healthcare，生成式 AI 简化急诊记录）、心理健康（Woebot等AI Chatbot）、脑机接口（Neuralink）等。

2. 挑战与局限性

数据与模型问题：医疗数据碎片化（医院间不互通）；AI”黑箱特性“与医疗伦理审查冲突。
技术与落地障碍：安全性验证周期长；脑机接口的长期生物相容性风险。
公平性争议：算法偏见可能导致少数群体误诊。

3. 产品视角

个性化：针对复杂疾病定制治疗方案，预测健康风险，强化预防医学。
效率提升：缩短药物研发周期、降低成本，优化医院行政流程，减少医护人员重复工作。
公平性：惠及更多人群，提升医疗可及性。

5.3 AI对商业应用的影响

1. 典型案例与应用领域

可持续性产品设计：Symrise的Philyra AI香水配方系统，基于350万种香水配方+2000种原料数据库，生成可生物降解的新配方。AI与传统调香师协同，优化原料环保属性（减少不可再生材料的使用）。
个性化AI伴侣：Replika聊天机器人，提供陪伴与互动，支持AR视频通话。
艺术创作：①音乐生成：SOUNDRAW、Boomy等平台可定制流派/情绪（如30s生成背景音乐）。②影视：AI预测电影票房、自动化剪辑。

2. 挑战与伦理考量