没有项目经验，如何快速转行 AI产品经理？

先上结论：要快速转行，需要了解AIGC，并丰富项目经验。

AIGC是什么

**首先需要了解AIGC基本概念、涉及的技术基础、应用场景和局限性。**之所以需要具备这些知识，是因为实现AIGC产品必然会涉及相应的AI技术，如果AIGC产品经理不了解相关概念，就不能很好的完成AIGC项目的管理。当然，AI产品经理并不需要懂很底层的技术细节、数学公式的逻辑推导，但其中涉及的基本概念和应用场景应有所了解。

基本概念

AI（人工智能）是计算机科学的一个分支，是指通过计算机程序模拟人类智能行为的技术和方法。而AIGC（AI Generated Content，人工智能生成内容）则是指利用人工智能技术自动生成各种类型的内容，包括但不限于文本、图像、音频、视频等，又称“生成式AI”（Generative AI）。

除此之外，还应该了解以下名词。

大模型（Large Model）：指的是有数亿到数千亿的参数参数和复杂结构的AI模型，被广泛用于生成式AI领域，例如GPT、Gemini、BERT等模型。

多模态模型（Multimodal Model）：是指能够处理和集成多种不同类型数据（模态）的人工智能模型，例如文本、图像、音频、视频等。多模态模型通过结合多种数据类型，可以更全面地理解和生成信息，在复杂任务中表现出色。GPT4能够处理图片、文字等，就是一个多模态模型。

提示工程（Prompt Engineering）**：**是指设计和优化输入提示（prompts）以引导AI模型（尤其是大模型）生成所需输出的过程。提示工程在生成式AI应用中非常重要，因为输入提示的质量会直接影响模型生成内容的质量。

技术基础

**AIGC的技术基础是深度学习。**深度学习（Deep Learning）是AI的一个子研究领域，它通过构建和训练多层神经网络来进行数据分析和模式识别。

其中，AIGC模型中比较有代表性的有Transformer（主要用于自然语言生成）和Diffusion Model（主要用于图像生成）。

Transformer是Google在2017年的Attention Is All You Need论文中提出，解决了传统的序列到序列（sequence-to-sequence，Seq2Seq）模型在处理可变长序列时遇到的问题。

序列到序列（Seq2Seq）：指的是模型的输入是一段序列，模型输出也是序列；比如语音识别中给模型一段中文语音序列，让模型给出中文文字序列

传统的序列模型（如RNN、LSTM）难以捕捉序列的长距离依赖关系，即序列中相隔较远的元素之间的关联。Transformer通过自注意力机制，使得模型能够直接关注序列中任意两个位置，从而有效地捕捉这种长距离依赖。并且它能进行并行计算，能有效提升计算效率，所以被广泛应用于生成式AI中，是构成GPT等大语言模型的基础，也被应用于DALL·E等图像生成模型上。

扩散模型（Diffusion Model）是一类用于生成数据的概率模型，最早在2015年被提出，2020年Denoising Diffusion Probabilistic Models论文使其被熟知，近年来在图像生成领域中取得了显著的进展。扩散模型通过逐步添加噪声到数据中，然后学习如何反向去除噪声，从而生成新的数据样本。应用了扩散模型架构的大模型主要有：Stability AI的Stable Diffusion、Google的Imagen和Open AI的DALL·E 2。