一、对现代智能研究的反思
在智能的研究方法上,现代心理学中一直存在着两个分支,一为相关方法的分支,另一个是实验方法的分支,前者形成智能研究的心理地图模式，后者形成计算模式。第一，早期的智能研究体现了心理地图模式。心理地图模式将智能视作心理地图，由此形成智能的结构理论（如斯皮尔曼的智力二因素理论、卡特尔的流体智力和晶体智力理论、瑟斯顿的基本心理能力理论、吉尔福特智力结构模型、阜南的智力层次结构模型等）。结构理论主要关注于对智能结构进行静态描述，企图分析出组成智能的各项子能力。第二，20世纪60年代，信息加工心理学得以蓬勃发展，其理论开始被借用到智能研究中，逐渐形成智能研究的计算模式。计算模式将智能视作具有信息加工功能的计算性装置，以实验方法为基础构建了智能的信息加工理论（如加德纳的多元智力理论、戴斯的PASS智力模型、斯腾伯格的三元智力理论等）。这些理论认为智能是人脑对各种信息进行加工、处理的能力，重点分析智能的内部活动过程，摒弃剥离智能结构的传统，并日益重视元认知成分的作用。这两种模式构成现代智能研究的主流理论。
但长期以来，智能结构理论一直颇受指责。由于建构结构理论的方法学（以因素分析法为核心）存在某些先天不足，从而使这些理论很少涉及智能活动的内部心理过程；同时，这些智能结构理论难以得到整合；此外，根据这些理论编制的智力测验，也只停留在测量各种反映个体差异的智能构成因素上，难以对内在心理过程作进一步揭示。智能的信息加工理论比之结构理论有所进步，开始从仅仅描述智能的结构转化到着眼于从智能的内部活动分析智能的运作机制。但遗憾的是，这种进步也未能彻底回答一个根本性的问题：导致一个人高智能表现的原因是什么？智能是怎样获得的？如果仅仅把智能看作是遗传的结果，显然缺乏说服力并具有悲观主义的倾向；如果把高智能归结为信息加工过程的高效，那么这种高效信息加工的原由仍不清楚。
事实上自20世纪70年代起，已有一些研究者认识到如果依旧以智能结构或运作机制为标靶进行研究，则对上述批评无济于事，他们开始另辟蹊径。这些研究者发现，某一领域的专家在该领域中能够深刻地表征问题、高效地记忆、合理地推理、快速地解决问题，表现出一种外化的高智能行为（也称为专长行为）。这些研究者认为，如果采用专家----新手比较以及计算机模拟的方式，对专家的这种专长行为的来源及影响因素进行分析，则可间接揭示专家高智能的本源。这一新兴的研究路线被称为专长研究。专长研究与主流智能研究间并非非此即彼的关系，后者关注揭示智能的结构和运作机制，而前者关注研究智能所利用的“材料”，即知识在人类智能中的作用，期望从另一个角度诠释人类智慧的实质。一般认为，以专长为视角对智能作系统的理论与经验的研究，始于德格鲁特对奕棋专长的创新工作；而引发对该主题作交叉学科研究的主要激励，一般归结于蔡斯和西蒙论“棋艺中的慧眼”一文。专长研究经过30余年的发展，影响力不断提升并显示出进一步增强的趋势，其对智能的认识日臻系统和成熟。但遗憾的是，我国学界对专长研究的了解和关注稍嫌不足，对专长研究视野下的智能观认识也比较欠缺。
二、以专长研究为视角看人类智能
专长研究发展至今，已对智能的范围、来源、本质、生成路径等问题形成较独特的观点，对我们更深入理解人类智能具有一定启发意义。需要提及的是，专长研究并未建构某一智能结构或加工理论，而是从广泛范围对智能的一般论题提出自己的看法。
1、智能的范围：领域限制
反思智能结构理论与信息加工理论可发现，二者均将智能视为人类拥有的一般能力，能够运用于广泛的领域当中。百年的智力测验历史也体现出这一观念，各种智力测验总是试图测量某种单纯的“能力”，排除个体相关领域经验的作用。该观念似乎隐含着这样一个推论：即高智能的个体在不同领域应均能表现出高智能的行为，这显然与现实观察的结果相悖，事实上，个体恰恰只能在其专长的领域表现出高智能行为。
提出上述质疑并非对是对智能结构理论与信息加工理论的否定，而是想澄清这样一个事实：即将智能视为领域间的一般能力同将智能视为与相关经验密切联系的领域内能力即使在智力测验出现之初，亦是两条并行的路线，只不过后者未被赋予更多关注而势单力薄。在比纳和西蒙（1905/1916）开创智力测验之初，他们就已区分出两种智能评价的方法：心理学方法（Psychologicalmethod）和教育学方法（Pedagogicalmethod）。前者涉及对记忆力、决策及一般知识的测量；后者涉及依据某领域获得知识及经验的总量对智能进行评估。比纳和西蒙最终决定关注前者而忽略后者，因为他们希望“不考虑……个体拥有的受教育的水平”，并认为：“我们相信我们已经成功地彻底排除了个体已获得的信息”。
百年来的智力测量实践深受比纳和西蒙将领域内的相关经验排除出智能范畴的影响。不可否认，传统智力测验在预测儿童的学业成就时是必要的，并能在一定程度上预测青春期少年的学业成就（这时课堂及学校中的经验开始累积）。但是，传统智力测验在预测大学生的成就及未来专家在某一特定领域的成就时，只能提供有限的效用。对传统智力测验效用有限性的反思启发我们应当回归智能评估的教育学方法传统，从领域内能力角度看待智能。
专长研究是回归教育学评估方法的典型代表，并已引发研究者对该主题的更多关注。大量实证研究证实，专家的高智能局限于其所善长的特定领域，且与在该领域长期的经验相关。若以领域内能力看待智能，则可有效预测个体在某领域未来的成就，并可为进一步探讨智能的来源和生成提供可能。事实上，这一理念正被广为接受，最近美国大学的入学测验已开始讨论“专长（倾向）测验”与“智力测验”之争。［3］
2、智能的来源：知识结构与加工能力的互动
智能的来源是有关智能的根本性问题，智能结构理论和信息加工理论实际并未对此作回答。无论是以解构智力构成的子能力还是以探索智能成分的运作机制为目的，二者均事先假设已存在“智能”这一实体。至于这一“智能”实体从何而来或忽略不谈，或认为是“遗传与环境交互作用的结构，人们在早年就具有的获得成就的相对固定的潜能”，或更简单地认为是某种“原生的模仿能力”。将智能视为领域间的广泛能力制约了传统智能理论对智能来源进行深入研究。
专长研究的最初目的正在于解决智能的来源问题：即到底是什么造就了专家在其领域的高智能。蔡斯和西蒙认为，造就大多数专家高智能表现的原因，是由于专家经过多年在相关领域内的经验，获得了大量的知识以及以模式为本的提取机制。拉金、西蒙等人在解决物理学问题的工作中重复验证了这一观点。他们发现，尽管新手已具备解题的必要知识，但他们必须从问题中提出的发问出发，倒着来一步步地确定相关的公式；但物理学专家可以毫不费力地提取出解题的方案或计划，因为在他们建立对问题的最初表征时，已在头脑中涌现出自己的计划。齐.格拉泽和瑞斯进一步证明，物理学专家不仅拥有更多的知识，而且拥有组织得更好的知识，由此使他们能够对问题做出更深刻的理论原则表征，而新手的表征完全依赖某些表面特征是否出现。其他领域（如计算机编程、电路检测、医疗诊断等）专长研究的大量实证结果也已证明，专家拥有的相关领域的知识结构组织更好、内容更丰富、表征更合理，这些知识结构与加工能力的互动正是造就专家高智能的根本原因。
这种对特定领域知识结构在智能中重要性的强调，比之智能结构理论及信息加工理论是一突破，弥补了智能研究在智能生成源泉问题上的缺陷。在专长研究看来，无论智能结构理论解构出何种子能力，这种子能力的生成须以知识结构为基础；无论智能信息加工理论如何解释智能的运作机制及强调元认知，却不能忽视智能的运作亦是以知识结构为操作对象，具有丰富领域知识结构的个体，在解决该领域问题时，智能运作更优化，元认知水平更高，表现出更高智能。总之，专长研究认为，个体在某领域知识结构与加工能力的互动是造成其在该领域高智能的根本原因。
3、智能的生成路径：蓄意的练习
除极少数持智能遗传决定论观点的研究者之外，几乎所有的研究者均认为人类智能是动态发展的，也就是说，智能水平可在外界环境与个体互动中获得不断提高。智能的发展性观点为人才培养和智能开发提供了积极的理论基础，专长研究亦赞同这一理念，但至于智能如何得以发展，即智能的生成路径是什么，专长研究有着自己独到的见解。
尽管少有智能结构理论与信息加工理论及智能的生成路径，还是有研究者对这一问题进行了探讨。例如：加德纳的多元智能理论认为，源于遗传的原生模仿能力，在其后的发展过程中，通过符号系统（如阅读文字、唱歌等）来表现；随着智能的发展，每种智能及其符号系统将由第二级的符号系统（如公式、地图、字母、乐谱等）来代表；至成人阶段，智能则通过对理想的职业和业余爱好的追求来表现。加德纳认为，人类智能以符号系统为中介获得发展。但这里存在一个问题，即智能的生成是个体主动参与的过程还是自然生成的过程？总体而言，传统智能理论对智能的生成路径探讨较少，无法指导具体智能开发与训练，使得各种训练方法层出不穷、相互矛盾、效能低下。
专长研究视智能为领域内能力，以此为基础认为：智能的发展是个体主动参与的结果，其生成路径是通过蓄意的练习（Deliberatepractice），其发展过程表现为进步性问题解决（Progressiveproblemsolving）。
专长研究早期的一项重要结论认为，专家若想在其领域中达到较高智能，至少需要10年有意识的训练与经验积累，明确表明了智能发展中有意识参与的重要性。同时专长研究认为，即使在个体有意识的参与下，智能发展也非自动化的。专长研究者提出蓄意的练习以解释智能的生成路径。埃里克森等人认为，蓄意的练习与玩耍性的互动、竞争、工作以及其他形式领域内的经验极为不同，它们是为有效促进个体行为的特殊方面而专门设计（通常是教师设计）的一些活动。埃里克森等人发现，年轻成年专家的表现与个体整个职业生涯中所积累的蓄意练习的量有关。其他一些研究也证实，尽管不同领域中的专长行为在行动上表现各异，但为获得行为改进而精心设计的蓄意的练习起着至关重要的作用。经过蓄意的练习，专家行为的某方面获得进步，能够解决一些原本无法解决的问题，然后积累经验并与蓄意的练习结合，近一步解决更深层次的问题。进步性问题解决过程也正是专家的智能发展过程。
4、智能的本质：发展中的专长
前一阵子，特斯拉的总裁马斯克、物理学家霍金突然发声，要大家警惕超级人工智能。这件事多少有点奇怪。对人工智能的恐惧感大众并不陌生，已经有一大堆科幻电影靠着这种情绪赚得大笔票房了。可这一次，一个是世界上最知名的企业家（可能没有之一），一个是在世的最知名的科学家，两位都是媒体关注的焦点，他们说要警惕，事情似乎非同小可？
并没有。尽管大家都喜欢《终结者》之类的电影，可真要让我们在平时关注一下看不见摸不着的东西，反而是件难事。而且，霍金不是不久前还说要大家小心地外生物吗？对于这些事情，我们更多抱以微笑：老爷子醒醒吧。我们尽管看不懂你的那些理论，但还是非常尊敬你的，喊狼来了就不好了。
但是还有另外一些事情同时发生：就在最近这几年，人工智能和它的交叉学科如机器学习、计算机视觉、自然语言处理等等，出现了不少惊艳的产品，也诞生了许多家估值甚高的创业公司。
有一些我们已经体验过了：Google的照片应用不仅能根据拍摄信息自动将我们的照片分类，还能分辨出图像中的动物是猫还是狗；无人驾驶汽车已经在美国很多公路上实验性地驰骋；利用深度学习，各家公司正在更精准地投放广告；IBM的沃森登上了美国版“开心辞典”，在智力问答中击败了之前卫冕时间最长的人类冠军；微软的翻译系统已经能做到实时翻译，通话时对方的西班牙语传到你的电脑时已经变成了翻译好的英语。
我们甚至有点习以为常了，甚至觉得有些技术本应如此。但其实，这里举出的各种技术都是最近十年内从不可用、难用变得可用的。科技和投资领域盯上这块下一个爆点已经很久了。
然而说来也怪，这些进展和之前提到的超级人工智能好像不是一回事啊？电影里的超级人工智能，不是应该闪烁着一簇邪恶的红色眼睛，不，发光二极管，用奇怪的金属音说话，除了毁灭人类没有其他事情可做吗？或者，那些温柔的机器人不是既能够理解人类，又学会了爱与幽默感？我们要的是人一样的机器，你们却发明了更精准的广告投放？
翻开《人工智能》的教材我们就会发现，公众对于这个字眼的理解，向来和教科书差距不小。教材中最大篇幅介绍的，往往是让计算机求解一个问题，其次关注的，有让计算机理解自然语言、推理、知识表示等；相关的，也有希望通过计算机制造一个神经系统；还有另外一派，通过统计方法，让计算机完成各种任务。这些充满术语的大部头教材，怎么看都和电影里的人工智能不沾边。然而如果了解一点背景和技术，又会发现很多事情是今天这个样子，实在是顺理成章的。
这要从上世纪五十年代年说起。1956年，一群年轻教授和工程师收到约翰・麦卡锡等人的邀请，齐聚达特茅斯大学，召开一个会议。他们有着共同的学术兴趣，都在关注计算机能否思考这个话题，然而对于什么是思考、什么是智能，却没有统一意见。本来，大家对当时的学术进展也都很了解，并不指望在会上看到什么重大突破（也确实没有），但这次会议把后来这个领域大牛们第一次聚集在了一起。就是在这次会议上，大家决定，把相关的研究单独列出来称之为“人工智能”。会上，西蒙和纽厄尔展示了逻辑理论家，一个能够自动证明数学定理的程序；马文・明斯基带来了神经网络模拟器；麦卡锡本人则演示了自动下象棋的程序。这次大会不久之后，麦卡锡的团队实现了一种人工智能研究常用的计算机语言Lisp。这十年，是人工智能奠基的十年。
我们在这里可以一窥人工智能领域后续的发展方向：一是创造像Lisp这样的工具，有了工具并不能让计算机产生智能，但很多工具影响深远，起作用的远超人工智能领域；二是构建神经网络，我们已经知道人脑由神经细胞构成，如果能够构建一个神经网络，就能实现一定的功能，如果能更进一步，兴许能制造出像人脑一样复杂的机器；三是研究计算机的推理运算、问题解决和知识表达。学者们认为，人脑在处理信息时无非也是利用已经具有的知识、通过运算来解决问题，如果计算机能够做到这些，就可以说计算机具有智能。
整个六七十年代，人工智能的研究主要围绕的是第三点。这种取向有着深厚的背景，在人工智能这个词还不存在的年代，已经有无数学者曾思考思维的本质，他们把思维抽象为运算，而如果能够让机器学会这种运算，我们自然就得到了智能。
不仅因为这种研究的观念和我们对思维的看法最接近，也因此它是最容易上手的。五十年代的时候就已经有了自动证明数学定理的工具，之后又诞生了各种有一定运算能力的程序或者机器。最后还有一点，那就是冷战背景下，政府和军方的巨额投资。当时，他们认为，人工智能可能产生重大的科技突破。想想看，如果有永不疲倦的雷达员检测敌人，如果有不需眼睛和手的翻译官将俄文资料翻译成英文……这真是诱人的前景。当然，研究神经网络的学者也没有止步不前，他们实现了一些更复杂的模型。只不过，他们选择了一条窄门，突破更难取得。
事情很快起了大反转。到七十年代末的时候，已经苦等十余年的投资人开始抱怨，为什么那些神奇的机器还是没有发明出来？为什么所谓的智能只会推理数学，而一些小孩就能做出的判断计算机却怎么也做不出来？不多久，政府大幅缩减了人工智能研究的预算。
人工智能迎来了一次低潮。而另一种方法却正在暗中生长。我们现在称呼这种方法为机器学习，尽管它和我们平时用的“学习”这个字眼并不那么接近。机器学习的方法看起来彻底放弃了让计算机去表达知识之类的想法。既然计算机最强的能力莫过于高速计算，那么索性让它在自己的长项上发挥吧。机器学习的专家不那么在乎计算机表现的是不是智能，他们设计、实验各种精妙的算法，让计算机可以解决特定的任务。到了八十年代，很多领域都迎来了突破。我们有了最初的自动驾驶，能够用计算机给图片做分类，能够让计算机和人类世界冠军下棋。实现这些的办法，和过去我们渴望的人工智能并不完全一致，然而却在效果上大获成功。
几乎同时，研究运算与知识的方法效果不佳，但神经网络的研究却兴盛了起来。一些学者自称联接主义者。他们的思想来自六十年代。可现在有了更好的计算机、更好的实现方法，也对神经有了更多了解。他们索性就不去考虑意识啊、思维啊是什么这些大问题，而是把精力放在构建神经网路的模拟上。很多人不同意他们的思考方式，但是大家对于建造一个模拟的大脑还是很有兴趣的。
最近几年，一个叫做“蓝脑计划”的项目被很多媒体报道。这个计划已经利用超级计算机模拟了一个大脑，复杂度大概相当于猫的大脑。我们仅通过这个计划，大概也能判断这种方法前景巨大――想想看，如果能模拟一个人类大脑的话会怎么样？当然，你也能猜到这有多难。历经数年时间、投入大量金钱之后，目前我们只得到了一个猫脑。
最终胜利的似乎是机器学习的方法，这种我们对智能理解差异最大的方法。如今，流行的机器翻译、语音识别、自动驾驶、图像识别、打击网络犯罪乃至反恐……机器学习已经全面开花，与其相关的词还成了行业甚至全民热词，比如数据挖掘、数据科学家、大数据等。一些持传统观点的人工智能研究者实在没法同意，计算机表现的这些能力是一种智能。然而机器学习解决问题的效果实在是好。
那么，这就是超级人工智能的雏形了？自八十年代以来，计算机的能力提升了那么多，很多实验性的研究已经成了我们每天使用的工具。然而如今，我们还是造不出能两腿行走的机器人，计算机很难分辨扭曲的字母或面孔，对于人类的常识也很难理解，能够做出判断的专家系统一般只局限于少数专业领域。总之，许多一个人类小孩就能胜任的工作，依然是计算机所不擅长的。计算机的能力如此强大，但似乎又和我们想象的智能不是一回事。于是问题来了，超级人工智能的威胁在哪里？
答案也许要分两部分。第一部分是我们的心理因素。毕竟，人类是我们已知的唯一智能生物，我们对智能的所有了解其实都来自我们自身。我们对地外生命和人工智能总有着强烈的好奇与恐惧，是因为我们从来不知道和我们不尽相同的智能生命是什么样的，它们又会有什么样的情绪和态度。
在人工智能作为一个学科诞生之前，数学家图灵就坚信机器可以有智能。他设计了一个判断机器是否有智能的图灵测试：一个人向屋子里的机器提问，如果后者回答一系列问题后人类仍然无法判断它是人还是机器，那么这个机器就具有了智能。这是一个简单粗暴又无比高明的方法，避开了什么是智能的种种争论。然而，这种测试得到的不仅是一台有智能的机器，还是像人一样的机器。我们对这种机器如此的好奇又恐惧，这种情绪，将伴随未来所有研究。
关键词
人工智能、产品经理、方法论
正文
作为一个理科生，一个产品经理，一个人工智能的门外汉，我尝试用逻辑推理分析一下人工智能是否可以代替产品经理的问题。首先抛出我对此问题的看法：
人工智能完全可以替代产品经理的工作，尤其是初中级的产品经理；
应用人工智能的终极结果，肯定是服务人类、解放人类，镇痛只是暂时的；
基于2，大量的服务行业因为人类的情感需求而不会被替代；
短期趋势比我们想的要快，长期趋势比我们想的要慢。
在应用层面，我们身边已经有不少人工智能存在了，虽然目前大多还属于尝试阶段，但趋势已经非常明显。比如最近火热的围棋人工智能程序AlphaGo，已经碾压了全世界的顶尖棋手，目前的判断是在所有的类游戏里，人类都已经不是人工智能的对手。比如苹果手机上面的Siri，通过智能语音控制可以实现很多辅助服务，使用它的人真的能够感受到一个助手的存在。在客服领域，目前也有诸多虽然粗糙但也确实能解决一些问题的智能客服机器人，虽然存在诸多诟病但这个替代节奏异常清晰。比如在金融交易领域，很多年以前就已经出现了自动化交易，利用模型而不是经验和消息进行大量的、理性的、极速的交易。其他行业和领域内的例子还可以举出很多，那么我们不禁要思考，什么样的工作可以被人工智能替代呢？
第一类，最容易被替代的是重复性工作，比如制造业的工人、各行各业的客服，这类职业是最先被替代的，这些变化目前正在发生中。带有一定智能的机器具备人类所不具备的很多优势，精度高、强度大、全年无休、任劳任怨。
第二类，较容易被替代的是专业性工作，比如产品经理、医生、翻译，这类职业只要人工智能足够强大、足够经济就一定会被替代，这些变化在不久的将来一定会发生。专业性工作普遍解决的是一些比较复杂的问题，需要大量知识、经验、技能、方法，曾经认为在这个阶层无法企及的人工智能现在已经在挑战了。
第三类，很难被替代的是创造性工作，比如科学家、艺术家，这类职业一般处于人类认知的边界上，目前似乎还看不到人工智能可以替代的可能。以上分类肯定无法覆盖全部工作，而且也未必准确，只是从人工智能的替代性考虑的一种归集。
回归正题，我是从两个方面推理出产品经理可以被人工智能替代的，一是产品经理的工作本质，二是产品经理的专业技能。无论是工作本质还是专业技能，都可以展开成一棵树，讨论太多的细枝末节没有必要，今天只去繁就简的讨论最核心的内容。
产品经理的工作本质
产品经理的工作本质是发现问题、分析问题、解决问题的工作循环，这个循环是在量具体工作上面的抽象概括，我们无需讨论用户需求、商业模式、数据分析、项目管理等等细节。所有的工作都在这个循环内，产品经理们们天做的事情、每个做的项目、每个产品，抽象出来都是在做这个循环。下面就工作本质的三个循环分别展开叙述：
1，发现问题
无论是发现新的商业机会、发现新的产品机会、发现新的用户需求、发现用户需求的变化、发现现有产品的问题，这些都属于发现问题范畴。指的是通过一系列的技能、经验、感觉，找到世界并不美好的地方，找到可以为止努力工作并取得成就的机会。这项工作对产品经理的要求最高，不确定性大、信息量大、复杂度高、具备一定的创造性，是人工智能最难解决的部分。
但仔细想想，人工智能的优势不就是解决此类问题吗？围棋的可能性非常大，已经超过了人脑的计算能力，上千年积累下来的经验似乎未必可靠，AlphaGo已经展示出了令人惊异的能力。实际情况是我们发现的绝大多数问题，未必是问题，或者未必能解决的很好。在互联网领域里面，通常我们会认为失败是件正常的事，快速试错是必不可少的过程。这些常识其实表明了一个事实，对于人类而言，发现问题的复杂度、可能性非常大，大到超过了我们的能力，因此我们做不好这件事。
2，分析问题
在发现问题之后就是分析问题，指的是通过一系列的技能、经验、感觉，找出问题的原因以及解决方向。这项工作对产品经理的要求次高，原因在于分析过程基本可以通过方法论搞定，也就是说，只要对问题本身足够了解、具备一定的方法，完成分析问题的工作不是件特别复杂的事情，是人工智能较难解决的部分。只要投入足够多，相信人工智能具备分析问题的能力并不是一件特别难的事，对数据的分析、多逻辑的分析、对市场的分析、对用户的分析，这些人工智能都可以做的又快又好。或者说分析问题这件事本身，因为已经框定了一定的范围，因为主要是依靠方法和套路，因此是人工智能相对比较擅长的工作。
3，解决问题
解决问题的范畴包括，根据分析得出的结论形成解决方案、实施、试错、总结，从新进入工作循环。这项工作对产品经理的要求较低，原因在于其更多是事务性工作，按照固定的套路去做就可以了，是人工智能最容易解决的部分。具体而言，就一个解决方案，系统可以快速上线、快速切分实验流量、快速发现问题、快速迭代。不经意间，人类可能需要数周才能搞定的产品迭代，人工智能可能只需要1天就可以搞定，这种效率是我们人类做不到的。
小结一下，从工作本质这个方面考虑人工智能对产品经理的替代性，其结论是替代起来有一些难度，但是只要投入足够大，都不是事儿。
产品经理的专业技能
产品经理的专业技能有很多，我认为最重要的三个专业技能分别是：数据分析能力、逻辑思维能力、双向沟通能力，它们是支持工作本质循环的主要技能。专业技能树当然也有其他的组织形式，甚至同一个技能在不同组织形式内的等级都会不同，但溯本求源，这三项是最重要的技能。下面就专业技能的三个能力分别展开叙述：
1，数据分析能力
数据是了解真相的最强工具，无论是自己产品的数据，还是行业数据、竞品数据，所有的数据背后都隐藏着巨大的宝藏。无论是对数据敏感，还是具有一定的知识、一些方法，这些技能都是一个合格的产品经理要具备的。但数据分析能力对人的要求又相对很高，初级产品经理要有一些基础的知识、方法、习惯去抚摸数据，把数据当成工具，利用这个工具检视自己的工作。中级产品经理要做到信息量覆盖足够大、排除噪声、披沙沥金，在数据中找到真理。高级产品经理要做到通过数据对现实世界进行抽象、辅助其他方法论进行综合考量，做到全面、彻底的分析。不用多说，这件事人工智能太擅长了。
2，逻辑思维能力
逻辑思维能力是形成客观判断的基本能力，逻辑思维也可以称为抽象思维，逻辑思维的能力可以表述为“逻辑思维是一种确定的，而不是模棱两可的；前后一贯的，而不是自相矛盾的；有条理、有根据的思维；在逻辑思维中，要用到概念、判断、推理等思维形式和比较、分析、综合、抽象、概括等思维方法，而掌握和运用这些思维形式和方法的程度，也就是逻辑思维的能力。”。
简单而言，我们要关注事物之前的关联、因果、取舍，我们要用到一些方法对自己并不熟悉的领域进行思考和判断，我们的思考和表述可以有条理的说服别人。逻辑思维的能力是程序、算法、模型的基础，设计人工智能的人必然具备极强的逻辑思维能力，这件事人工智能也非常擅长。
3，双向沟通能力
双向沟通不仅仅是指听和说，在更深层面，指的是表达和洞察，这是产品经理的必修课。表达指的是通过产出物(口述、文档、接口、产品等)表达自己的立场、理念和想法。洞察指的是通过聆听、分析、判断等方法获悉对方(用户、领导、合作伙伴、竞品等)的立场、理念和想法。很多人都不具备聆听的能力，听不明白对的表面意思，更无法洞察对方的隐藏立场，产品经理的职责要求他们具备双向沟通的能力。这件事似乎是人工智能搞不定的，似乎只是人类特有的技能和工作方式，不过这些理解仅仅是双向沟通的表面形式而已。人工智能完全可以做到表达和洞察，表达相对简单，也容易理解，我们可以把人工只当当成一个机器人，它能够完美实现人类的所有表达工作。洞察要求较高，但其实也就是信息输入以及对输入内容的整理、加工、分析、判断而已，这件事相信人工智能可以做的很好。
小结一下，从专业技能这个方向考虑人工智能对产品经理的替代性，其结论是替代起来相对容易，都不是事儿。综上所述，无论从工作本质上面看，还是从专业技能上面看，人工智能替代产品经理都是完全可行的事情。当然，即便结论如此，仍然会存在很多问题，比如触发的条件是什么？什么时候发生？替换的路径是什么？部分替换还是全部替换？有没有特殊情况？人类产品经理会变成什么样？替换可能存在什么问题？替换会带来什么好处？每个问题都可以深入进去，产出大篇幅的论述。在这里我只对最后的三个问题感觉兴趣，下面将分别尝试回答这三个问题。
三个新问题
1，人类产品经理会变成什么样？
我觉的以后人类产品经理仍然会存在，但规模一定会变小，能力一定会变大，角色一定也会发生变化。类似于AlphaGo后面的Google的科学家一样，一定有一个群体计划并实施了产品经理的人工智能，进而推动行业的变化，这些人就是未来的人类产品经理。如果映射到当下，执行层面的产品经理都会被人工智能取代，剩下的产品经理更像是现在的产品架构师，也就是那些指挥产品经理干活的人。
2，替换可能存在什么问题？
产品经理拼到最高，似乎呈现出来的是综合优势，比如可以把这种能力定义为情商。情商代表着那些超越工作本质和技能、能够跨越行业和领域、只有小部分人才具备的能力。我不清楚这种能力是真是存在的还是只是一种玄学，更不知道人工智能可否获得这部分能力。另外，和很多其他行业一样，软件工程里面也仍然存在人与人之间的那种温情，比如信任、支持、关注，我不知道人工智能产品经理的出现对人类之间的这种温情会造成什么影响，更不知道人工智能是不是可以更好的实现温情。我想这恰恰就是作为一种生物的人类所具备的精神气质，也应该是人工智能的难题。
3，替换会带来什么好处？
人工智能产品经理的好处有很多，比如它可以持续提升自己的能力，并且以往所有的曾经都可以变成算法和模型提炼出来。比如它的效率比人要高很多，不光是因为它可以7*24的工作，更是因为它的工作方式决定了它可以解决很多软件工程焦油坑里面的问题。老板们不需要担心办公室政治、人浮于事，也不用担心它会离职创业。