传统的技术实现方式是通过代码编写规则，用户输入X，按规则得到Y。新的方式是告诉大模型输入X要得出Y，由大模型学习和探索中间规则。人类利用探索出的规则不断训练提升直到满足使用。根本原因是技术实现方式发生了变化，从而导致了工作方法的变化，需要了解大模型的底层逻辑，以新的工作方式来应对。在大模型真正被广泛知晓并应用之前，产品经理的工作可以概括为：接收需求/挖掘需求--将明确的需求和确定性逻辑传递给协作团队--验收成果上线--根据用户反馈或数据跟踪进行迭代优化。产品经理在整个过程中的核心是确定性。业务的确定性，功能的确定性，逻辑的确定性。验收的标准在于用户界面和操作流程是否和预期一致。在引入AI大模型之后，AI输出的结果为概率性，产品经理的核心是管理不确定性。数据的分布，模型的偏差，效果的评估。验收的标准在于模型效果是否变好。这并不像以往根据面向的用户群体分为TOC/TOB，或者按端分为WEB/移动，而是一种从技术范式的角度进行的区分。在短期内如此区分是可持续的，因为真正理解概率模型、数据闭环、模型评估需要一个过程，最终达成的能力是——管理模型不确定性的产品思维。仍然存在其他产品/功能，通过传统方式即可实现。即使是简单的工具型产品，未来也可能被AI交互方式重构。所以再往后发展，AI产品经理这个标签会融合到产品经理中，产品经理需要掌握两套思维。在简单工具/逻辑型产品中仍用传统方式，在任何涉及推荐、预测、生成、决策类产品/功能，要有管理模型不确定性的思维。随着AI能力演进，会出现更细的切割。
预测型AI产品经理 vs 生成式AI产品经理、模型产品经理 vs 应用产品经理、智能体（Agent）产品经理、人机协同流程产品经理、AI伦理与对齐产品经理....
学习思考
不要只追逐AI产品经理的职位名称，要看清这个职位指代的是理解模型能力边界、设计数据反馈闭环、定义评估指标等能够管理概率系统的核心能力。
同时，行业和领域也决定了具体应用形态和约束条件。不同行业和领域对大模型的不确定性的容忍度天差地别。在一些垂直行业，产品经理必须是半个行业专家。对于从业者而言，最实用的策略依然是选择一个行业或领域深耕。这样才能穿越周期，延长职业长度。
