作者介绍：
Mingke，对话式 AI产品经理，专注研究 CUI类的产品设计。为世界一百强企业提供对话智能应用的咨询和解决方案。本文笔记来自于主要来自于他的两篇文章和一次分享：
2016年11月21日：《为什么现在的人工智能助理都像人工智障？》
2017年6月4日：《人工智能技术不成熟，产品经理如何规避「智障」？》
2019年1月17日：《人工智障 2 : 你看到的AI与智能无关》
一、行业观点
目前To B，特别是限定领域的产品，相对To C类产品更可行：一个原因是领域比较封闭，用户从思想到语言，不容易发挥跑题；另一方面则是数据充分。
影响人们对话的，光是信息（还不含推理）至少就有这三部分：明文（含上下文）+ 场景模型（Context）+ 世界模型。
你有遇到过和某人对话起来感觉很舒服的么？这个人，不仅仅是语言组织能力强，更重要的则是他对你脑中的对话进程的把握，以及场景模型，甚至对你的世界模型有把握。他还知道怎么措辞，会更容易让你接受，甚至引导（Manipulate）你对一些话题的放弃，或者是加强。从这个角度而言，一个好的对话系统，必定出自一个很能沟通的人或者团队之手。能为他人考虑，心思细腻，使用语言的能力高效，深谙人们的心理变化。对业务熟悉，能洞察到用户的Context的变化，而其格调又帮助用户控制对话的节奏，以最终解决具体问题。
在产品研发方面上，如果研发团队能提供多种技术混用的工具，肯定会增加开发团队和设计的发挥空间。这个做法也就是DL(Deep Learning) + GOFAI (Good Old Fashioned AI) 的结合。GOFAI是John Haugeland首先提出的，也就是深度学习火起来之前的symbolic AI，也就是专家系统，也就是大多数在AI领域的人都看不起的“if then…”
从这个角度出发，对话智能类的产品最核心的价值，是进一步的代替用户的重复思考。
在短期的将来，数据和设计是对话智能类产品的壁垒，技术不是。只是这里说的数据，不是指的用来训练的数据。而是供给端能完成服务的数据；能够照顾用户整个生命周期的数据；是当对话发生的时候，用户的明文以外的数据这些数据；影响用户脑中的环境模型、影响对任务执行相关的常识推理数据，等等。
二、产品设计观点
所有的设计都应该围绕着，如何可以让用户感觉和自己对话的AI是有价值的，然后才是聪明的。
听到很多不太成功的产品案例，归结起来几乎都是因为 “产品Scope定义不明”。
你可以用GOFAI来模拟世界模型、也可以模拟场景模型、你可以Fake逻辑推理、可以Fake上下文指代——只要他们都限定在Domain里。
在你的产品中，加入专业级的推理；帮助用户进行抽象概念与具象细节之间的转化；帮助用户去判断那些出现在他的模型中，但是他口头还没有提及的问题；考虑他当前的环境模型、发起对话时所处的物理时空、过去的经历；推测他的心态，他的世界模型。
所以，任务类的对话的内容，系统不会自然产生，也无法用深度学习生成。对于AIPM而言，要考虑的还是有很多语言上的具体问题。一个回复里，内容会不会太长？要点该有几个？谓语是否明确，用户是否清晰被告知要做什么？条件又是什么？这样的回复，能引发多少种可能的问询？内容措辞是否容易引起误解（比如因为听众的背景不同，可能会有不同的解读）？
每一个企业，每一个品牌都会有自己的AI。一个或是多个，根据不同的业务而产生；对内部员工服务或者协助其工作，同时也接待外部的客服，管理整个生命周期从注册成这家企业的用户开始，到最后（不幸地）中断服务为止。
用户对可以做哪些选择一无所知——在没有可视化的参考下，面对如此开放的交互，当用户要找一个餐厅的时候，他们提出的要求，大都不在GUI设定的范围以内。
根据我们实际操作的经验，用户提出的问题是这样的：
只有“在外滩附近的”是之前GUI的查询范围当中的，其他的需求都是过去GUI的类型当中不存在的维度。但因为CUI的开放性，用户很容易给出上面这样的高度个性化（非结构化）的需求。
如果GUI的产品试图在个性化同样给用户那么多选择，就不得不面临用户使用成本的问题。一个界面可能会被大量的下拉列表，层级关系，各种填空和操作充满。如此是加深了个性化程度了，但是操作的成本会让用户放弃使用。
