笔者过去几年主要在金融相关行业工

适度相信命理学 接受自己遇到的所有命运，把生命当作一场游戏。无论是队友、怪物还是NPC，都把他们当作自己的贵人。 《旧唐书·魏征传》里曾说“以人为镜，可以明得失；以古为镜，可以知兴替”。我从别人那里学到的东西，远远比我自己瞎捉摸的更多。 命理学里也有值得借鉴的意义。 比如，外格不行，那就多交点朋友；没到带财官的岁运，求财官不利那就做名声；八字印绶少，遇到印绶岁运就多学习拿证书；八字缺水木，那就找八字水木多的合伙人…… 不过，还好我只把命理学当爱好，不然可能又要吃算命大师的亏了。 有条件创业的人还是要趁。

早，出名也一样年轻就是本钱

再往后就没那个精力和脸面去拼了。 以上就是我创业四个月以来所有的感悟。 暂时就想到这么多，一点浅见，自我勉励。也给很多想创业或刚创业的朋友提个醒。 作者：金鑫；公众号：一个符号工作室 本文由 @一个符号工作室 原创发布于人人都是产品经理。未经许可，禁止转载 题图来自 。

协议 该文观点仅代表作者本人

人人都是产品经理平台仅提供信息存储空间服务。浪潮前夕，各个行业都在努力拥抱AI，通用人工智能的快速发展打破了原有的依赖规则驱动的模式，基于大数据和深度学习，从“规则为基础”向“数据驱动”，综合能力和应用能力也更强。 作，因为本文主要讨论范围也是围绕着金融行业的AI应用。 一、金融行业数字化转型 金融行业的数字化转型一直在持续进行中，当下的AI应用浪潮，也是数字化转型中的第三阶段，当下及未来的阶段。 从这个路径的理解来看，金融行业要更好地进。

提高客户参与度首先要接触 手机号码数据 到合适的人。有针对性的手机号码列表可以让企业做到这一点。准确的手机数据使企业能够优化营销预算，优先考虑有价值的潜在客户。细分客户列表可以更深入地了解受众的偏好和需求。这种数据驱动的方法有助于企业培养忠诚度，通过提高客户满意度来提高留存率。

行AI的应用落地实践，依然离不

开数据的建设，模型的落地应该如 电子商务领域最佳成功案例列表（63 个以上示例！） 何应用，首先需要理解AI究竟带来的是什么样的能力(与以往纯粹的[线下搬到线上]的方式相比有什么不同)、业务平台与AI模型之间应该如何协作构建，最后再来看金融行业中的AI应用场景。 二、大模型的能力理解 长远一点来看，把AI智能体当做一个可塑可训练的、具备记忆、有理解能力、能够做出决策、并且行动(任务处理或内容输出)的“人”。 可训练：微调、语料训练、prompt工程等方式都可以在通用大模型的基础上，进行进一步的训练和塑造，这一点对大模型。

的能力落地提供了更多的可能性

也让大模型的能力发挥降低了应用门槛。在企 电话号码 sa 业应用层面，可以基于特定的产品场景需求进行设置和微调，在用户层面，也可以通过调整和设置形成个人自定义的角色塑造。 输入/感知：输入，即接收来自外界直接的需求信息，文字/音频/图像/视频等，以及用户在特定使用场景中的设置调整。在硬件上的应用可能会涉。

及到更多的信息输送，比如

AR眼镜、智能录音笔等，使输入窗口更丰富，听觉、触觉、视觉等，都以成为接收的信息要素，多样化的信息输入也会带来信息量的激增和结构的丰富，比如音频中除文字信息外，语气、语调、停顿等也包含了很多信息，对模型的理解能力和信息处理速度会有更高的要求。感知，对场景/场域的感知、对用户行为习。

惯的感知等近期支付宝推出

的[支小宝]，智能陪伴的模块就发挥了对用户场景及场域的感知，比如到了旅游某个景点，推荐当地的特色、订车等服务，在家快递待取件，提醒取件等，以及随着使用时间越长，对用户的行为习惯的感知会更加精准。 理解/推理：基于大量数据的训练和深度学习，通用大模型对自然语言有更强的语义理解能力，扩展到多模态的话，需要大模型对丰富的信息结构有更深的理解，比如音频、图像、视频等。 记忆/学习：记忆包括短期记忆和长期记忆，短期记忆比如对话上下文、提示词的上下文，长期记忆涉及到外部的数据检索访问，数据库、知识库等； 任务处理：结合应用业务平台的需求和能力，给AI的输出提供[执行能力]，包含决策支持、围绕工作流的智能选择最优-自动执行-优化等。决策支持主要是通过数据分析和机器学习进行决策，识别趋势、预测结果和评估风险，比如金融领域的风险评估、组合优化建议等；工作流的选择。

执行优化上在场景匹配中选择

工作流执行+RPA实现自动化，提升工作效率，智能动态调整与执行，则能够给工作流的执行带来更多灵活的提升优化。 内容输出：在掌握对特定场景的内容创作要求及方法后，AI可以基于需求快速进行内容创作，涵盖了从数据分析到创造性的表达，通过对大量数据的处理与理解，结合企业内部的数据或内容资产、场景及定义，AI能够自动生成具有逻辑性和连贯性的内容。此处的内容输出包含但不限于文本、图像、音频和视频，也可以是结合应用场景拓展的组合型内容，比如PPT等。 结合AI的多项能力，AI agent智能体是综合决策+工作流执行，最接近人类综合工作能力的概念。 产品经理到底该不该选择做B端？ 近几年互联网经。

历了砸钱做市场的热潮后越

来越意识到，仅靠C端发力是不行的，需要尽快补齐B端的短板。那产品经理到底该不该选择转型做B端呢？ 查看详情 > 从主动性和自治程度来看，包含Copilot和Autopilot，copilot更强调提供辅助建议和增强操作体验，autopilot更强调自主的决策和执行，高程度的自治和自动化。从现阶段的应用来看，主要还是以Copilot的形式和定位，即使是决策型的AI，或者是具备工作流决策和执行能力的智能体，在目前的阶段还是辅助作用。 Copilot是一种辅助工具，强调用户的主动性和控制，主要用于提高效率；而Autopilot则倾向于更高程度的自动化，旨在减少人类干预。两者的核心区别在于用户参与的程度和自动化的水平。 两者在技。

术路径上有较大的区别，Copilot旨在辅助用户在特定工作流中提高效率，也是目前比较常见的方式，比如GitHub Copilot为用户提供代码建议、阅读总结类产品比如微信读书AI总结都是此类，技术上，Copilot通常通过自然语言处理（NLP）技术与机器学习算法相结合，提供上下文相关的帮助； Autopilot通常指的是一种更加全面的自动化系统，旨在在没有人类干预的情况下完成特定的任务或操作。从技术上讲，Autopilot系统往往依赖于组合多种技术，如计算机视觉、传感器融合和深度学习，以实现实时环境感知和决策。 从应用落地的角度来看，主要分为两种。

环节和方式，决策类、任务工作流选择/执行/优化，两者有不同的侧重点，也可以结合应用。 决策类的主要应用在策略决策，包含管理策略(团队或业务优化管理)、营销策略、安全风控策略、评估评级、运营策略等。 工作流选择/执行/优化，侧重于任务。

处理的动作(RPA自动执行)，也包含智能决策选择最优工作流、工作流的优化评估。 三、AI 应用价值 AI 的能力和价值长期来看，目标是以与[工作领域专家]的决策能力和工作执行能力对齐的智能体，是在现有工作流基础上的智能化和强化，以高效或业务优化为目标，未必是改革工作流本身(还没有超过人类的智慧能力和全新的创造)。