本文整理自文因互聯(lián)CEO鮑捷博士于2017年5月13日參加職人社與愛因互動聯(lián)合舉辦的活動———『AI時代的產(chǎn)品經(jīng)理』所做的演講。

我有一個好想法，就差一個 AI 了

今天我特別想跟大家分享一下，人工智能產(chǎn)品在「演進(jìn)」上的一些體會。

人工智能產(chǎn)品一個核心特點就是「演進(jìn)」。也就是說「你很難一下子達(dá)到那個地方」，這可能是與傳統(tǒng)的互聯(lián)網(wǎng)產(chǎn)品很不一樣的地方。

互聯(lián)網(wǎng)已經(jīng)存在很多年了，在產(chǎn)品經(jīng)理的人才積累上大概已經(jīng)過 10 萬的數(shù)量級了吧。對比國內(nèi)人工智能的導(dǎo)師儲備也不過數(shù)百人，國內(nèi)人工智能相關(guān)專業(yè)出來的研究生可以估算不會太多。這里面又有多少會成為人工智能工程師呢？而人工智能產(chǎn)品經(jīng)理就更少了。

所以，在中國現(xiàn)在做人工智能的產(chǎn)品，跟我們以前做互聯(lián)網(wǎng)的產(chǎn)品很不一樣。單從人才供給來說，無論是產(chǎn)品經(jīng)理、工程師，還是往上一層的架構(gòu)層面的人，都只是傳統(tǒng)互聯(lián)網(wǎng) 1/10 到 1/100 這樣的數(shù)量級。

工程領(lǐng)域有一個原則，任何系統(tǒng)的架構(gòu)你設(shè)計得再好，當(dāng)系統(tǒng)面對的問題規(guī)模的數(shù)量級上升，或者下降，這個架構(gòu)就會出問題。那么，我們互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)上的產(chǎn)品設(shè)計經(jīng)驗是為過去的規(guī)模的問題所設(shè)計的，我們現(xiàn)在碰到了新問題，還可以用原來的方法來做嗎？我覺得肯定是不一樣的。今天就來探討幾個不一樣的地方。

現(xiàn)在很多人在談這種焦慮感——人工智能要顛覆這個、要顛覆那個。我昨天看到微軟 AI 負(fù)責(zé)人沈向陽老師在說計算機(jī)視覺識別系統(tǒng)要在 10 年之內(nèi)識別所有的東西。過去我們常說「我有一個好想法，就缺一個程序員/產(chǎn)品經(jīng)理了」，今年大家都改口「我的想法就缺 AI 了」。

但人工智能對社會的顛覆其實還沒有發(fā)生，并且這個顛覆也是沒那么容易發(fā)生的。因為人工智能的資源是很稀缺的。稀缺資源造成現(xiàn)在組建一個人工智能團(tuán)隊，就一個字——「貴」?，F(xiàn)在一個北清畢業(yè)的博士的入門價格 BAT 能給他開到 60萬*。過去我有看過其他人的團(tuán)隊預(yù)算，十個人的機(jī)器學(xué)習(xí)團(tuán)隊，初期需要投入上千萬。由于人才的稀缺，決定了這個風(fēng)險不但來自于業(yè)務(wù)更來自于團(tuán)隊本身，少了任何一個人都很填上這個坑。（編者注：具體數(shù)字有待考據(jù)）

理解人工智能的局限性

其實，目前的 AI 技術(shù)并不是那么靠譜，還是不成熟的。人工智能已經(jīng)經(jīng)歷了兩次大型 AI 寒冬了，小的冬天不計其數(shù)，我就經(jīng)歷過其中兩次小寒冬（神經(jīng)網(wǎng)絡(luò)和語義網(wǎng)）。這次的熱潮還會不會有冬天？有人說不會，但我已經(jīng)被咬兩次了，我不敢這么樂觀。

因為人工智能現(xiàn)在還是“人工智障 ”的成分居多。我們做產(chǎn)品，更多是從人工智障開始做的。

2000 年，我在MIT研究期間的導(dǎo)師 Tim Berners-Lee（注：英國計算機(jī)科學(xué)家、萬維網(wǎng)的發(fā)明者，南安普頓大學(xué)與 MIT 教授） 曾告訴大家，未來會是語義網(wǎng)的。當(dāng)時實驗室成果讓大家很樂觀地認(rèn)為可能 10 年之內(nèi)就能在消費者領(lǐng)域?qū)崿F(xiàn)語義網(wǎng)。2001 年他在 《科學(xué)美國人》相關(guān)領(lǐng)域中的描述的產(chǎn)品就很像是 Siri，但當(dāng)我們做了 10 年以后，我們發(fā)現(xiàn)我們遠(yuǎn)遠(yuǎn)低估了這個開發(fā)難度。現(xiàn)在 16 年過去了，我們還是沒有達(dá)到他描述的對話機(jī)器人的技術(shù)水準(zhǔn)。

編者注：語義網(wǎng)是對未來網(wǎng)絡(luò)的一個設(shè)想，現(xiàn)在與 Web 3.0 這一概念結(jié)合在一起，作為 3.0 網(wǎng)絡(luò)時代的特征之一。簡單地說，語義網(wǎng)是一種智能網(wǎng)絡(luò)，它不但能夠理解詞語和概念，而且還能夠理解它們之間的邏輯關(guān)系，可以使交流變得更有效率和價值。語義網(wǎng)核心是：通過給萬維網(wǎng)上的文檔 （如：HTML文檔、XML文檔）添加能夠被計算機(jī)所理解的語義「元數(shù)據(jù)」（外語：Meta data），從而使整個互聯(lián)網(wǎng)成為一個通用的信息交換媒介。

所以，我們今天看到的很多的事情，比如知識圖譜、深度學(xué)習(xí)，從一開始的一個想法，到工程上、到產(chǎn)品上，最后落地到商業(yè)上是一個很漫長的歷程，通常需要 30 到 40 年。所以當(dāng)我們看到一些實驗性的成果，我們應(yīng)該把自己的興奮壓一壓，因為這中間有很多不靠譜的坑。

人工智能的技術(shù)瓶頸不是要代替智人作為動物的那一部分，而在于代替我們最近幾千年發(fā)展起來的那些認(rèn)知能力，也就是我們有了符號思維能力之后的智能。在學(xué)術(shù)上體現(xiàn)在，深度學(xué)習(xí)這種算法在不同領(lǐng)域上起到的改變是不一樣的，它可以讓語音和圖像的識別能力前進(jìn)了一大步，但是在自然語言處理或是知識圖譜這方面的提高只有 1-2%。比如說，假設(shè)傳統(tǒng)的自然語言分詞算法可以達(dá)到 88% 的正確率，那么深度學(xué)習(xí)算法在準(zhǔn)確率上可能做到 89-90%。但是深度學(xué)習(xí)可以把視覺識別的準(zhǔn)確率提升了 10-20%。

為什么會有這種區(qū)別呢？

原因是「識別」這件事情是哺乳動物的智能，不僅僅限于人類。你家的小貓小狗會識別出你跟別人不一樣。深度學(xué)習(xí)可以在這種自然能力的處理上有很不錯的表現(xiàn)。但是語言和文字這種符號思考能力是近幾千年歷史上發(fā)展出來的，跟傳統(tǒng)的信號處理能力非常不一樣。

所以，現(xiàn)在的算法是有局限性的，我們在構(gòu)建人工智能系統(tǒng)的時候要理解它的局限性。

關(guān)注路徑，而非直奔目標(biāo)

移動時代互聯(lián)網(wǎng)產(chǎn)品經(jīng)理培養(yǎng)的直覺是：剛需、極致。但是在人工智能領(lǐng)域，這樣直奔主題的直覺未必能成功。人工智能產(chǎn)品由于其復(fù)雜性，其設(shè)計核心是其中間路徑而非最終目標(biāo)。

我們移動互聯(lián)網(wǎng)時代在制定項目的時候，常會先有一個明確的目標(biāo)。但是怎么完成一個項目不是由目標(biāo)所決定的，是路徑?jīng)Q定的。

一群老鼠開會要做風(fēng)控，貓來抓老鼠之前做一個預(yù)警。怎么做呢？大家定了一個明確的目標(biāo)，在貓脖子上系鈴鐺。問題是，哪只老鼠來做這件事呢？怎么做呢？

這就是路徑。

路徑有很多層含義。

別人的目標(biāo)不是你應(yīng)該效仿的終點，別人的路徑更不是你要效仿的路徑。BAT 的終點不是你的終點。我剛開始創(chuàng)業(yè)的時候，特別喜歡看別的架構(gòu)師的那些架構(gòu)，認(rèn)真地做筆記，但當(dāng)我開始認(rèn)真搭建自己項目的架構(gòu)時，我還是不知道這個邏輯是什么，為什么這么搭。因為整個項目的演進(jìn)過程中，最重要的事情不是最終公布出來的那些，而是沒有被公布出來的。你最終學(xué)習(xí)到的都是一些切片，無論是他的終點、還是所謂的路徑，其實都是他 90% 預(yù)想的路徑被否定之后的一些切片。

探索新生事物的過程中，「被否定的痛苦」，才是真正的核心競爭力。

痛苦是不可復(fù)制的，哪怕是我們在學(xué)習(xí)別人總結(jié)經(jīng)驗、路徑形成的方法論。方法論的復(fù)制，也是建立在海量的痛苦當(dāng)中。我們都知道找到實現(xiàn)目標(biāo)的路徑很關(guān)鍵，但是沒有人會告訴你路徑在哪里，只有靠自己去摸索。即使是「元方法論」（Meta 方法論），也只能幫助我們在海量的不確定因素中，去找到幾個確定的點，減少死亡的概率。

AI 產(chǎn)品路徑設(shè)計方法論

1. 成本問題

我們在設(shè)計人工智能產(chǎn)品的時候，會有種種不靠譜的因素在制約產(chǎn)品。我們只有快速的迭代，Lean startup（精益創(chuàng)業(yè)） 降低成本，才能提高我們的成活率。盡管互聯(lián)網(wǎng)產(chǎn)品和 AI 產(chǎn)品不一樣，但是快速迭代是一個通用的方法論。

2. 不確定性拆分

把大的不確定性切成小的，切成小的不確定性。這個方法可以幫助我們在人工智障中尋找到人工智能。

3. 必須有業(yè)務(wù)基礎(chǔ)系統(tǒng)

像我這種技術(shù)出身的人，都會有一個做偉大的人工智能系統(tǒng)的夢想。但實際上數(shù)據(jù)庫系統(tǒng)跟智能系統(tǒng)有什么區(qū)別？其實者兩者在角色上是非常接近的，他們都是一種支持系統(tǒng)，支持系統(tǒng)是沒辦法離開基礎(chǔ)業(yè)務(wù)去獨立工作的。

如果說真正好的產(chǎn)品是一塊蛋糕，那里面的精華一定是基礎(chǔ)業(yè)務(wù)系統(tǒng)；人工智能系統(tǒng)可能連一個糖衣都算不上，它可能是蛋糕頂上的那個小櫻桃。2016 年某銀行花了一年的時間來做出一個大數(shù)據(jù)系統(tǒng)，系統(tǒng)有豐富AI模塊但內(nèi)部業(yè)務(wù)部門都不愿意用。這里面只有報表系統(tǒng)，把 Excel 的 Copy、Paste 功能做進(jìn)去了，真正打中了剛需，然后業(yè)務(wù)部門才逐漸接受了智能的附加功能。

4. 中間節(jié)點是在考驗所有人的耐心

由于人工智能系統(tǒng)不靠譜、周期長，所以一個人工智能系統(tǒng)從投入到產(chǎn)出中間要有很長的周期，內(nèi)部、外部、包括投資人在內(nèi)的參與方的耐心很容易耗盡。怎么在耗盡之前達(dá)到中間節(jié)點？這里面最大的風(fēng)險，并不是來自于技術(shù)，而是怎么做好中期管理。

做人工智能的產(chǎn)品，不要直奔主題而去。做金融，就不要直接去做投資研究系統(tǒng)。做醫(yī)療，不要直接做診斷系統(tǒng)。做招聘，不要直接做人才匹配系統(tǒng)。直奔主題的失敗不是特例，很多大公司都是上來就做一個特別大的系統(tǒng)， 90% 都會失敗。

AI 產(chǎn)品特性：可演進(jìn)性

人工智能系統(tǒng)是非常復(fù)雜的系統(tǒng)。但是復(fù)雜在英文中有兩種表達(dá)方式，Complex 和 Complicated，這兩種是不一樣的。移動互聯(lián)網(wǎng)產(chǎn)品是一個 Complex 的系統(tǒng)，而人工智能應(yīng)用，可以類比生物，是由千億個小元件精細(xì)配合完成的，是 Complicated 系統(tǒng)。Complex 的系統(tǒng)強(qiáng)調(diào)的是Scalability，規(guī)模能力，擴(kuò)張能力。而人工智能產(chǎn)品需要的是 Evolvability 可演進(jìn)性。類比而言，一百億個草履蟲組合在一起不能合成一個人，但人工智能系統(tǒng)也是需要從細(xì)胞開始進(jìn)化的。

人工智能系統(tǒng)的設(shè)計方法論要根根據(jù)這個區(qū)別去做改進(jìn)。

蓋爾定律說，一個復(fù)雜系統(tǒng)是沒法自頂之下進(jìn)行設(shè)計的；如果一個復(fù)雜系統(tǒng)從一開始的設(shè)計不是切實可行的，那么到后面的修修補(bǔ)補(bǔ)也是無法讓它切實可行的；復(fù)雜系統(tǒng)必須從一個切實可行的簡單系統(tǒng)重新開始做。

從頂向下去設(shè)計的復(fù)雜系統(tǒng)無一例外都會是失敗的。一個切實可行的復(fù)雜系統(tǒng)勢必是從很多個切實可行的簡單系統(tǒng)發(fā)展而來的。在大公司里面可能需要你交付一個預(yù)算是 2、3 億的復(fù)雜產(chǎn)品，失敗了也就是失敗，當(dāng)成本攤薄之后可能是可以過日子的。但是這個成本對于創(chuàng)業(yè)公司來說，是不可能實現(xiàn)的。在過去將近 20 年的時間里，我做過很多 AI 相關(guān)的項目，大部分都悲慘失敗了。我在現(xiàn)在的項目（文因互聯(lián)）里，有很多具體的小嘗試，有些還是失敗的。但我們可以把大的失敗、切分成小的失敗，讓每一個失敗都成為離成功更進(jìn)的墊腳石。這是讓 AI 產(chǎn)品落地的根本。

那么， AI 公司可以交付什么？

我們有四種選擇——零件、工具、解決方案、系統(tǒng)。我們在實際解決問題的時候，我們很難交付一個復(fù)雜的系統(tǒng)。優(yōu)秀的 AI 創(chuàng)業(yè)者不約而同地選擇一種路徑，為了設(shè)計實現(xiàn)一個通用系統(tǒng)，不得不先做包工頭，做了一個一個的解決方案，從解決方案里面總結(jié)一個系統(tǒng)出來。

好的產(chǎn)品是總結(jié)出來的，并不是設(shè)計出來的。我們從具體的小事情開始做起來，當(dāng)我們完成了 10 個解決方案的時候，我們或可以從當(dāng)中總結(jié)出一個系統(tǒng)出來。當(dāng)我們連解決方案都找不到時，我們就需要從零件、工具開始做起來的。

每一個產(chǎn)品的背后都是有科技樹的。一個產(chǎn)品首先需要很多零件去制造工具，沒有工具就沒有解決方案，沒有解決方案就沒有系統(tǒng)。以火車鐵路系統(tǒng)為例，鐵路在火車出現(xiàn)之前就存在了，后來出現(xiàn)蒸汽機(jī)之后又經(jīng)過了瓦特的改良，過了很長一段時間才有了火車發(fā)動機(jī)。在這個案例里，零件——平行運動連桿、工具——蒸汽機(jī)、解決方案——礦山抽水，最后就有了系統(tǒng)——火車鐵路系統(tǒng)。就像蒸汽機(jī)一開始也不是應(yīng)用在火車上，而是礦山抽水系統(tǒng)上。一個解決方案產(chǎn)生價值的時候，你會想象不到，后面會有什么機(jī)會發(fā)生。

再比如，我們現(xiàn)在在微信上實現(xiàn)的電視電話，跟我們20年前設(shè)計的解決方案也是不一樣的。我們當(dāng)時的電子工程師，想的是怎么能夠設(shè)計一套編碼系統(tǒng)，讓視頻電話在電視系統(tǒng)里跑起來。我們在設(shè)計這個方案的時候連 CCD （圖像傳感器）也不夠成熟，我們設(shè)計了一系列的光學(xué)的模擬信號去實現(xiàn)這件事。在這個案例里面，零件—— CCD 圖像傳感器，工具——攝像頭，解決方案—— PC 視頻聊天，最后就有了系統(tǒng)——「電視電話」。每一個工具、每一個理念，都有它當(dāng)時的作用，在構(gòu)造一個系統(tǒng)的時候，我們把這些中間節(jié)點找到他們的應(yīng)用場景，然后去培育這個技術(shù)。這是所有復(fù)雜系統(tǒng)的統(tǒng)一的規(guī)律。

產(chǎn)生偉大的AI公司需要可演化的產(chǎn)品。直奔市場、用戶、需求所要求的主流剛需而去，就是讓 AI 產(chǎn)品失敗的保證書。

其實不僅是AI公司吧，演進(jìn)也是很多更早的互聯(lián)網(wǎng)公司的特點。雅虎是從分類目錄開始做的，兩個創(chuàng)始人 8 個月時間，手工地做出來了分類目錄，巨頭完全看不起。后來他的網(wǎng)站演化成了門戶。而一個從一開始就想做門戶的公司，花了 600 億美金才明白這個道理。這就是 AT&T 的故事，早期的虛擬的互聯(lián)網(wǎng)接入服務(wù)供應(yīng)商（ISP） 之一，在沒有 Web （1990 年面市）之前，就做了訂票、天氣等應(yīng)用。 當(dāng) Web 開始出現(xiàn)的時候，它想做一個門戶，把所有的用戶都包含在平臺上，當(dāng)時為了維護(hù)這個封閉花園它前前后后花了 600 億美金，最終還是無奈破產(chǎn)。

另外一個演進(jìn)的例子是 Pinterest。Pinterest 一開始也是做電商導(dǎo)購系統(tǒng)，然后失敗了。在這個過程當(dāng)中發(fā)現(xiàn)大家對他們的圖片分享非常喜歡，于是他們把其他功能扔掉了，就做圖片的分享。他們簡化為非常簡單的工具：菜譜的圖片分享。后來經(jīng)過幾年演化之后，才又做回了導(dǎo)購系統(tǒng)。

很多人工智能產(chǎn)品的公司在發(fā)展過程中會有場景躍遷。比如出門問問，開始做出行 App ，后來做了手表、車載導(dǎo)航；云知聲的發(fā)展，最早的業(yè)務(wù)是搜音樂，后來做了語音云，為很多行業(yè)的產(chǎn)品方案，下一步的場景包括智能家居。文因互聯(lián)一開始做的是金融搜索，現(xiàn)在我們在做金融自動化報告的機(jī)器人，未來可能會演化到智能資管或者智能投顧。

做智能金融、法律、醫(yī)療產(chǎn)品演化的一般的中間節(jié)點是什么？這個問題我也沒有答案。這個是要大家去探索的。

產(chǎn)品是團(tuán)隊的映射

康威定律講的是產(chǎn)品演化更底層的問題：產(chǎn)品的結(jié)構(gòu)映射了產(chǎn)生它的團(tuán)隊的結(jié)構(gòu)，可演化的產(chǎn)品需要可演化的團(tuán)隊。每一個公司的成員和架構(gòu)跟它的產(chǎn)品會有很大的相關(guān)性。公司的成員都會決定你的產(chǎn)品是什么樣子，而我們剛剛提到做 AI 產(chǎn)品最重要的一個特質(zhì)就是要具有演化性。也就是說產(chǎn)生這個產(chǎn)品的人的集合，一定是要具有演化性的。

關(guān)于如何組建團(tuán)隊，我們會聽到各種不同的方案或者聲音。有些團(tuán)隊會強(qiáng)調(diào)技術(shù)，有些團(tuán)隊會強(qiáng)調(diào)領(lǐng)域?qū)＜?，有些大學(xué)出來的公司會強(qiáng)調(diào)算法，也有人說要強(qiáng)調(diào)一針見血的領(lǐng)域洞察力，要一眼看出用戶需求在哪里。

團(tuán)隊演化遇到的最大的一個難題就是，如何把技術(shù)專家和領(lǐng)域?qū)＜胰诤显谝黄穑貏e是兩種人都是明星的時候。以我們自己為例，我們做金融領(lǐng)域的知識圖譜，金融和技術(shù)這樣兩種人都是我們團(tuán)隊需要的，但更重要的一點就是團(tuán)隊有沒有演化的基因和認(rèn)識。

十幾年前語義網(wǎng)概念大熱的時候，市面上有幾百家公司，現(xiàn)在這些公司很多都沒有聲音了。這背后有一個重要原因就是明星的沉沒成本，我們剛才一開始就提到過，現(xiàn)在做 AI 的創(chuàng)業(yè)的人很貴很少，所以你的市場上找到的創(chuàng)業(yè)者都是明星。

這是很可怕的事情，因為明星很難去做臟的小的事情。明星可以加入任何一家公司去做合伙人，或者在大公司里拿到 200 萬或 500 萬的年薪，這些人不會去做小事情。Twine 是做語義網(wǎng)的明星企業(yè)，黃金配置的團(tuán)隊成員，公司的 Slogan 是 Tie it all together.。所以他們一上來就做一整套的工具鏈。過程中遇到了各種各樣的問題，團(tuán)隊花了很高的成本，但是產(chǎn)品性能表現(xiàn)很差。后來沒挺住，公司死掉了。盡管他們擁有最好的領(lǐng)域?qū)＜液图夹g(shù)專家，一旦開始去追求這么大的目標(biāo)，也是很難把這件事做成。

所以，找到一個「明星」是大家的幸運。但是如果這個明星不能夠控制自己的沉沒成本的話，就是大家的不幸。

所以更多的時候我們是要去構(gòu)造一個可生長的團(tuán)隊，這個團(tuán)隊一開始可能沒有那么厲害，但一定是讓團(tuán)隊充分了解到什么叫做演化，什么是迭代，了解技術(shù)能干什么，尤其理解技術(shù)不能干什么。如果團(tuán)隊真的能夠理解這些，那在這個漫長的周期里，它是不會放棄的。

這里我列舉的幾個 AI 時代的從業(yè)者需要具備的能力。其實這些也并完全新，很多是互聯(lián)網(wǎng)時代積累下來的經(jīng)驗，在精益方法論中也有過討論。

• 不要追求虛幻的確定性。我們在面對新生的需求時，我們會覺得自己需要一個專家來告訴我們怎么去做；或者一件事我們不知道怎么做，但是有大公司做了，我們就跟著大公司做；或者我們想不出這個產(chǎn)品是怎么來的，讓項目客戶告訴我們該怎么做。這些想法一點都不錯，但要記住，這是一種虛幻的確定性，它會在某個程度上讓你感到很舒適。但是最終如果不能克服這種對不確定性的恐慌，我們是很難演化的。
• 我們要善于做精益創(chuàng)業(yè)，善于做分解。把大的失敗切成小的失敗，做好快速迭代。我寫過一篇文章，叫做任務(wù)分解的五個動作，這是需要重復(fù)練習(xí)的。比如說怎么寫好一個 OKRs（目標(biāo)管理文章見職人社其他分享），這件事到現(xiàn)在為止對我來說還是很大的挑戰(zhàn)。
• 要有交付的態(tài)度。交付是說每一件事情都要在一定的時間內(nèi)，按天/周/月來交付一件可用的產(chǎn)品。我們不做復(fù)雜的大工程，但是我們做的每一期工作都要做到有一點點價值的，成為下一階段工作的跳板。以我們團(tuán)隊為例，最近我們在做知識提取，一開始團(tuán)隊對這次工期完全沒有信心。我說能不能達(dá)到 85% 的正確率？大家都不知道。于是我們就坐下來一起來分析知識提取上有什么困難，做了一次錯誤歸因、持續(xù)交付。這次談話并沒有談到任何算法層面上的問題，但是交付讓團(tuán)隊更有信心了，也很快就達(dá)到了目標(biāo)。
• 溝通、復(fù)盤。溝通和復(fù)盤都是在職場大家都會面對的，我就不多說了。
• 本錢能力。沒有本錢，不是團(tuán)隊不打仗的理由；我們打仗是為了賺本錢。只要可以做到交付，本錢就會不斷的積累。

總結(jié)今天所說，濃縮為一句話：從小事做起！

作者：鮑捷，文因互聯(lián)CEO

本文由 @莫顏云月 整理發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。