在日常工作中，经常有年轻的工程师或科学家询问我对于他们的某一个想法（Idea）的参考意见。让他们常常感到有一些差异的是，我往往不会马上对这一个想法说出我的思考，而是反问一个很普通的问题“你能给我说一下这个想法要解决什么产品问题？”很多时候，对方会显得很错愕，不知道怎么回答。

在工业界，很多机器学习工程师和科学家产生的大量想法，常常不是从如何解决产品问题出发，而是从某一个已知的解决方案入手，进行迭代。这样做的好处当然是能够专注技术，把产品实际问题简化为某种教科书或者实验室的抽象变形，但这会引发大家无法真正去理解业务本身所需要解决的问题，从而错过创新的机会。

多年前，Netflix希望提升自己推荐系统的精度，于是举办了举世瞩目的Netflix大赛。大赛对于推荐问题的描述就是把Netflix的推荐问题简化为了对于影片评分的预估。在包括大赛得奖模型在内成百上千的推荐系统声称自己提高了评分预估之后，才有研究人员慢慢反应过来，推荐系统的精度也许更看重推荐的排序效果，而非单个影片评分。也就是说，影片的评分估计对于推荐系统来说，也许并没有解决任何实际问题，是一个“错误”的抽象。再后来，工业界的研发人员发现，也许排序效果的好坏也不重要了，原因是很多产品真正要达到的是另外一个目的，比如Netflix是希望通过推荐系统的好坏来增加用户的留存，也就是减少用户的注销率。在这样的目标下，很微小的推荐系统的排序好坏和用户的留存有没有关系呢？可能很难讲。这里，如何设计推荐系统来增加用户的留存才是这个系统真正需要专注的目标，而不是影片评分的预估。

工业级的人工智能产品的应用和开发一个重要的瓶颈就是没有理解产品的初衷和最终要达到的目的，而盲目在某一个技术方案上进行迭代。做出来有可能是南辕北辙的解决方案。

你对于工业界人工智能产品的落地和迭代有什么疑问或者你觉得有什么好的话题希望我们来一起讨论呢？可以在留言中谈谈你的看法。