1. 认知重构：从确定性系统到概率系统

产品经理从传统互联网（Web 2.0）转型 AI，必须完成的第一道思维跃迁，是彻底抛弃基于 “If-Else” 和关系型数据库的确定性指令思维，建立基于高维概率分布预测的统计学直觉。

1.1 核心范式跃迁

传统互联网产品的底层是确定性映射：用户输入 → 规则引擎 / SQL 查询 → 确定性输出。每一步可预测、可回溯、可精确复现。

AI 产品的底层是概率分布采样：用户输入 → 高维向量化 → 在学习到的联合概率分布上条件采样 → 概率性输出。同一输入可能产生不同输出，“正确答案”变成了概率置信区间。

这一跃迁直接改变了产品设计的基本假设：确定性系统中 PM 管理的是逻辑分支；概率系统中 PM 管理的是概率分布的形状、边界与采样策略。

1.2 经典机器学习范式的业务实质映射

不同的算法范式对应着完全不同的业务抽象，PM 需要把它们翻译为产品语言：

监督学习 (Supervised Learning) → 边界划定与格式契约：在产品中（如 SFT 阶段），这是在教模型”懂规矩”。输入 X，必须输出特定格式的 Y。

无监督学习 (Unsupervised Learning) → 隐空间降维与聚类：实质是将非结构化文本、图像映射为高维 Embedding 向量。

分类 (Classification) vs 回归 (Regression)：分类是意图路由；回归是连续值预估（违约概率、价格波动）。

1.3 统计学偏差在用户体验层的具象表现

欠拟合 (Underfitting)：模型未能捕捉数据特征。体验映射——“答非所问”与”通用废话”。

过拟合 (Overfitting)：模型死记硬背了训练集中的特定模式。体验映射——“过度僵化的回复”与”复读机效应”。

相关概念卡：幻觉与校准 模块二延伸：m202 工程选型 — 概率性系统如何影响技术选型决策（Prompt/RAG/微调/Agent） 下一章：c02 Tokenization 与词表工程