摘要：随着AI技术的飞速发展，大模型如Chatgpt、Stable Diffusion等已广泛应用于产品开发中。然而，许多产品经理对AI模型的原理和应用仍缺乏深入了解。本文将从产品视角出发，深入剖析AI模型的底层原理、训练流程、评估方法以及典型应用场景，为产品经理提
随着AI技术的飞速发展，大模型如Chatgpt、Stable Diffusion等已广泛应用于产品开发中。然而，许多产品经理对AI模型的原理和应用仍缺乏深入了解。本文将从产品视角出发，深入剖析AI模型的底层原理、训练流程、评估方法以及典型应用场景，为产品经理提供一份清晰、实用的AI产品实战指南。
AI技术日新月异，大模型如ChatGPT、Stable Diffusion 已经走入产品一线。作为产品经理，是否该深入算法底层？
其实，不需要精通编程或建模，只要掌握常见模型的原理、能力边界和典型应用场景，就能让你的产品更智能、更高效。
本文将从一个产品视角出发，逐步拆解大模型背后的“原理+应用+落地方案”，覆盖从文本生成到图像识别，从语音交互到智能Agent，为你提供一份清晰、可落地的 AI 产品实战指南。
人工智能简单来说就是机器对人类智能的模仿，对人的思维或行为过程的模拟，让它像人一样思考或行动。人类不断的积累经验，从而应对新的情况出现时能优化之前的行为。
那么机器，根据输入的信息（data）能进行模型结构，再输入新的信息时，能自行优化模型的结果，从而优化输出的结果，甚至超越人类。
1.1 从规则驱动到数据驱动：AI进化简史（1）符号主义时代（1950s-1980s）
代表：专家系统（如医疗诊断MYCIN）
特点：依赖人工编写规则，遇复杂问题崩溃
产品启示：规则系统仍用于简单场景（如客服FAQ）
（2）统计学习时代（1990s-2010s）
里程碑：AlexNet在ImageNet竞赛碾压传统方法
关键转变：特征工程→特征自动学习
使用一个很形象的例子：
人工智能的概念提出许久，现在火了更像是集中了天时地利人和。人工智能的三大基石：算法、算力、数据。
算法：2012年出现的深度卷积神经网络，能大幅提升图像识别准确率，标志深度学习进入实用阶段；2017年的Transformer架构解决了长序列数据处理难题，推动自然语言处理NLP，成为了GPT等大模型的基础。
算力：GPU、TPU等专用硬件大幅提升计算效率，训练时间从数月缩短到几天，使训练百亿参数级模型成为可能。数据：得益于互联网的发展积累了海量的数据、图形等，大量的数据提供了模型训练的燃料，而数据的质量也决定了模型的准确率。1.3 神经网络：模仿人脑的”分层学习法”首先要对神经网络所处的位置进行阐述，人工智能的实现方式主要包括符号学习与机器学习两类：
符号学习（对应前文的符号主义时代）：通过人工编写的规则来模拟人类推理。典型应用是专家系统（如IBM深蓝国际象棋程序）。局限性在于全部依赖人工预设的规则，无法处理未知的场景。机器学习（对应前文的统计学习时代与深度学习革命）：从数据中自动学习规律，主要分类方式有监督学习（分类、回顾），无监督学习（聚类、降维），强化学习。所谓的深度学习（使用了神经网络）其实是一种非常强大学习工具，可以用，可以不用，如下图所示：
为什么说神经网络强大，先来看看它的原理。神经网络是一种模仿生物神经系统结构和功能的计算模型，就像人类大脑由数十亿个相互连接的神经元组成一样，人工神经网络也由大量相互连接的人工神经元（或称”节点”）构成，这些神经元通过协同工作来处理复杂的信息。
神经网络之所以被称为”分层学习法“，是因为它采用层级结构来处理信息。与传统的单层机器学习模型不同，神经网络通过多个处理层（包括输入层、隐藏层和输出层）逐步提取和转换数据特征，每一层都会对数据进行一定程度的抽象和理解，最终实现对复杂模式的识别和预测。
一个典型的神经网络由三个主要部分组成：
输入层：这是网络的”感官”部分，负责接收原始数据。比如在图像识别任务中，输入层可能是图像的像素值；在语音识别中，可能是声音信号的频率特征。隐藏层：这是网络进行实际”思考”的部分，由多层神经元组成。每一层都会对前一层的输出进行变换和抽象，逐步提取更高层次的特征。隐藏层的层数和每层的神经元数量决定了网络的深度和复杂度。输出层：这是网络产生最终结果的部分。根据任务的不同，输出可能是类别标签（如”猫”或”狗”）、连续值（如房价预测）或更复杂的数据结构（如句子翻译）。这些层之间的连接都有相应的”权重”，这些权重决定了信号在神经元之间传递的强度，也是网络通过学习不断调整的关键参数。
1.4 产品经理必懂的3个技术概念（Transformer/注意力机制/损失函数）
1）Transformer
Transformer是一种基于自注意力机制的神经网络架构，已成为NLP（Natural Language Processing，自然语言处理）和CV（Computer Vision，计算机视觉）领域的标准模型（如GPT、BERT等）。
产品经理需要知道的要点：
并行处理优势：相比RNN（Recurrent Neural Network，循环神经网络）的顺序处理，Transformer可以并行处理所有输入，大幅提升训练速度上下文理解能力：能够同时考虑输入的所有部分，实现更好的语义理解可扩展性：模型规模可以灵活调整（参数量从百万到千亿级）产品应用启示：
当需求涉及长文本理解时（如自动摘要），Transformer比传统模型表现更好需要权衡模型大小与响应速度（大模型效果更好但更耗资源）注意输入长度限制（如GPT-3最多2048个Token）补充说明：
Token是模型处理文本时的最小单位，可以是单词、子词或字符，具体取决于分词方式。例如：
英文场景：单词”unhappy”可能被拆分为子词[“un”, “happy”]作为两个token中文场景：句子”产品体验优秀”可能被分词为[“产品”, “体验”, “优秀”]三个token2）注意力机制
注意力机制模拟人类认知的聚焦能力，让模型能够动态决定输入的哪些部分更重要。
产品经理需要知道的要点：
权重分配：为输入的不同部分分配不同重要性权重自注意力：让输入序列中的元素相互计算关联度（如理解”它”指代前文的哪个名词）多头注意力：同时从多个角度计算注意力，捕捉不同维度的关系解释为什么AI有时会”答非所问”（注意力分配错误）设计产品时考虑提供更明确的上下文线索（帮助AI分配注意力）在需要关系推理的场景（如客服工单分类）优先考虑基于注意力的模型3）损失函数
损失函数量化模型预测与真实值的差距，是训练过程中优化的目标。
产品经理需要知道的要点：
常见类型：
分类任务：交叉熵损失回归任务：均方误差生成任务：对抗损失（GAN）自定义可能性：可通过修改损失函数实现特殊业务目标
评估指标关联：损失函数值≠产品指标（如准确率），但通常正相关
产品应用启示：
当标准指标不满足业务需求时，可考虑定制损失函数理解模型优化目标与实际业务目标的差异（如推荐系统可能过度优化点击率而忽略多样性）评估训练进度时，除了看损失值下降，更要关注验证集的产品指标在AI产品的开发过程中，模型训练是最核心也最神秘的环节。对于产品经理而言，理解模型训练的基本原理和关键环节，不仅能帮助团队更高效地推进项目，还能避免许多常见的”坑”。
2.1 数据预处理：清洗/标注/增强的实战方法AI需要大量的数据进行训练与学习，因此数据预处理是第一步。
（1）数据清洗：质量大于数量
在实际项目中，我们常常遇到”脏数据”的问题。比如在开发一个电商评论情感分析系统时，原始数据可能包含大量无关符号（如”####”）、乱码、甚至完全无关的内容。花在数据清洗上的每一分钟，都能为你节省后续十倍的调试时间。
常见的数据清洗方法包括：
去除重复样本（约5-15%的数据可能是重复的）处理缺失值（删除或合理填充）统一格式（日期、单位等标准化）异常值检测与处理实战技巧：建立一个可复用的数据清洗pipeline（一系列按顺序连接的处理步骤），将清洗规则代码化。例如使用Python的Pandas库，可以高效处理百万级的数据清洗任务。
（2）数据标注：成本与质量的平衡术
数据预处理环节并不一定要进行数据标注，是否需要数据标注取决于采用的机器学习方法：
我们可以用下面的决策树图来判断是否需要标注以及如何实现标注：
（1）弱监督+人工复核：
弱监督（Weak Supervision）：用低成本方式生成“伪标签”，比如：
用关键词匹配（如评论含“太差”=差评）用简单规则（如“订单金额>1000”=高价值客户）用已有小模型预测（如用BERT初步标注文本情感）人工复核：对弱监督结果抽样检查，修正错误
例子：
电商评论分类（好评/差评）
-弱监督：用“太棒了”“垃圾”等关键词自动打标签
-人工复核：随机抽10%检查，修正错误标签
微调（Fine-tuning）：用少量标注数据调整已有模型，让它适应业务主动学习（Active Learning）：让模型自己挑“最难”的数据，人工标注这些关键样本，提升效率法律合同风险检测
-微调：用1000条已标注合同训练BERT
-主动学习：模型找出“最不确定”的合同（比如既像高风险又像低风险），人工重点标注这些
（3）规则引擎/简单模型：
规则引擎（Rule-based）：用if-else逻辑处理数据，例：“IF 评论包含‘退款’ THEN 分类为投诉”简单模型（如逻辑回归、决策树）：用少量标注数据训练可解释模型客服工单自动分类
规则引擎：
-“无法登录” → 技术问题
-“我要退货” → 售后问题
简单模型：用500条标注数据训练决策树
2.2 训练流程四步法：前向传播→损失计算→反向传播→参数更新下图所示，是一个模型的训练过程，我们按照步骤进行讲解：
（1）前向传播：模型的”初次尝试”
就像第一次按照食谱做蛋糕，模型接收输入数据（原料），根据当前参数（食谱步骤），输出预测结果（成品）。
假设我们要训练预测商品价格的模型：
输入数据：商品类别、品牌、历史销量、评论数当前参数：初始随机设置的权重（类似新手厨师的直觉）预测输出：预估价格（如￥299）（2）损失计算：量化”错误”程度
比较预测值与真实值的差距，这些训练数据对应的有真实的值，将真实值与第一步模型计算出来的值进行量化比较。做一个简化的例子：
（3）反向传播：找出”失败原因”
不用担心，这一步是系统自动完成的（框架如PyTorch/TensorFlow实现），比如在前面的例子，通过数学方法计算：
品牌权重对误差贡献：35%评论数量权重：15%历史销量权重：50%（4）参数更新：调整权重
根据归因结果调整参数，比如：
不断的重复上面过程调整权重与参数，何时停止训练：
当验证集准确率连续3轮无提升边际收益2.3 产品经理最常踩的3个坑（过拟合/数据泄漏/算力浪费）在AI产品的落地过程中，产品经理往往更关注业务需求而忽略技术细节，但以下3个技术问题一旦发生，轻则导致模型失效，重则引发生产事故。
坑1：过拟合（模型”死记硬背”）
问题现象：模型在测试数据上表现优异，上线后效果断崖式下跌。典型案例：某电商优惠券预测模型，训练准确率98%，实际发放后转化率不足5%
避坑方法：
1.数据层面：
确保训练数据覆盖足够多的场景（如不同时段、地域、用户群）通过交叉验证检查过拟合（训练集/验证集效果差异>15%即预警）2.产品设计层面：
设置灰度发布机制，先对小流量用户测试模型效果监控核心指标衰减（如推荐系统的点击率周环比下降超20%需介入）问题现象：模型开发阶段表现反常识地好，上线后完全失效。典型案例：某金融风控模型在训练集上AUC=0.99，实际识别欺诈准确率仅60%，后发现训练数据混入了未来信息（用还款结果反推风险等级）
本质原因： 训练数据中混入了本应在预测时才能获取的信息（如用”用户最终购买结果”作为”点击预测”的特征），相当于让模型提前知道答案。
避坑方法：
1.特征工程隔离：
严格区分特征数据时间戳（如只能用用户历史行为，不能用未来行为）产品PRD中明确标注每个特征的可用时间范围（示例）2.流程管控：
要求算法团队提供《数据隔离说明文档》在AB测试时使用全新时间段的验证数据坑3：算力浪费（”大炮打蚊子”）
问题现象：简单业务使用千亿参数大模型，服务成本飙升10倍。典型案例：某企业用GPT-3处理客服FAQ匹配，每月算力支出20万+，后改用轻量级BERT模型效果相近，成本降至5000元/月
本质原因： 错误认为”模型越大越好”，忽视业务实际需求与ROI评估。
避坑方法：要求技术团队公开模型推理的单次调用成本，例如
[当前模型] gpt-3.5-turbo[单次成本] 0.002元/请求[日均成本] 240元（12万次/天）2.4 微调（Fine-tuning）与迁移学习：低成本适配业务场景在AI产品落地时，从头训练模型就像“为了喝牛奶养一头牛”，成本高且不现实。而微调（Fine-tuning）和迁移学习（Transfer Learning）能让产品经理用20%的成本，获得80%的定制化效果。
迁移学习：把预训练模型（如BERT、GPT）的通用知识“迁移”到新任务。类比：医学院学生先学基础解剖学（通用知识），再专攻心脏外科（垂直领域）
微调：在预训练模型基础上，用业务数据做小规模调整。类比：咖啡师用标准意式咖啡机（基础模型），根据本地顾客口味微调研磨度（业务适配）
产品经理必知以下三种微调策略：
策略1：全参数微调（适合高精度场景）
操作：调整模型所有参数
案例：某法律合同审核系统，用2000条标注合同微调BERT，准确率从75%提升至92%
成本：需GPU算力支持，适合数据量>1000条的场景
策略2：轻量微调（适合快速试错）
方法：仅调整模型最后几层（如分类头）+ 冻结底层参数
案例：跨境电商用500条英语商品评论微调多语言BERT，一周内上线小语种分类功能
优势：节省80%训练资源，适合MVP阶段
策略3：Prompt微调（适合小样本场景）
创新点：通过设计提示词（Prompt）激活模型能力
用下面的表进行三种策略对比：
（1）准确率（Accuracy）：模型预测正确的样本占总样本的比例
（2）精确率（Precision） vs 召回率（Recall）
精确率（查准率）：预测为正的样本中，真实为正的比例（TP/(TP+FP)）。用于“减少误伤”（如金融风控中，避免将正常交易误判为欺诈）。
召回率（查全率, TPR）：真实为正的样本中，被正确预测的比例（TP/(TP+FN)）。用于“宁可错杀，不可放过”（如癌症筛查，漏诊代价远高于误诊）。
矛盾关系：提高召回率通常需降低精确率（可通过调整分类阈值平衡）。
（3）F1值：精确率和召回率的“调和平均”
F1 = 2×(Precision×Recall)/(Precision+Recall)，综合反映模型均衡性。
使用场景：
类别不平衡时，比准确率更客观；需同时关注误判和漏判的业务（如客服质检）。（4）AUC-ROC
1.先搞懂2个核心指标
前面已经介绍了召回率（查全率, TPR），TPR = TP / (TP + FN),“抓对了多少坏人”
例子：100个新冠患者中，模型检测出80个 → TPR=80%（越高越好，漏诊越少）
假正率（FPR）,FPR = FP / (FP + TN),“冤枉了多少好人”
例子：100个健康人中，模型误判了10个为阳性 → FPR=10%（越低越好，误诊越少）
2.ROC曲线
横轴（FPR）：冤枉好人的概率（从0%到100%）。
纵轴（TPR）：抓到坏人的概率（从0%到100%）。
曲线的画法： 调整模型的判断阈值（比如新冠检测的阳性判定标准从严格到宽松），每调整一次阈值，就计算一对（FPR, TPR）坐标点，连起来就是ROC曲线（下图中蓝色的线）。
AUC值：衡量ROC曲线的”含金量”
AUC = 1（完美模型）： 能100%抓到坏人，且0%冤枉好人（曲线贴左上角，像直角尺）。
AUC = 0.5（随机瞎猜）： 模型和抛硬币一样不准（曲线是45°对角线）。
AUC在0.5~1之间： 值越大，说明模型在”多抓坏人”和”少冤枉好人”之间平衡得越好。
3.2 可解释性分析：LIME/SHAP工具可视化决策逻辑可解释性= 让AI学会“讲人话”，解释自己的决策。就是让AI解释“为什么它做出某个决定”，而不是只丢给你一个结果。LIME和SHAP就是解释的工具。
① LIME：局部解释（针对单次预测）
干什么用：解释AI对某一个具体案例的判断。怎么工作：假设AI说“这条邮件是垃圾邮件”，LIME会告诉你：“因为邮件里有‘免费领取’和‘限时促销’这两个词，所以AI判断为垃圾邮件。”
② SHAP：全局解释+局部解释
干什么用：不仅能解释单次预测（像LIME），还能总结整个AI模型的决策规律。怎么工作：分析AI的贷款模型，SHAP可能告诉你：
全局规律：“收入”和“信用分”是主要判断依据，“性别”几乎没用。
单次决策：“张三被拒贷，因为他的信用分比阈值低20分。”
LIME/SHAP通常是代码库，需要技术人员调用，但产品经理要懂它们的输出结果。
3.3 AB测试在AI中的特殊用法1. 传统AB测试 vs AI时代的AB测试
传统AB测试：
用途：对比两个静态方案（如按钮颜色A/B）。局限：只能测“固定规则”，无法应对动态变化的AI模型。AI时代的AB测试：
特点：
测的不是“静态界面”，而是“动态学习能力”；不仅要看短期指标（如点击率），还要关注长期影响（如用户留存）。如可在需求文档中说明“本次推荐算法升级需同时优化点击率和7日复购率，技术方案采用多目标学习（MMoE）。”问题：新训练的模型比旧模型准确率高，但上线后效果可能不同（数据分布变化）。
解法：
将用户随机分流，50%用旧模型，50%用新模型。对比关键指标（如推荐系统的点击率、风控模型的误杀率）。案例：
电商发现新推荐模型CTR提升10%，但AB测试显示客单价下降5%——说明模型可能过度推荐低价商品。
场景2：算法策略对比（Algorithm A/B Testing）
问题：不同算法（如协同过滤 vs 深度学习）适合不同场景。
解法：
同一模型，不同算法策略并行测试。重点关注业务指标而非技术指标（如“收入”优于“准确率”）。案例：
外卖平台测试“距离优先”和“口碑优先”两种排序算法，发现午高峰用距离优先，晚高峰用口碑优先更优。
场景3：数据质量影响测试（Data A/B Testing）
问题：新数据源（如用户画像标签）是否真能提升模型效果？
解法：
对照组：旧数据训练的模型；实验组：加入新数据后的模型。验证数据是否有“信息增量”。案例：
金融风控模型加入“社交关系数据”后，AB测试显示欺诈识别率提升，但误杀率也增加——需权衡取舍。
3.AI项目AB测试的3个关键技巧
技巧1：分层抽样（Stratified Sampling）
问题：AI效果可能因用户群体差异巨大（如新老用户）。
解法：按用户分层（如地域/活跃度）随机分组，确保对比公平。
技巧2：渐进式发布（Canary Release）
问题：新模型可能有未知风险。
解法：先小流量（如1%用户）测试，监控异常后再全量。
技巧3：长期效果监控（Delayed Impact）
问题：AI的短期指标可能欺骗人（如推荐系统靠标题党提升CTR，但伤害用户体验）。
解法：增加“7日复购率”“用户停留时长”等长期指标。
在AI加速落地的时代，理解典型模型的原理和应用场景，对数字化产品经理来说已成为基础能力之一。以下我们将拆解几类典型AI模型，结合原理、场景，并重点说明如何在产品中落地。
4.1 对话类模型：Transformer 架构（以 ChatGPT 为例）
模型简介Transformer 是由 Google 于 2017 年提出的自然语言处理架构，其核心是“注意力机制（Attention）”，可捕捉词语之间的长距离依赖关系。GPT 系列（Generative Pre-trained Transformer）即基于 Transformer 的 Decoder 架构演进而来。
应用场景
智能客服 / 企业内部助手内容生成（写作、摘要、翻译）编程助手教育陪练 / 作文点评知识问答机器人产品落地方式
接入方式：使用 OpenAI API、Azure OpenAI，或国内厂商的类ChatGPT API（如通义千问、文心一言等）
落地场景设计：
将模型集成至对话窗口（如帮助中心、CRM系统）与企业知识库结合，实现上下文问答与内容库结合，做智能创作助手嵌入 IDE / 后台系统做代码建议和提示关键评估指标：
回复命中率 / 准确率 人力节省比用户满意度（CSAT）提升业务是否存在高频但重复的问答类工作？是否具备结构化或非结构化的内容知识库？用户是否对回答质量有高容错要求？4.2 图像生成类模型：扩散模型（以 Stable Diffusion 为例）
模型简介扩散模型通过逐步对随机噪声进行去噪，生成高质量图像，适用于根据文字描述生成图像。代表模型有 Stable Diffusion、Midjourney、DALL·E。
应用场景
电商图生成广告视觉草图 / BannerAI头像 / 个性化图像游戏原画 / 插图产品落地方式
接入方式：使用 HuggingFace / Stability AI 提供的 API，或私有部署开源模型（如 Stable Diffusion）
编辑器类产品内嵌“AI生成图”按钮结合运营系统，批量生成活动海报提供Prompt模板给用户快速创作关键评估指标：素材生成效率提升设计人力节省率图像生成质量反馈分数用户是否有大量视觉素材创作需求？是否需要 AI 图像与品牌风格保持一致？是否要在用户端控制生成成本（如限制次数）？4.3 推荐类模型：深度推荐（DeepFM / DIN / 多模态推荐）
模型简介推荐系统模型基于深度神经网络（DNN）对用户、物品及上下文做特征嵌入，再用交叉模块（如 FM）和序列建模（如 Attention）捕捉兴趣变化，生成推荐结果。
应用场景
短视频 / 内容流推荐（抖音、小红书）电商商品推荐（淘宝、京东）资讯 / 新闻推荐广告精准投放产品落地方式
接入方式：大公司自建推荐引擎；中小型产品可用阿里PAI、腾讯云推荐平台等
落地场景设计：
App首页内容流由推荐系统动态生成用户行为触发实时兴趣建模（点击、收藏、停留）联动标签系统或知识图谱强化推荐粒度用户行为数据是否足够支撑训练？内容/商品池是否足够丰富？是否具备冷启动解决策略（如规则+AI混合）？4.4 多模态模型：CLIP / GPT-4V / Gemini模型简介多模态模型能同时理解图像和文本（甚至语音、视频），如 OpenAI 的 CLIP 能将图像和文字映射到统一语义空间，实现“看图说话”、“图文检索”等。
应用场景
图文搜索 / 图文问答（文档问答）视频摘要 / 图像理解商品图智能分类与打标产品落地方式
接入方式：调用 OpenAI GPT-4V、Gemini、或开源如 BLIP、MiniGPT 等
落地场景设计：
在搜索引擎中加入“图搜文”、“文搜图”能力实现图像知识问答机器人（例如问产品图）用于文档解析、发票识别、PPT内容理解等关键评估指标：
是否存在“图+文”的复杂内容理解任务？当前内容是否难以结构化？AI多模态是否能带来搜索/理解效率的提升？4.5 语音类模型：Whisper / TTS / 语音识别模型简介Whisper 是 OpenAI 推出的通用语音识别模型，支持多语种、多口音识别。TTS（Text to Speech）模型则用于将文本转为语音。
应用场景
客服语音转写 / 质检智能语音助手（如小爱同学）无障碍阅读 / 播客生成视频字幕自动生成产品落地方式
接入方式：调用 Whisper API、讯飞开放平台、阿里云语音服务等
落地场景设计：
语音转文字后结构化为知识点、标签视频自动加字幕、翻译用户语音输入场景接入识别能力关键评估指标：
转写准确率 / 延迟时间语音合成自然度评分用户体验评分（Voice UX）是否有大量语音内容需要转写/处理？是否存在用户语音交互需求？TTS是否能与品牌声音匹配？AI 已不仅仅是算法工程师的专属武器，而正成为每一位产品经理的“第二大脑”。无论是用对话模型优化客服体验，还是用图像生成提升运营效率，抑或是构建多模态理解、自动执行任务的智能 Agent——我们正处于一个“技术从幕后走向产品前台”的转折点。
与其担心被 AI 取代，不如积极思考：你的产品，如何因为 AI 而变得更聪明、更高效、更具竞争力？
希望这份“模型原理与落地指南”能成为你与 AI 合作的起点，也欢迎你在评论区分享你的产品实践与灵感，一起推动“AI + 产品”的落地进程。
本文由 @Jessie 原创发布于人人都是产品经理。未经作者许可，禁止转载。
题图来自Unsplash，基于CC0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。
来源：人人都是产品经理一点号
