過去十年，科技業有一條不成文的「正確路線」：資工系畢業、寫十年程式、一路爬到技術主管。但生成式 AI 的崛起，正在改寫這條路線。
我們正從「人類學機器的語言（程式碼）」，走向「機器學人類的語言（自然語言）」。這個轉變打開了一個巨大的策略缺口 ， 企業不再只需要能訓練模型的人，更需要能判斷「這個模型該不該上線」「使用者真的需要這個功能嗎」的人。
而這，正是產品人最擅長的事。
五位非典型背景的 AI 領袖
1. Reid Hoffman — 從哲學到 OpenAI 共同創辦人
背景：史丹佛符號系統學系、牛津哲學碩士
Reid 在 1980 年代就在研究語言學與電腦科學的交叉點。他「繞道」創辦了 LinkedIn，但本質上是在組織全世界的人際數據。當他以 OpenAI 創始捐助者、Inflection AI 共同創辦人的身份回歸時，哲學訓練出的「系統思考力」成了他最大的武器。
💡 啟示：你過去累積的領域知識不是包袱，是你的 training data。
2. Anne Wojcicki — 從生物學到基因 AI 先驅
背景：耶魯大學生物學系、華爾街醫療產業分析師
Anne 創辦 23andMe，把唾液樣本變成全球最大的基因數據庫。她不寫模型，但她知道什麼數據值得收集、什麼問題值得用 AI 解決。這正是產品思維的核心 ， 不是技術能不能做，而是該不該做。
💡 啟示：定義問題的能力，比解決問題的技術更稀缺。
3. Jane Nemcova — 從語言學到 LLM 訓練數據架構師
背景：法語語言學與哲學
Jane 從在地化翻譯起步，後來意識到語言規則就是人腦的「程式碼」。她帶領 Lionbridge AI 團隊，負責訓練現代大型語言模型所需的海量數據標註工作，證明了語言學家才是 AI 安全與細膩度的真正把關者。
💡 啟示：理解人類語言的人，才能教會 AI 好好說話。
4. Dave Barnett — 從哲學教授到科技基礎建設領袖
背景：紐約大學哲學博士
Dave 花了半輩子研究邏輯與人類挫折感。他創辦 PopSockets 解決耳機線打結的小問題，但在公司擴張過程中成為「以使用者為中心的設計」專家。他的哲學框架後來被應用在 Cloudflare 等科技基礎建設，用邏輯驅動安全與效能決策。
💡 啟示：理解人類痛點的能力，在任何技術世代都是硬通貨。
5. 台灣 PM 的轉型機會 — 我們的優勢在哪？
回到台灣的脈絡，我觀察到一個有趣的現象：最快上手 AI 產品的 PM，往往不是技術最強的，而是「翻譯能力」最強的。
這裡的翻譯不是指語言，而是：
- 把老闆模糊的需求，翻譯成工程師能執行的規格
- 把使用者的抱怨，翻譯成產品改善的優先序
- 把 AI 模型的能力邊界，翻譯成業務部門能理解的限制
這些「翻譯肌肉」你每天都在練，只是過去沒有被貼上「AI 能力」的標籤。
產品人轉型 AI 的三個具體起手式
Step 1：從「用 AI」開始，不是「學 AI」
不需要先上完機器學習課程。先把 AI 工具融入你現有的工作流：用 ChatGPT 做競品分析、用 Cursor 寫簡單的 prototype、用 Gemini 整理用戶訪談逐字稿。在實戰中建立直覺，比在課堂上背公式有效十倍。
Step 2：學會問「這個 AI 功能的 edge case 是什麼？」
技術團隊會告訴你模型準確率 95%。產品人要追問的是：那 5% 錯在哪？錯的時候使用者會怎樣？我們要怎麼設計 fallback？這就是 Human-in-the-Loop 的思維 ， 不是盲目信任 AI，而是設計一個「AI 出錯時也不會炸掉」的系統。
Step 3：建立你的「AI + 領域」定位
純 AI 工程師市場已經很擠了。但「懂 AI 的金融 PM」、「懂 AI 的醫療 PM」、「懂 AI 的教育 PM」？這些交叉人才極度稀缺。你的產業經驗不是轉型的阻力，是你的護城河。
結語
Reid Hoffman 用哲學思維設計 AI 產品、Anne Wojcicki 用生物學視角定義數據策略、Jane Nemcova 用語言學專業把關 AI 品質。他們的故事傳達一個訊息：
在技術門檻快速下降的時代，你的獨特領域經驗就是最大的差異化優勢。
目標不是把每個產品人都變成工程師，而是把每個產品人都變成能串接「技術可能性」與「商業價值」的系統思考者。而這，本來就是 PM 的本職。
你是從什麼背景轉入 AI 領域的？歡迎跟我分享你的轉型故事～！