關鍵詞：人工智能、亞馬遜、
亞馬遜六頁會議備忘錄舉世聞名。公司高管必須每年寫一篇商業(yè)發(fā)展規(guī)劃。鮮為人知的是，這些備忘錄上有一道必答題──機器學習的應用路徑？據(jù)亞馬遜的經(jīng)理們透露，像「應用不多」這樣的反饋是不被鼓勵的。
機器學習是一種 AI 應用形式，通過挖掘模式中所蘊含的數(shù)據(jù)進行預測。自 1999 年 Jeff Wilke 加入公司起，機器學習就已在亞馬遜生根發(fā)芽。
今天，Wilke 已經(jīng)是貝佐斯的副指揮官。他組建了一個科學家團隊，研究亞馬遜的內(nèi)部流程以提高運營效率──將所有科學家拆分為不同業(yè)務組，以自評與改善相結(jié)合的循環(huán)為默認模式。
很快，此循環(huán)又納入了機器學習算法。譬如，第一個算法就是圖書推薦。隨著貝佐斯的野心逐漸擴大，「賦予產(chǎn)品自動洞察力」的重要性日趨明顯。
然而，與亞馬遜齊名的科技巨頭也沒有錯過任何展示 AI 技術(shù)的機會──臉書的面部識別軟件、蘋果的數(shù)字助手 Siri、Alphabet 的自動駕駛汽車 Waymo 與大師級圍棋棋手，而亞馬遜的機器學習應用方式較為低調(diào)。
亞馬遜的 Alexa 對標 Siri，并在云端提供預測服務。但是，優(yōu)化運營業(yè)務的算法才是決定公司未來的重中之重。
而這套反饋循環(huán)似乎與其面向消費者的 AI 策略相同：構(gòu)建服務、吸引客戶、采集數(shù)據(jù)，最終讓機器學習數(shù)據(jù)。上述所有工作強度之大是人力無法企及的。
一切的核心：Porter 的算法
看一看亞馬遜的配送中心。巨型倉庫是這家 2.07 千億美元電商巨頭業(yè)務的核心所在──北美倉超過 100 座，全球倉超過 60 座。這些巨型倉庫存儲和配送亞馬遜銷售的產(chǎn)品。
在西雅圖的某處郊區(qū)，包裹在傳送帶上飛快流動，聲音震耳欲聾，而倉庫幾乎已實現(xiàn)無人化。
在一個足球場大小的防護區(qū)內(nèi)，矗立著上千個高約 6 英尺（1.8 米）的黃色立體貨架──亞馬遜稱其為「豆莢」。幾百個機器人在豆莢間自由進出，工作場面整齊劃一。
牙膏、圖書與襪子以看似隨機的方式堆放。其實，攝像頭自帶的算法能規(guī)劃路徑，使得整體運行有條不紊。
機器人區(qū)域周邊圍欄的間隙設置工作站，并配備員工（公司內(nèi)部稱之為「伙伴」）。部分機器人從入庫豆莢中拾取物品；
還有一部分機器人往出庫豆莢中放置物品，以供后續(xù)流轉(zhuǎn)、儲存。無論拾取或放置物品，機器人都會使用條形碼閱讀器掃描產(chǎn)品及關聯(lián)貨架，便于軟件后期追溯。
亞馬遜首席機器人專家 Brad Porter 負責上述算法開發(fā)工作，其工作團隊就是配送中心 Wilke 的優(yōu)化小組。Porter 重點關注「豆莢間隙」，即在機器人往工作站運輸豆莢過程中的員工等待時間。
間隙越短，代表員工停工時間越短、倉庫物流越高效、亞馬遜的配送速度越快。雖然 Porter 團隊不停嘗試新的優(yōu)化措施，但態(tài)度仍然較為謹慎。而「交通擁堵」可能成為機器人應用的災難。
AWS（Amazon Web Services，亞馬遜云服務）是核心基礎設施的另一部分，支撐著亞馬遜 260 億美元的云計算業(yè)務，向未配備服務器的公司提供托管網(wǎng)站和應用程序服務。
而 AWS 正是運用機器學習預測計算需求。當互聯(lián)網(wǎng)用戶涌向某項客戶服務時，計算能力不足可能會引起系統(tǒng)錯誤，而當用戶訪問錯誤頁面，公司就會損失訂單。
AWS 的老板 Andy Jassy 曾強調(diào)：「我們決不能說沒有冗余計算能力。」因此，其團隊仔細研究客戶數(shù)據(jù)以確保不會出現(xiàn)該情況。
盡管亞馬遜無法看到服務器上的托管內(nèi)容，但可監(jiān)測每個客戶的流量數(shù)據(jù)、連接持續(xù)時間及連接穩(wěn)定性。類似于配送中心，云平臺的元數(shù)據(jù)「喂養(yǎng)」機器學習模型，預測 AWS 需求出現(xiàn)的時間及空間。
AWS 最大客戶的之一就是亞馬遜本身。而許多亞馬遜業(yè)務最需要的功能就是「預測」。該功能需求之高，以致于 AWS 設計了一款名為 Inferentia 的芯片來處理上述任務。
Jassy 表示，「Inferentia」將為亞馬遜節(jié)省所有機器學習任務的成本，這些任務是亞馬遜為了維持運營而必須執(zhí)行的，同時也能吸引客戶使用其云服務。
他說：「我們堅信它至少能將成本及效率改善一個數(shù)量級。」與此同時，Alexa 中語音識別及語言理解的算法將因此而受益良多
實際上，無人零售店 Amazon Go 是這家公司最近的一次對算法的投資。
數(shù)百個攝像頭為一組，從上方觀察顧客，將視覺數(shù)據(jù)轉(zhuǎn)化為 3D 輪廓以追蹤客戶抓取商品時手部與肩部動作。系統(tǒng)會檢查顧客離店時帶走哪些商品，并將賬單記入顧客的亞馬遜賬戶。
Amazon Go 的老板 Dilip Kumar 強調(diào)，系統(tǒng)只是追蹤顧客的身體移動。他說，系統(tǒng)沒有使用面部識別系統(tǒng)辨認顧客身份，并將其與亞馬遜賬戶關聯(lián)。
相反，系統(tǒng)是通過在出入門掃描條形碼完成工作的。系統(tǒng)將 3D 輪廓的后續(xù)動作視為其關聯(lián)亞馬遜賬戶的消費行為。
這是對機器學習的莫大褒獎，通過深度挖掘數(shù)以百計攝像頭所采集的數(shù)據(jù)以確定顧客購買的商品。
盡管試！如果發(fā)現(xiàn)一處 BUG，順走一件東西，算老板送的。
有所為，有所不為基于人工智能的身體追蹤在配送中心也十分常用。亞馬遜推行了一項試點項目，內(nèi)部稱之為「NIKE 意圖檢測」系統(tǒng)。
該系統(tǒng)為配送中心服務于 Amazon Go 顧客的員工設計──系統(tǒng)追蹤員工在貨架上拾取和放置的商品。該創(chuàng)意的初衷是擺脫手持式條碼閱讀器。此類手動掃描工作耗費時間、操作繁瑣。
理想狀態(tài)下，員工將商品放置于任一貨架，系統(tǒng)會自動監(jiān)視及追蹤。與往常一樣，目標是提高效率，最大限度提高物流速度。Porter 表示「員工們都覺得特別自然。」
近來，臉書和谷歌的數(shù)據(jù)采集工作受到政府嚴格審查，而亞馬遜的謹慎態(tài)度使其免受其苦。亞馬遜采集和處理數(shù)據(jù)的唯一目的是改善顧客體驗，且其并沒有涉及用戶滿意和客戶滿意之間的模糊區(qū)域。
上述兩者截然不同──因為廣告商向臉書和谷歌支付了服務費用，用戶才可以免費使用社交媒體和搜索服務。
對于亞馬遜來說，用戶和客戶大多重疊。但監(jiān)管機構(gòu)確實對亞馬遜在電商購物與云計算等核心業(yè)務領域的主導地位頗為忌憚。
因為統(tǒng)治力來自于機器學習，且絲毫沒有消退的跡象。
