亚马逊上周四公布了 2017 年第四季度财报，盈利接近 20 亿美元，创下历史纪录。Alexa 语音助手和 AWS 云计算服务是亚马逊业绩的亮点。
《连线》杂志近日刊文，介绍了深度学习技术如何赋能 Alexa 和 AWS，以及亚马逊内部的几乎所有部门。
以下为腾讯科技（微信号 ID：qqtech）编译整理的文章概要：
2014 年初，斯里坎斯·希鲁梅拉（Srikanth Thirumalai）面见亚马逊 CEO 杰夫·贝索斯（Jeff Bezos）。希鲁梅拉是一名计算机科学家。他于 2005 年从 IBM 离职，成为亚马逊商品推荐团队的负责人。这一次，他提出了一项全面的新计划，将人工智能的最新成果应用至自己的部门。
在会议上，希鲁梅拉带来了一份 6 页纸的计划书。很久以前，贝索斯就提出要求，即汇报给他的产品和服务计划必须限制在这一长度范围内，同时还要配上一份模拟的新闻稿，用于描述最终成果。现在，贝索斯正在依靠自己的助手们，将公司转型成人工智能发电站。在亚马逊的发展早期，商品推荐功能就已集成人工智能技术，发货调度和仓库机器人也是如此。然而近年来，这个领域正在掀起一场革命：机器学习正变得越来越高效，尤其是在所谓“深度学习”技术的推动下。计算机视觉、语音识别，以及自然语言处理等技术也都因此获得了飞速的发展。
在这个 10 年的起步阶段，亚马逊并没有大力投入这些技术。然而现在，亚马逊意识到，需求非常迫切。这个时代最关键的竞争将发生在人工智能领域：谷歌、Facebook、苹果和微软都在押注此类技术，而亚马逊已经落后。亚马逊设备和服务副总裁大卫·利普（David Limp）表示：“我们找到每个团队负责人，问他们，‘你要如何利用这些技术，将这些技术嵌入自己的业务？’”
希鲁梅拉牢牢记住了这点，并在年度计划会议上找到贝索斯，向他提出了关于如何更积极地发展机器学习技术的设想。他认为，亚马逊的核心业务已发展 20 多年，而机器学习技术的最佳应用场景是与亚马逊核心业务不相关的图像识别和语音识别，因此利用机器学习技术完全重新开发现有系统风险太大。他表示：“从来没有人真正将深度学习应用于商品推荐，并带来更好的结果。因此，我们自己需要有信心。”然而，贝索斯想要更多，而希鲁梅拉实际上并没有做好万全的准备。因此，他分享了一个更激进的选择，即利用深度学习技术去颠覆商品推荐的运转方式。这需要用到他团队尚不具备的能力，尚未开发出的工具，以及从没有人想过的算法。贝索斯很喜欢这个选择，所以希鲁梅拉重写了一份模拟新闻稿，并着手去做。
过去几年，大批亚马逊管理者都曾携带 6 页纸的计划书去找贝索斯，希鲁梅拉只是其中之一。他们提出的想法涉及到各式各样的产品和完全不同的客户。然而，他们每个人设想的都是希鲁梅拉计划的一个变种：用先进的机器学习技术来改造亚马逊的某个部分。其中部分涉及到对当前项目的重新思考，例如机器人方面的工作及庞大的数据中心业务 AWS。另一部分则是开发全新的业务，例如基于语音的家电，这随后发展成为 Echo 智能音箱。
最终结果的影响远远超出单个项目。希鲁梅拉表示，在他面见贝索斯时，亚马逊的人工智能人才还是相互孤立的。“我们会交流，但不会分享很多东西，因为我们彼此的经验不太容易直接转移。”他认为。在庞大的工程海洋里，这些是人工智能孤岛。在用机器学习去改革公司之后，这样的局面得到了改变。
尽管所有这些 6 页纸计划书都属于亚马逊的“单线程”团队，即某个特定团队是技术的“拥有者”，但亚马逊的团队之间已展开跨项目的合作。内部科学家尝试解决难题，并与其他团队分享各自的解决方案。在整个公司里，人工智能孤岛开始相互连接起来。随着亚马逊人工智能项目目标的扩大，挑战的复杂性也成为了吸引顶尖人才的磁石，尤其是对那些希望自己的工作立即发挥影响力的人才来说。这改变了以往亚马逊对纯学术研究的厌恶：亚马逊的公司文化要求所有创新必须以服务客户为中心。
亚马逊喜欢使用“飞轮”一词来描述，业务的不同部分如何运转，并形成统一的永动机。现在，亚马逊拥有强大的人工智能飞轮，来自某个团队的机器学习创新成为了赋能其他团队的利器，反过来这些团队开发产品、提供服务，从而影响其他团队，甚至整个公司。以付费服务的形式将机器学习平台提供给外界本身就是种能盈利的业务。在某些情况下，这还有助于收集更多数据，进一步提高技术水平。
在亚马逊从深度学习门外汉发展成为行业重要力量的过程中，有许多这样的 6 页纸计划书出现。转型的成果在亚马逊公司内随处可见，例如基于机器学习基础架构的推荐系统。目前亚马逊正变得更聪明，能建议用户下面应该阅读什么，应该在购物清单上添加什么，以及今晚可以看什么电影。今年，希鲁梅拉开展了一项新工作，即负责亚马逊的搜索服务。他希望将深度学习技术应用于搜索服务的方方面面。
华盛顿大学顶尖的计算机科学教授佩德罗·多明格斯（Pedro Domingos）直言：“如果在七八年前问我，亚马逊在人工智能领域的影响力有多大，我可能会说，‘他们什么也不是’。但他们非常努力。现在，他们已成为了这个领域的一股力量。”
或许，亚马逊已经是一股重要力量。
Alexa 效应
亚马逊进军人工智能的旗舰产品是智能音箱 Echo，以及基础性的 Alexa 语音平台。这些项目也来自于 6 页纸计划书。这样的计划于 2011 年通过名为“1 号运营计划”的年度规划流程提交给贝索斯。其中的参与者之一是自 2004 年就开始就供职于亚马逊的阿尔·林赛（Al Lindsay）。当时，他被要求转而负责 Prime 技术团队，从事全新的项目。他还记得当时提出的概念：“一种低成本、无所不在的电脑，大脑位于云端，你可以用语音与之互动。你对它说话，它也对你说话。”
然而当时，开发这样的系统听起来就像科幻小说，产品似乎就像《星际迷航》中的对话计算机。这需要强大的人工智能能力，而当时亚马逊还没有掌握这样的技术。更糟糕的是，有能力开发此类系统的专家人才很稀缺，愿意在亚马逊工作的就更加凤毛麟角。谷歌和 Facebook 正在争夺这个领域的顶尖人才。林赛表示：“我们是弱者。”他现在已晋升为副总裁。
华盛顿大学教授多明格斯表示：“亚马逊的形象有点不太好。在外界看来，该公司对以研究为导向的人才不够友好。”亚马逊完全专注于客户，而企业文化也崇尚好斗精神，这与学术界和竞争对手的风格完全不同。多明格斯表示：“谷歌会对你很宽容。而在亚马逊，你需要自己从元件开始组装电脑。”此外，亚马逊还有更不好的形象：该公司的创新工作往往被视为企业机密。
2014 年，顶尖的机器学习专家延恩·勒昆（Yann LeCun）在内部会议上为亚马逊的科学家们做了一次讲座。在他被邀请参加此次活动以及活动举行之间，勒昆接受了 Facebook 的职位邀请，但他还是来到了亚马逊的活动现场。勒昆回忆，在一个大约可容纳 600 人的礼堂里，他发表了演讲。随后他被领进一间会议室，不同的小组一个接一个进来，向他提问。然而当勒昆向他们提问时，这些人的反应都很迟钝。这让他感觉不好。他最终选择 Facebook 的职位部分也是因为，Facebook 同意将人工智能团队的很大一部分工作开源。
由于缺乏内部人才，亚马逊动用强大的财力去收购具有这方面专业性的公司。利普表示：“在 Alexa 的发展早期，我们收购了许多公司。”2011 年 9 月，亚马逊收购了语音转文本技术公司 Yap。该公司擅长于将语音转换为文字。2012 年，亚马逊又将来自英国剑桥的 Evi 收入麾下。该公司的软件可以像 Siri 一样对语音命令做出响应。2013 年 1 月，亚马逊再次收购一家语音转文本技术公司，即来自波兰的 Ivona。该公司的技术可以让 Echo 获得交谈能力。
然而，亚马逊的保密文化仍然不利于顶尖人才的加盟。埃里克斯·斯莫拉（Alex Smola）曾是亚马逊的招聘候选人之一。他是行业明星，曾供职于雅虎和谷歌。AWS 深度学习和人工智能总经理马特·伍德（Matt Wood）表示：“他实际上是深度学习的教父之一。”（谷歌学术搜索上列出了 9 万多篇引用斯莫拉成果的论文。）亚马逊高管甚至不愿向候选人透露他们未来的工作内容。斯莫拉拒绝了亚马逊的邀请，选择去带领卡耐基梅隆大学的一所实验室。
林赛说：“甚至是在我们即将启动之前，还是有许多阻力。他们会说，‘为什么我要去亚马逊工作？我对卖别人东西不感兴趣。’”
亚马逊也有自己的办法。由于该公司从想象中的最终产品去反推，所以蓝图中包括许多尚未发明出来的功能。这些棘手的问题对雄心勃勃的科学家极具吸引力。语音功能需要一定水平的会话式人工智能，包括“唤醒词”（嘿，Alexa！）、监听和解释命令，给出合理的答案。这一切都不存在。
即使亚马逊没有给出任何细节，这个项目也吸引了罗希特·普拉萨德（Rohit Prasad）。普拉萨德是一名受到广泛认可的语音识别科学家，来自波士顿的技术承包商雷神 BBN。（亚马逊也因此让他在自己老家组建一支团队。）他认为，亚马逊相关专业能力的缺乏是系统性问题，而不仅仅是小缺陷。他指出：“这里是一片空白。谷歌和微软开发语音技术已经有几年时间。在亚马逊，我们从头开始去开发，去解决困难的问题。”在 2013 年加入之后，他就被分配至 Alexa 项目。他表示：“设备用硬件来实现，但语音技术在很早就已经起步。”
Echo 项目中最棘手的部分在于远距离语音识别。为了解决这个问题，亚马逊被迫涉足新领域，并推动了机器学习整体的发展。远距离语音识别是指在一定距离远处识别语音，这样的语音命令可能被淹没在环境噪声中。挑战之一是，设备不能浪费一丁点时间去思考你究竟说的是什么。它必须把音频内容即时发送至云端，并迅速获得答案，给用户的感觉就是实时对话，而不会出现令人尴尬的冷场。开发机器学习系统，在嘈杂环境中理解并响应用户的语音命令，这需要大量数据，即用户与 Echo 互动的大量此类案例。当时并不清楚，亚马逊要从何处获得这样的数据。
作为亚马逊设备和服务副总裁的利普表示，远距离技术此前已经被实现，但当时是用在三叉戟潜艇的鼻锥上，研发耗资达到 10 亿美元。亚马逊希望将这种技术集成至一个可以放在厨房台面上的设备中，而价格必须足够便宜，从而吸引用户的购买。普拉萨德表示：“在我的团队中，90% 的人都认为这根本做不到。在亚马逊以外，我们也有技术咨询委员会。我们没有告诉他们具体要做什么。但他们总是对我们提起，‘不管做什么，都不要碰远距离识别技术。’”
然而，普拉萨德的经历给他带来了信心。他认为这是可实现的。然而，亚马逊并不具备工业级系统，将机器学习技术应用于产品开发。“我们有少数科学家正在研究深度学习，但我们缺乏基础设施将这些技术应用于生产。”他说。好消息在于，亚马逊已经掌握了全部模块：无与伦比的云计算服务，可运行机器学习算法、安装了大量 GPU 的数据中心，以及熟悉如何移动数据的工程师。
他的团队利用这些模块开发了平台，而除了用于 Echo 项目之外，这个平台本身就是宝贵的资产。Alexa 高级科学家斯派罗斯·马特索卡斯（Spyros Matsoukas）表示：“当我们在 Echo 上实现远距离语音识别之后，就发现这里的机会原来有这么大，我们可以将 Alexa 发展成为语音服务。”他此前曾在雷神 BBN 与普拉萨德共事，当时的工作包括从事美国国防部高级研究计划局（DARPA）的项目 Hub4，利用广播新闻节目和窃听的电话通话来发展语音识别和自然语言理解技术，这对 Alexa 项目来说也很有用。推动 Alexa 发展的最直接方式是向第三方开放，让开发者开发基于语音技术的迷你应用，即“技能”，并在 Echo 平台上运行。然而，这才只是开始。
在 Alexa 突破 Echo 音箱的限制之后，亚马逊的人工智能文化开始形成合力。公司内的不同团队都开始意识到，Alexa 可以为他们各自项目提供有用的语音服务。普拉萨德表示：“尽管我们的单线程所有权模式已经很成熟，但仍然可以将所有数据和技术融合在一起。”
最开始，亚马逊的其他产品开始集成 Alexa：通过对 Alexa 设备的语音命令，你可以访问亚马逊音乐、Prime 视频、获得亚马逊主站的商品推荐信息，以及使用其他服务。随后，这项技术开始推广至亚马逊的其他业务。林赛表示：“一旦我们掌握了最基本的语音能力，就可以将其集成至非 Alexa 产品，例如 Fire TV、语音购物、亚马逊生鲜的 Dash 按钮，以及 AWS。”
在这个过程中，亚马逊内部的人工智能孤岛开始逐渐靠近。
亚马逊转型的另一大关键在于，一旦数百万客户（亚马逊拒绝透露具体数字）开始使用 Echo 和其他 Alexa 设备，亚马逊就能掌握丰富的数据。这或许是任何会话式设备所能积累的规模最庞大的数据集。对人才招聘来说，这样的数据集也是极具吸引力的资源。突然之间，亚马逊就成了那些机器学习专家梦寐以求的雇主。去年加入亚马逊的 Alexa 机器学习副总裁拉威·简恩（Ravi Jain）表示：“Alexa 对我的最大吸引力之一在于，一旦你在市场上推出了一款设备，那么就掌握了获得信息反馈的来源。不仅仅是用户反馈，这些实际数据是优化所有一切，尤其是底层平台的基础。”
因此，随着越来越多用户使用 Alexa，亚马逊获得的信息不仅能让系统性能变得更好，也有利于自主机器学习工具和平台的加速发展，并成为该公司吸引机器学习科学家的重要武器。
“飞轮”终于开始旋转起来。
更聪明的云计算
亚马逊从 2014 年开始面向 Prime 会员销售 Echo。这一年，斯瓦米·西瓦苏布拉曼尼（Swami Sivasubramanian）也开始对机器学习发生兴趣。当时，负责 AWS 数据库和数据分析业务的西瓦苏布拉曼尼正和全家人回印度旅行。由于时差的关系和小女儿的吵闹，他不得不在半夜去工作。他尝试了谷歌的 TensorFlow，以及 Facebook 和学术界支持的机器学习框架 Caffe，发现将这些工具与亚马逊的云计算服务结合在一起可以创造巨大的价值。他认为，通过在云端运行机器学习算法，公司可以挖掘新的需求。他表示：“我们希望每月为数百万开发者提供服务。他们中的大部分人并不是麻省理工学院的教授，只是毫无机器学习专业背景的开发者。”
在下一次面见贝索斯时，他带着一份 6 页纸的计划书。从某种意义上来说，这是将机器学习服务添加至 AWS 的蓝图。不过西瓦苏布拉曼尼认为，实际意义还要更加广泛：这份计划说明了 AWS 如何成为机器学习研究核心的宏大愿景。
确实，向成千上万亚马逊云计算客户提供机器学习服务是不可避免的。AWS 机器学习经理伍德表示：“在首次提出 AWS 的商业计划时，我们就确定了自己的使命，即充分利用只有财力雄厚的公司才能掌握的技术，并尽可能地去推广。我们在计算、存储、数据分析和数据库等方面已经取得成功，我们要用同样的方法去对待机器学习。”在这个过程中，AWS 团队可以利用亚马逊其他团队积累的经验，这使得工作变得略微容易。
伍德表示，AWS 的亚马逊机器学习服务最初于 2015 年推出，让类似C-Span 的客户可以建立私有的头像目录。此外，Zillow 使用该服务估计房价，而 Pinterest 则将其用于可视化搜索。多家自动驾驶创业公司也在利用 AWS 机器学习，通过数百万公里的上路测试来优化产品。
2016 年，AWS 又发布了新的机器学习服务，更直接地利用 Alexa 的创新。这其中包括文本转语音组件 Polly，以及自然语言处理引擎 Lex。这些产品帮助 AWS 的客户，包括 Pinterest、Netflix 和多家小型创业公司开发属于自己的迷你 Alexa。一款涉及可视化技术的第三方服务 Rekognition 就利用了此前 Prime Photos 取得的成果，尝试在谷歌、Facebook 和苹果的照片产品中植入同样的深度学习功能。Prime Photos 是亚马逊内部一个不太知名的团队。
这些机器学习服务既是强大的营收来源，也是亚马逊人工智能“飞轮”的关键。各类机构和公司，包括美国宇航局（NASA）和美国职业橄榄球大联盟（NFL），都开始付费使用亚马逊的机器学习服务。如果企业在 AWS 平台内开发关键的机器学习工具，那么转移至云计算竞争对手平台的可能性就会大幅下降。（对不起，谷歌、微软和 IBM。）
以一家规模数十亿美元的公司 Infor 为例。该公司为企业客户开发应用。近期，该公司发布了一款全新的应用 Coleman（以 NASA 数学家的名字来命名），通过会话式界面帮助客户实现各种流程的自动化，分析性能并与数据交互。该公司没有从头开发自主的会话机器人，而是使用了 AWS 的 Lex 技术。Infor 副总裁马西莫·卡珀西亚（Massimo Capoccia）表示：“亚马逊已经在做这些事，所以我们为什么还要在这上面花时间？我们了解客户，应该做的是将这些技术应用于客户。”
AWS 在这个领域的主导地位也使其获得了相对于竞争对手，尤其是谷歌的优势。谷歌此前曾希望利用机器学习技术的领先优势，在云计算市场赶超 AWS。是的，谷歌服务器或许向客户提供了超快速、针对机器学习优化的芯片。但使用 AWS 的企业能更方便地与其他也使用 AWS 的企业互动。DigitalGlobe 首席技术官沃尔特·斯科特（Walter Scott）就解释了，他的公司为什么台使用亚马逊的技术。“这就像是威利·萨顿（Willie Sutton）所说的，抢银行是因为银行里有钱。我们使用 AWS 的机器学习技术是因为我们的客户也在这个平台上。”
去年 11 月，在 AWS 的 re:Invent 大会上，亚马逊发布了更全面的机器学习工具 SageMaker。这是个非常强大，但也很易用的平台。SageMaker 的开发者之一正是机器学习领域的超级明星埃里克斯·斯莫拉，5 年前他曾拒绝亚马逊的邀请。当斯莫拉决定重回产业界时，他希望协助开发强大的工具，让所有普通软件开发者都可以用上机器学习技术。所以，他加入了他认为能带来最大影响力的公司。他表示：“亚马逊非常强，你不会放弃这样的机会。你可以写论文，但如果不实际开发，那么没有人会使用你漂亮的算法。”
斯莫拉曾对西瓦苏布拉曼尼说，开发工具，将机器学习技术传播给数百万人比新发表一篇论文更重要。当时，他得到了意外之喜。后者表示：“这也不会耽误你发表论文！”是的，在允许科学家发表论文方面，亚马逊正变得更开放。协助制定这方面指导原则的斯派罗斯·马特索卡斯表示：“这给招聘顶尖人才带来了巨大的帮助，同时也让外界更好地了解，亚马逊内部正在开展什么样的研究。”
目前还无法判断，AWS 的数百万用户是否会用 SageMaker，将机器学习集成至产品。然而这样做的开发者往往都会投入大笔资金，将亚马逊定位为机器学习服务提供商。此外，这个平台非常强大，就连亚马逊内部的人工智能团队，例如 Alexa 团队，也表示愿意成为 SageMaker 的客户，使用这些原计划提供给外部的工具。他们相信，这可以成为项目的基础，节约他们的时间，而他们自己可以将更多精力用于高级算法的研究。
尽管只有部分 AWS 客户使用 SageMaker，但亚马逊发现，该公司已经掌握了关于系统性能的大量数据（当然，不包括客户自己保管的机密数据）。这将带来更好的算法、更棒的平台、更多的客户。“飞轮”正在加班加点地运转。
无所不在的人工智能
随着机器学习带来颠覆，亚马逊在人工智能领域的专业性已经渗透至许多团队，这令贝索斯和他的助手们感到高兴。虽然亚马逊并没有中心化的人工智能办公室，但有一个部门专门负责机器学习的推广和技术支持，而另一些部门则尝试应用研究成果，推动新科技进入亚马逊的项目。曾供职于微软必应团队和 Facebook 的拉尔夫·赫布里奇（Ralf Herbrich）与 2012 年加入亚马逊，目前负责“核心机器学习集团”。他表示：“重要的是在公司内部拥有这样的社区。”（同样的，他所在团队的使命也在 6 页纸计划书中列出，并获得了贝索斯的批准。）
他的部分职责是培育亚马逊快速发展的机器学习文化。由于亚马逊采取以客户为中心的策略，即总是尝试解决问题而不是单纯地做研究，因此亚马逊高管们承认，他们在招聘中总是倾向于那些有兴趣开发产品，而不是追求科技突破的人才。Facebook 的勒昆则换了句话去总结亚马逊的态度：“不尝试成为科技先驱，也可以做得很好。”
不过，在培训员工接受人工智能方面，亚马逊也在效仿 Facebook 和谷歌。亚马逊开设了关于机器学习策略的内部课程，并组织内部专家开展研讨会。从 2013 年开始，亚马逊每年春季都会在总部举办一场内部的机器学习大会，这也可以被认为是只有亚马逊参加的 NIPS 大会。赫布里奇表示：“在刚刚开始时，亚马逊的机器学习大会只有几百人参加，而现在已经有数千人。我们在西雅图最大的办公室也没有这么大的容纳能力，因此除了主会场之外，我们还向园区中的其他 6 个会议室直播。”亚马逊的一名高管表示，如果规模变得更大，那么就不应该叫亚马逊机器学习活动，而直接叫亚马逊的活动。
赫布里奇的团队继续推动机器学习技术渗透至公司的各类项目。例如，物流部门希望更好地预测，如何根据顾客的订单在 8 种尺寸的包装盒中做选择。因此，他们找到赫布里奇的团队寻求帮助。赫布里奇表示：“这个部门不需要自己的科研团队，但需要算法，并能方面地使用这些算法。”大卫·利普则提到了另一个例子，即亚马逊如何预测有多少顾客可能会购买一款新产品。“我参与消费电子行业已有 30 年，在其中 25 年的时间里，预测是基于人工判断，会用到表格，一些魔法球和飞镖。当我们开始在预测过程中运用机器学习技术后，错误率大幅下降。”
不过有些时候，赫布里奇的团队仍然会将尖端科技用于解决特定问题。亚马逊生鲜快递服务亚马逊 Fresh 的经营已有 10 年，但仍需要更好的方式来评估生鲜果蔬的质量。人工检测速度太慢，也无法保持标准的一致性。他的柏林团队开发了集成大量传感器的硬件和新算法，以弥补系统无法感知食品的缺陷。“经过 3 年之后，我们已经有了原型产品，可以更可靠地判断食品质量。”
当然，这样的技术进步可以渗透到整个亚马逊生态系统。以近期正式开业的亚马逊 Go 无人店为例。亚马逊 Go 技术副总裁迪利普·库马尔（Dilip Kumar）表示：“作为 AWS 的客户，我们从规模效应中受益。但 AWS 也是受益者。”他指出，亚马逊 Go 开发了独特的系统，能从数百个追踪顾客购物活动的摄像头传送数据。他团队的创新影响了名为 Kinesis 的 AWS 服务。该服务使客户可以从多个设备将视频流媒体传送至 AWS 云端，而 AWS 将对其进行处理、分析，优化未来的机器学习算法。
即使一款亚马逊服务尚未使用机器学习平台，也可以主动参与到这一过程中。亚马逊 Prime Air 无人机快递服务仍处于原型阶段，但也开发了独立人工智能能力，因为无人机无法依靠云连接。然而，Prime Air 也从人工智能“飞轮”中获益良多，无论是向公司的其他部门学习经验，还是弄清楚应该使用什么工具。Prime Air 副总裁古尔·金姆奇（Gur Kimchi）表示：“我们将这视为餐厅的菜单，所有人都在分享他们有什么样的美味。”他预计，他的团队最终也将拿出自己的美味菜单。“在 Prime Air，我们学到的经验和解决的问题毫无疑问能吸引亚马逊其他部门的兴趣。”
实际上，这似乎已经在发生。亚马逊机器人首席科学家贝斯·马库斯（Beth Marcus）表示：“如果有人在公司的某个部门，例如 Prime Air 或亚马逊 Go 看到一幅画面，学到一些东西，开发一种算法，他们就会与公司内的其他人交流。所以，我团队中有些人就可以借鉴，例如弄清楚商品在物流中心里究竟是怎么移动的。”
一家以商品为中心的公司能否胜过拥有大量深度学习超级明星的竞争对手？亚马逊正在努力实现这个目标。艾伦人工智能研究所 CEO 奥林·艾奇奥尼（Oren Etzioni）表示：“尽管他们还在追赶，但他们的产品发布令人印象深刻。亚马逊是世界级的公司，开发了世界级的人工智能产品。”
“飞轮”一直在旋转，许多 6 页纸计划书的影响尚未体现出来。这或许意味着更多数据，更多顾客，更优秀的平台，更丰富的人才。
如果你去问 Alexa，亚马逊在人工智能领域做得怎么样？那么答案或许是贝索斯的大笑。
相关文章
