希望這篇文章能為有意向把AI納入未來發展規劃的所有傳統與非傳統企業提供些許幫助。

編譯 | 張璽

編輯 | 宇多田

來源 | 經濟學人

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發展規劃。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？據亞馬遜的經理們透露，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資料進行預測。自 1999 年 Jeff Wilke 加入公司起，機器學習就已在亞馬遜生根發芽。

今天，Wilke 已經是貝佐斯的副指揮官。他組建了一個科學家團隊，研究亞馬遜的內部流程以提高運營效率──將所有科學家拆分為不同業務組，以自評與改善相結合的迴圈為預設模式。

很快，此迴圈又納入了機器學習演算法。譬如，第一個演算法就是圖書推薦。隨著貝佐斯的野心逐漸擴大，「賦予產品自動洞察力」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 技術的機會──臉書的面部識別軟體、蘋果的數字助手 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。

亞馬遜的 Alexa 對標 Siri，並在雲端提供預測服務。但是，優化運營業務的演算法才是決定公司未來的重中之重。

而這套反饋迴圈似乎與其面向消費者的 AI 策略相同：構建服務、吸引客戶、採集資料，最終讓機器學習資料。上述所有工作強度之大是人力無法企及的。

一切的核心：Porter 的演算法

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。這些巨型倉庫儲存和配送亞馬遜銷售的產品。

在西雅圖的某處郊區，包裹在傳送帶上飛快流動，聲音震耳欲聾，而倉庫幾乎已實現無人化。

在一個足球場大小的防護區內，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，攝像頭自帶的演算法能規劃路徑，使得整體執行有條不紊。

機器人區域周邊圍欄的間隙設定工作站，並配備員工（公司內部稱之為「夥伴」）。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，以供後續流轉、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品及關聯貨架，便於軟體後期追溯。

亞馬遜首席機器人專家 Brad Porter 負責上述演算法開發工作，其工作團隊就是配送中心 Wilke 的優化小組。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化措施，但態度仍然較為謹慎。而「交通擁堵」可能成為機器人應用的災難。

AWS（Amazon Web Services，亞馬遜雲服務）是核心基礎設施的另一部分，支撐著亞馬遜 260 億美元的雲端計算業務，向未配備伺服器的公司提供託管網站和應用程式服務。

而 AWS 正是運用機器學習預測計算需求。當網際網路使用者湧向某項客戶服務時，計算能力不足可能會引起系統錯誤，而當使用者訪問錯誤頁面，公司就會損失訂單。

AWS 的老闆 Andy Jassy 曾強調：「我們決不能說沒有冗餘計算能力。」因此，其團隊仔細研究客戶資料以確保不會出現該情況。

儘管亞馬遜無法看到伺服器上的託管內容，但可監測每個客戶的流量資料、連線持續時間及連線穩定性。類似於配送中心，雲平臺的後設資料「餵養」機器學習模型，預測 AWS 需求出現的時間及空間。

AWS 最大客戶的之一就是亞馬遜本身。而許多亞馬遜業務最需要的功能就是「預測」。該功能需求之高，以致於 AWS 設計了一款名為 Inferentia 的晶片來處理上述任務。

Jassy 表示，「Inferentia」將為亞馬遜節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行的，同時也能吸引客戶使用其雲服務。

他說：「我們堅信它至少能將成本及效率改善一個數量級。」與此同時，Alexa 中語音識別及語言理解的演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演算法的投資。

數百個攝像頭為一組，從上方觀察顧客，將視覺資料轉化為 3D 輪廓以追蹤客戶抓取商品時手部與肩部動作。系統會檢查顧客離店時帶走哪些商品，並將賬單記入顧客的亞馬遜賬戶。

Amazon Go 的老闆 Dilip Kumar 強調，系統只是追蹤顧客的身體移動。他說，系統沒有使用面部識別系統辨認顧客身份，並將其與亞馬遜賬戶關聯。

相反，系統是通過在出入門掃描條形碼完成工作的。系統將 3D 輪廓的後續動作視為其關聯亞馬遜賬戶的消費行為。

這是對機器學習的莫大褒獎，通過深度挖掘數以百計攝像頭所採集的資料以確定顧客購買的商品。

儘管試！如果發現一處 BUG，順走一件東西，算老闆送的。

有所為，有所不為

基於人工智慧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專案，內部稱之為「NIKE 意圖檢測」系統。

該系統為配送中心服務於 Amazon Go 顧客的員工設計──系統追蹤員工在貨架上拾取和放置的商品。該創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。

理想狀態下，員工將商品放置於任一貨架，系統會自動監視及追蹤。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，臉書和谷歌的資料採集工作受到政府嚴格審查，而亞馬遜的謹慎態度使其免受其苦。亞馬遜採集和處理資料的唯一目的是改善顧客體驗，且其並沒有涉及使用者滿意和客戶滿意之間的模糊區域。

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，使用者才可以免費使用社交媒體和搜尋服務。

對於亞馬遜來說，使用者和客戶大多重疊。但監管機構確實對亞馬遜在電商購物與雲端計算等核心業務領域的主導地位頗為忌憚。

因為統治力來自於機器學習，且絲毫沒有消退的跡象。

原文連結：https://www.economist.com/business/2019/04/13/amazons-empire-rests-on-its-low-key-approach-to-ai