連線|來源

2014年初，Srikanth Thirumalai 見到了亞馬遜 CEO Jeff Bezos。Thirumalai 是一位計算機科學家，2005 年從 IBM 來到亞馬遜，負責公司的推薦團隊。他給 Bezos 提了一個全新計劃：將人工智能最新進展結(jié)合到部門產(chǎn)品中。

他帶著「六頁提案」去了。Bezos 很早之前就發(fā)布過一條命令，產(chǎn)品或服務推薦必須維持在這個長度內(nèi)，包含描述最終產(chǎn)品、服務和計劃的新聞稿。

當時，Bezos 正依靠左右手們將亞馬遜轉(zhuǎn)型為一家人工智能「發(fā)電室」。公司很早就將人工智能技術用于產(chǎn)品推薦。不過近年來，這個領域正在發(fā)生一場變革，機器學習變得越來越有效，尤其是深度學習。深度學習在計算機視覺、語音和自然語言處理方面引起了巨大的進步。

近十年早期，雖然亞馬遜還沒有明顯利用這些技術發(fā)展，但意識到了需求的迫切性。新時代最激烈的競爭將會是 AI 領域。Google，F(xiàn)acebook，Apple 和 Microsoft 等公司都壓下巨額賭注。

亞馬遜正在落后。「我們和每個團隊的負責人聊，基本上就是問怎么將人工智能技術應用在自身的業(yè)務中？」亞馬遜設備和服務副總裁 David Limp 說。

Thirumalai 走心了。他來到貝索斯的辦公室，談了談自己的年度計劃，如何更加積極地使用機器學習技術。但他又覺得，完全重構(gòu)現(xiàn)在這套精心維護了 20 年的系統(tǒng)，太冒險。更何況，機器學習表現(xiàn)最佳的領域（比如圖像識別）和自己的領域（推薦系統(tǒng)）并沒啥關系。

「還沒人將深度學習技術應用在推薦中，并取得了比我們好很多的而結(jié)果。」他說。「所以，特別需要信仰上的飛躍。」

Thirumalai 還沒準備好，不過，Bezos 卻想要更多。

Thirumalai 想用深度學習徹底變革既有的推薦系統(tǒng)工作方式。但這就需要一些技術，但自己團隊并沒有掌握這些技術，連工具都沒有，甚至還沒人想出算法。

Bezos 卻喜歡這樣（盡管他那招牌式的笑聲并不能清楚表明，他歡迎這種做法）。于是，Thirumalai 重寫了遍新聞稿，繼續(xù)工作去了。

Srikanth Thirumalai，負責亞馬遜搜索的副總裁，也是使用機器學習技術變革亞馬遜推薦軟件的負責人之一。

公司領導層中，Thirumalai 是唯一一位幾年之前，拿著「六 頁提案」跟隨 Bezos 的。

每位負責人認為，要針對不同客戶全體，提供完全不同產(chǎn)品。基本上，這些觀點都算是 Thirumalai 提議的變體：使用先進的機器學習技術改造亞馬遜部分業(yè)務。

有些建議涉及到反思既有業(yè)務，比如公司的機器人、數(shù)據(jù)中心業(yè)務和亞馬遜云。有的意味著創(chuàng)造全新業(yè)務，例如語音智能家居產(chǎn)品，后來落地成 Echo。

但結(jié)果的影響力遠遠超過了單個業(yè)務項目。Thirumalai 說，原來開會時，公司的 AI 人才都被分割開了?！鸽m然也會討論、交談，但不會分享大量技術和神器，因為經(jīng)驗教訓這些東西很難直接發(fā)揮作用，」他說。這些人才就像是工程海洋中的 AI 島嶼。

但借助機器學習變革公司，徹底改變了這一現(xiàn)狀。

雖然每位「六頁提案」的人都在嚴格遵守亞馬遜「單線程（single-threaded）」團隊信條，也就是說，每個團隊「擁有」他們所采用的技術，但大家開始了跨項目協(xié)作。

公司內(nèi)部科學家負責解決重大問題，并將解決方案分享給其他團隊。AI 孤島被連接起來，而且隨著公司的 AI 雄心不斷壯大，所面臨的難題也吸引著頂尖人才，尤其是那些想看到自己研究如何影響現(xiàn)實的人才。這也平衡了亞馬遜對純研究不感冒的文化，公司過去要求創(chuàng)新必須完全基于更好地為客戶服務的語境中。

亞馬遜龐大帝國運轉(zhuǎn)起來，就像一臺永動機。這是如何做到的？亞馬遜喜歡用「飛輪（flywheel）」這個詞作答?；跈C器學習的創(chuàng)新，會為其他業(yè)務團隊提供動力；這些團隊通過打造產(chǎn)品和服務，對其他團隊產(chǎn)生影響，甚至對整個公司產(chǎn)生影響。將公司的機器學習平臺作為一種付費服務提供給外界，這種努力本身也會帶來收益，在某些情況下，甚至能收集更多數(shù)據(jù)進一步提升技術。

將亞馬遜從一家深度學習死忠粉公司，轉(zhuǎn)型成一家「發(fā)電室」，需要很多這樣的「六頁提案」人。整個公司，都可以看到這一轉(zhuǎn)型效果，包括運行在新的機器學習基礎架構(gòu)上的推薦系統(tǒng)。如今，亞馬遜可以很聰明地推薦下一步讀什么、將什么商品加入購物清單，以及今晚可能想看什么電影。

今年，Thirumalai 開啟了一項新的工作——領導亞馬遜的搜索部門。他希望將深度學習用于服務的各個方面。

「如果七八年之前問我亞馬遜的 AI 實力如何，我會說，他們沒有人工智能?！谷A盛頓大學計算機科學的教授 Pedro Domingos 說，「但他們一直在積極地成長。正成為一支勁旅?！?/p>

或許。

1Alexa 效應

公司的旗艦人工智能產(chǎn)品是：Echo，以及背后的驅(qū)動系統(tǒng)——Alexa 語音平臺。其實，這些項目也源于一份 2011 年交付給 Bezos 的「六頁提案」，Operational Plan One 年度計劃。

其中一位提議高管叫 Al Lindsay，2004 年開始在亞馬遜工作。當時，他被要求從自己負責的團隊轉(zhuǎn)到主要技術團隊，幫助打造全新的產(chǎn)品。

「一款低功耗普適計算機，大腦在云端，你可以通過語音與它交互。」他回憶道。

但是，打造這樣一款科幻電影里才有的產(chǎn)品，需要具備一定的 AI 功能，但當時公司就沒有這方面的人才。雪上加霜的是，那些有技術能力的專家，只有極少數(shù)愿意為亞馬遜工作。Google 和 Facebook 當時也在搶奪這一領域的頂尖人才。

「我們當時處境很慘?！筁indsay 說。

Al Lindsay，亞馬遜 Alexa Engine 副總裁說，當時亞馬遜嘗試招募 AI 專家設計和打造語音平臺時，情況很糟糕。

「亞馬遜過去形象不太好，公司對研究型人才不太友好?！笵omingos 說。

公司對客戶不懈關注以及自身的斗士文化，與對待學術人才的態(tài)度不一致?！冈?Google 你是被寵愛的，而在亞馬遜，你的計算機則擺在衣柜上?！顾f。

更糟糕的是，當時亞馬遜還因公司創(chuàng)新崗位還不如給公司搞包裝的崗位而「聲名遠播」。

2014 年的一次內(nèi)部聚會中，機器學習領域頂級專家 Yann LeCun 在亞馬遜做了一次報告。當時，他已經(jīng)接受了領導 Facebook 研究的橄欖枝，但他還是來做報告了。

先在一間能容納 600 人的禮堂里做報告，LeCun 回憶道，然后被帶到了一個小會議室，小團隊一個接一個來向他請教問題。

但是當他向亞馬遜的人提問時，他們幾乎一無所應。這讓 LeCun 很無語。他當初選擇 Facebook，部分原因就在于后者愿意開源大部分 AI 研究工作。

由于當時公司內(nèi)部沒有相關人才，所以亞馬遜開始巨資收購公司。

「在 Alexa 初期，我們收購了很多公司?！筁imp 說。

2011 年年 9 月，它收購了 Yap，這是一家專攻語音文本轉(zhuǎn)換的公司。2012 年年 1 月收購了英國劍橋的 Evi，這家公司軟件可以像 Siri 一樣響應用戶的需求。2013 年 1 月收購了 Ivona，這家專攻語音合成的波蘭公司，為 Echo 提供了能夠交談的技術。

但是，亞馬遜的密保文化也妨礙了公司吸引頂尖學術人才的努力。

Alex Smola 曾經(jīng)有希望成為亞馬遜的員工，他是這個領域的巨星，之前在 Yahoo 和 Google 工作過。

「實際上，他也是深度學習領域教父之一。」Google scholar 引用超過了 90000 次，亞馬遜云深度學習和人工智能部門負責人 Matt Wood 說。

但是，亞馬遜高管甚至不向 Smola 透露他們將要從事的主要工作內(nèi)容。最終 Smola 選擇了卡耐基梅隆大學的一個實驗室。

在 Alexa 總監(jiān) Ruhi Sarikaya 和亞馬遜 Alexa 引擎副總裁 Al Lindsay 的領導下，團隊不僅嘗試研發(fā) Echo 系列智能音響，還試圖研發(fā)出能夠與其他公司產(chǎn)品兼容的語音服務。

「即使到產(chǎn)品臨近推出這種關鍵時刻，我們面前也擺著巨大的障礙。他們會嚷嚷：『我憑什么要在亞馬遜工作？我又不想向顧客銷售產(chǎn)品！』」Lindsay 說道。

亞馬遜確實需要有所行動。

既然公司是由設想中的最終產(chǎn)品倒推，那么，產(chǎn)品藍圖可能會包含某些尚未發(fā)明的功能。「研究狂熱型」科學家對這些難題興趣十足。其在語音方面需配備能達到對話程度的 AI，這個 AI 應當能對「喚醒詞」敏感，聽取并譯解指令，以及給出盡量合理的答案；而亞馬遜目前無法做到這一點。

即便沒有亞馬遜的擁躉，這個項目也吸引了 Rohit Prasad（波士頓的技術承包公司 Raytheon BBN 中的一位知名語音識別科學家）的注意。（這個項目使亞馬遜同意他在家鄉(xiāng)建立了自己的團隊。）

他認為，亞馬遜專業(yè)化的缺乏是一種特色而非缺陷?！高@個領域充滿希望。谷歌和微軟已經(jīng)在語音方面研究了很多年，而在亞馬遜，我們可以從頭開始，抓住并解決所有難題?！?/p>

自從 2013 年加入亞馬遜以來，他就被委派到了 Alexa 項目中。「這個設備以硬件的形式存在，但在語音領域?qū)儆谠缙诩夹g?！顾f。

Echo 最棘手的部分便是遠場語音識別，這個問題迫使亞馬遜開創(chuàng)了新局面，并在此過程中提升了機器學習技能。

它包括將與麥克風存在一段距離的語音指令進行譯解，甚至能夠譯解被環(huán)境噪聲或其他細聲碎語干擾的語音指令。

而具有挑戰(zhàn)性的一個因素，便是設備在識別指令時不能有延時，它必須極快地將音頻發(fā)送至云端而后產(chǎn)生答案，使彼此之間像在進行對話，而不像處于某些「你不確定對方是否還活著」的尷尬場合。

若要建立一個在嘈雜條件下能夠理解并回應對話式查詢指令的系統(tǒng)，則需要大量的數(shù)據(jù)，即許多人們可能與 Echo 進行的不同類互動的例子。至于亞馬遜可能會從何處得到數(shù)據(jù)，目前還不可知。

如今許多亞馬遜設備和第三方產(chǎn)品都在使用 Alexa 語音服務。而通過 Alexa 所收集的數(shù)據(jù)則有助于改良系統(tǒng)，并能增強亞馬遜更廣泛的 AI 服務。

設備與服務的副總裁 Limp 說道，遠程技術早已完成，但「它建立在 Trident 潛艇的鼻錐體上，并且花費了十億美元?！箒嗰R遜試圖讓技術落地在一款可以放置在廚房柜臺上的設備中，它的價格也必須足夠低廉，才能吸引顧客購買這些稀奇古怪的小玩件。

「我們的團隊中，有十分之九的成員認為這無法完成。我們在亞馬遜之外有一個技術顧問委員會，我們沒有向他們透露正在做什么，但是他們說『不管做什么工作都不要繞過語音識別！』。」Prasad 說。

Prasad 的經(jīng)歷使他堅信這能夠做到。但亞馬遜并未提供一個能將機器學習用于產(chǎn)品開發(fā)的可靠系統(tǒng)。

「好消息是，亞馬遜擁有全部必備品——無可比肩的云服務，裝有 GPU 來壓縮機器學習算法的數(shù)據(jù)中心，以及知曉如何快速移動數(shù)據(jù)的工程師。」他說。

他的團隊利用這些部分創(chuàng)建了一個平臺，平臺本身便是寶貴的資產(chǎn)，其價值遠超出「豐富 Echo 的功能」這一使命。

「一旦我們將 Echo 開發(fā)為遠場語音識別設備，便有機會做的更多，即將 Alexa 的范圍擴展到語音服務當中?！笰lexa 的資深首席科學家 Spyros Matsoukas 說道。

這位科學家在 Raytheon BBN 公司，并與 Prasad 合作。（他的工作包括一個很小眾的 DARPA 項目，稱為 Hub4，該項目利用廣播新聞節(jié)目和被攔截的電話內(nèi)容來提升語音識別和自然語言理解能力，這是針對 Alexa 項目的一次大型訓練。）他們擴展 Alexa 的一個直接方法，便是允許第三方開發(fā)者創(chuàng)建屬于自己的語音技術迷你應用程序（稱為 skills）來運行 Echo 自身。但這僅僅是開始。

亞馬遜的資深首席科學家 Spyros Matsoukas 使 Alexa 得以轉(zhuǎn)變，成為增強亞馬遜公司范圍內(nèi)AI 文化的有生力量。

通過將 Alexa 應用于的 Echo 設備之外，公司的人工智能文化開始融合。整個公司的團隊開始意識到，Alexa 也可以為他們的小項目提供有用的語音服務。

「盡管我們在項目負責制方面非常強，所有這些數(shù)據(jù)和技術還是要結(jié)合在一起?！筆rasad 說。

首先，亞馬遜的其他產(chǎn)品開始集成到 Alexa：當你在 Alexa 設備上講話時，你可以訪問亞馬遜音樂（Amazon Music）、Prime Video，來自亞馬遜購物網(wǎng)站的你的個人推薦和其他服務。

隨后，這項技術開始在其他亞馬遜領域推廣。「一旦我們有了基本的語言能力，我們就能把它帶給非 Alexa 的產(chǎn)品，比如 Fire TV、語音購物、Amazon fresh 的 Dash Wand，以及最終的 AWS?！筁indsay 說。

亞馬遜內(nèi)部的人工智能小島正在逐漸聚集成洲。

一旦數(shù)百萬用戶（亞馬遜不會確切地說到底有多少）開始使用 Echo 和其他一系列 Alexa 驅(qū)動的設備，該公司轉(zhuǎn)型的另一個關鍵部分就開始了。

亞馬遜開始積累大量的數(shù)據(jù)，這可能是所有對話驅(qū)動設備中最大的交互集合。這些數(shù)據(jù)成為潛在雇員的有力誘餌。突然間，亞馬遜迅速躥升成為那些它夢寐以求的機器學習專家可能想要工作的地方。

「讓 Alexa 如此吸引我的原因之一是，一旦你在市場上有了一個設備，你就有了反饋的資源。不僅是客戶的反饋，而且是真正的數(shù)據(jù)，對于改善一切——尤其是底層平臺——是如此重要?！谷ツ昙尤雭嗰R遜的一位 Alexa 機器學習副總裁 Ravi Jain 說。

因此，隨著越來越多的人使用 Alexa，亞馬遜得到的信息不僅使該系統(tǒng)性能更好，而且還加強了自己的機器學習工具和平臺，并使這家公司成為機器學習科學家的一個更熱門的目的地。

飛輪正開始旋轉(zhuǎn)。

2一個更具智慧的云端

亞馬遜在 2014 年開始向高端客戶銷售 Echo；而同年，Swami Sivasubramanian 對機器學習入了迷。

當時正在管理 AWS 數(shù)據(jù)庫及分析業(yè)務的 Sivasubramanian 正和家人在印度旅行，在時差和思維千奇百怪的女兒的混合「打擊」下，他開始深夜在電腦前研究谷歌的 Tensorflow 和 Caffé這樣的工具，而它們恰恰是 Facebook 和許多學者青睞的機器學習框架。

他總結(jié)道，將這些工具與亞馬遜的云服務相結(jié)合可能會產(chǎn)生巨大的價值。他使機器學習算法在云端易于運行后，認為公司可能會進入潛在需求所組成的脈絡。

「我們每月能夠為數(shù)百萬開發(fā)者提供服務，其中大多數(shù)都沒有機器學習背景，而不是麻省理工學院的教授?！顾f道。

Swami Sivasubramanian 作為 亞馬遜云 AI 業(yè)務的副總裁，是首批認識到將 AI 工具集成到公司云服務中會帶來商業(yè)影響的人之一。

之后 Jeff Bezos 評論道，他帶著史詩般的六頁提案，氣宇軒昂而來。

從某層面而言，它是向 AWS 增添機器學習服務的藍圖；而 Sivasubramanian 卻看的更遠：這是使 AWS 成為所有科技領域機器學習活動活躍中心的宏偉愿景。

從某種意義上而言，向數(shù)萬亞馬遜的云客戶提供機器學習是不可避免的。

「當我們首次將 AWS 的初始商業(yè)計劃整合到一起時，其任務便是，采用只有少數(shù)資金雄厚的組織才能實現(xiàn)的技術，并使其分布盡量廣泛。我們在計算、存儲、分析與數(shù)據(jù)庫方面取得了成功，并且正利用機器學習，采取了完全相同的方法?！笰WS 的機器學習經(jīng)理 Wood 說道。

而能夠吸取公司在其他方面所積累的經(jīng)驗，則是使 AWS 更加順風順水的一大法寶。

Wood 說，AWS 在 2015 年首次推出的 Amazon Machine Learning 使像 C-Span 這樣的客戶能夠建立私人面部目錄；Zillow 用來估算房價，Pinterest 則用于虛擬搜索，并且有幾家自動駕駛的初創(chuàng)公司正應用 AWS 的機器學習，通過數(shù)百萬英里的模擬道路測試來改進產(chǎn)品。

2016 年，AWS 推出了新的機器學習服務，一個名為 Polly 的文本到語音組件，以及一個名為 Lex 的自然語言處理引擎——它們更直接地利用了 Alexa 的創(chuàng)新。

這些產(chǎn)品幫助 AWS 的客戶們建立自己的迷你 Alexa，從 Pinterest 和 Netflix 等巨頭到小型初創(chuàng)公司都可以輕松完成。

涉及視覺的第三項服務 Rekognition 利用在亞馬遜一個相對不太出名的團隊 Prime Photos 完成的工作，這個團隊試圖實現(xiàn)谷歌、Facebook 和蘋果的照片產(chǎn)品中同樣的深度學習功能。

這些機器學習服務既是強大的收入來源，也是亞馬遜人工智能飛輪的關鍵，因為諸如美國國家航空航天局（NASA）和美國國家橄欖球聯(lián)盟（NFL）這樣的來自各界的客戶都在花錢讓他們的機器從亞馬遜的數(shù)據(jù)中學習。

當這些公司能在 AWS 內(nèi)部建立他們的重要機器學習工具時，他們轉(zhuǎn)移到競爭對手的云運算平臺的可能性就變得微乎其微了。（真是抱歉了，谷歌、微軟、或者 IBM）

看看 Infor，這是一家為企業(yè)客戶創(chuàng)建業(yè)務應用程序的價值數(shù)十億美元的公司。最近，它發(fā)布了一個名為 Coleman（以電影Hidden Figures里 NASA 數(shù)學家的名字命名）的大規(guī)模新應用程序，它允許客戶僅通過對話界面來自動化各種過程、分析公司表現(xiàn)，以及與數(shù)據(jù)進行交互。它并沒有從頭構(gòu)建自己的程序，而是使用了 AWS 的 Lex 技術。

「無論如何，亞馬遜都在做這個方面的研究，那么我們?yōu)槭裁匆谶@上面花時間呢？我們了解我們的客戶，可以讓應用程序更適合他們使用。」Infor 的高級副總裁 Massimo Capoccia 如是說。

AWS 在以太領域的主導地位也使其在戰(zhàn)略上優(yōu)于競爭對手，尤其是谷歌，該公司曾希望利用其機器學習的領導力，在云計算領域趕上 AWS。是的，谷歌可以在服務器上為客戶提供超快、機器學習優(yōu)化的芯片，但是 AWS 上的公司可以更容易地與那些也在服務的公司進行互動和銷售。

「就像 Willie Sutton 說他搶銀行是因為錢就在那里一樣，」DigitalGlobe 公司的 CTO Walter Scott 在談到他的公司為什么使用亞馬遜的技術時說，「我們使用 AWS 進行機器學習，因為這是我們的客戶所在?！?/p>

去年 11 月，在 AWS 的 re:Invent 會議上，亞馬遜為其客戶推出了一個更全面的機器學習外延輔助工具：SageMaker，這是一個復雜但超級易用的平臺。

它的創(chuàng)造者之一正是 Alex Smola，他是機器學習領域的超級明星，有超過 9 萬次學術引用，在五年前曾拒絕了亞馬遜的工作邀請。當 Smola 決定重返行業(yè)時，他想要幫助創(chuàng)建強大的工具，讓日常軟件開發(fā)人員能夠訪用上機器學習。所以他去了他認為能讓他產(chǎn)生最大影響力的地方。

「亞馬遜太好了，不能放棄，」他說，「你可以寫一篇關于某個問題的論文，但如果你不去實現(xiàn)它，就沒人會真的用你那漂亮的算法。」

當 Smola 告訴 Sivasubramanian，構(gòu)建能夠?qū)C器學習傳播給數(shù)百萬人的工具比發(fā)布再多一篇論文更重要時，他得到了一個驚喜。

「你也可以發(fā)表你的論文！」Sivasubramanian 說。

是的，亞馬遜如今在允許其科學家發(fā)表文章方面更加自由?！高@對招募頂尖人才有很大幫助，同時也為亞馬遜的研究提供了可看性，」幫助制定了更開放立場指南的 Spyros Matsoukas 說。

要想知道 AWS 的一百多萬用戶是否會開始使用 SageMaker 將機器學習應用到他們的產(chǎn)品中，現(xiàn)在還為時過早。但是每一個做過的客戶都會發(fā)現(xiàn)自己在亞馬遜上投入良多。

此外，該平臺非常復雜，甚至包括 Alexa 團隊在內(nèi)的亞馬遜內(nèi)部人工智能團隊都表示，他們打算成為 SageMaker 客戶，使用這個本是提供給外部人員的工具。

他們相信，通過為他們的項目設立一個基礎，讓他們能夠?qū)Ｗ⒂诟呒壍乃惴ㄈ蝿?，這將為他們節(jié)省大量的工作。

即使只有 AWS 的部分客戶使用了 SageMaker，亞馬遜也會發(fā)現(xiàn)自己的系統(tǒng)性能數(shù)據(jù)豐富許多（當然，這不包括客戶自己的機密信息）。這將帶來更好的算法、更好的平臺，和更多的客戶。飛輪正在加班加點地工作。

3人工智能無處不在

隨著機器學習的徹底改革，該公司的人工智能技術已經(jīng)遍布了許多團隊，這讓 Bezos 和他的助手們非常滿意。

雖然在亞馬遜沒有人工智能的中心辦公室，但的確有一個部門專門負責機器學習以及一些將新科學推進公司項目的應用研究的推廣和支持。

核心機器學習小組由 Ralf Herbrich 領導，在 2012 年被亞馬遜引入之前，他曾在微軟的 Bing 團隊工作，然后在 Facebook 工作了一年。

他說，在公司內(nèi)部「有一個擁有這個社區(qū)的地方是很重要的?！梗ó斎唬@支團隊的任務歸納在了一份 Bezos 批準的充滿抱負的六頁提案上。）

他的部分職責包括培育亞馬遜快速增長的機器學習文化。由于該公司以客戶為中心的思路——解決問題而不是進行理論研究——亞馬遜的高管們承認，他們的招聘工作總是傾向于那些對構(gòu)建新事物感興趣的人，而不是那些追求科學突破的人。

Facebook 的 LeCun 則以另一種方式表達了同樣觀點：「你即使不領導知識的先鋒，也可以做得很好?！?/p>

但亞馬遜也在跟隨 Facebook 和谷歌的領導，培訓其員工在人工智能方面更加熟稔。它開設了關于機器學習策略的內(nèi)部課程，主辦了一系列內(nèi)部專家的講座。從 2013 年開始，該公司每年春天都會在其總部舉辦一場內(nèi)部機器學習會議，這是一種亞馬遜內(nèi)部版的 NIPS，NIPS 是最重要的學術機器學習平臺。

「剛開始的時候，亞馬遜的機器學習會議只有幾百人，而現(xiàn)在已經(jīng)有成千上萬的人了，」Herbrich 說。

「我們在西雅圖最大的會議室容量也不夠，所以我們把在那里舉辦，然后在園區(qū)里的其他 6 個會議室直播。」亞馬遜的一名高管說，如果它變得更大，而不是把它稱為一個亞馬遜的機器學習活動，而可以被稱為亞馬遜本身了。

Herbrich 的團隊繼續(xù)將機器學習推進到公司的一切新業(yè)務。

例如，執(zhí)行團隊想要更好地預測在某一客戶的訂單中應該選取 8 個可選盒子尺寸中的哪一個時，他們求助于 Herbrich 的團隊。

「那個實現(xiàn)團隊不需要有自己的科學團隊，但它需要這些算法，并且需要能夠很容易地使用它們?！顾f。

在另一個例子中，David Limp 指出了亞馬遜對有多少客戶可能會購買新產(chǎn)品的預測方法的轉(zhuǎn)變?！肝乙呀?jīng)在消費電子產(chǎn)品領域工作了 30 年，其中有 25 年的預測都是用（人類的）判斷、電子表格和一些魔術球和飛鏢做的。」他說，「自從我們開始用機器學習來進行預測，我們的錯誤率明顯地下降了?！?/p>

不過，有時候 Herbrich 的團隊還是會將尖端科學應用到一個問題上。

該公司的雜貨遞送服務 Amazon Fresh 已經(jīng)運營了 10 年，但它需要一種更好的方式來評估水果和蔬菜的質(zhì)量——人類的速度太慢且標準不一致。他在柏林的團隊建立了滿是傳感器的硬件和新的算法，為系統(tǒng)加入了觸摸和聞到食物的能力。

「三年后，我們到達了一個原型機階段，可以（比以前）更可靠地判斷質(zhì)量」。

當然，這樣的進步會滲透到整個亞馬遜生態(tài)系統(tǒng)中。

以 Amazon Go 為例，這是一家位于其總部大樓內(nèi)剛剛開始向公眾開放的、以深度學習為動力的無人收銀雜貨店?！缸鳛?AWS 的客戶，我們受益于它的規(guī)模，」Amazon Go 的技術副總裁 Dilip Kumar 說，「但 AWS 也同樣是個受益者。」

他舉了 Amazon Go 獨特的流媒體數(shù)據(jù)系統(tǒng)的例子，該系統(tǒng)通過數(shù)百臺攝像機記錄顧客的購物活動。他的團隊所策劃的創(chuàng)新幫助影響了一項稱為「Kinesis」的 AWS 服務，該服務讓用戶將視頻從多個設備傳送到亞馬遜云，在那里他們可以處理、分析和使用它來進一步推進他們的機器學習。

即使亞馬遜的某項服務尚未使用公司的機器學習平臺，它也可以成為這個過程的積極參與者。

亞馬遜的 Prime Air 無人機送貨服務仍處于原型階段，它必須單獨構(gòu)建人工智能，因為無人機無法依靠云端來計算。但它仍能從飛輪上獲得巨大的收益，無論是從公司的其他方面獲取知識，還是弄清楚使用什么工具。

「我們認為這是一個菜單——每個人都在分享他們能提供的菜肴，」Prime Air 副總裁 Gur Kimchi 說。他預計，他的團隊最終將擁有自己的美味菜單。

「我們的經(jīng)驗教訓和我們在 Prime Air 上解決的問題無疑是對亞馬遜的其他團隊來說有用的?！?/p>

事實上，這似乎已經(jīng)發(fā)生了。

「如果有人在公司的某個部門（比如 Prime Air 或 Amazon Go）看一幅圖片，他們學到了一些東西，并創(chuàng)造出一種算法，他們就會和公司里的其他人討論這個問題。于是，我的團隊中的某個人也可以使用它，比如說，弄清楚一個在在執(zhí)行中心移動的產(chǎn)品的圖像里有什么?！箒嗰R遜機器人（Amazon robotics）的首席科學家 Beth Marcus 說。

亞馬遜機器人的高級首席技術專家 Beth Marcus 看到了與該公司不斷壯大的人工智能專家合作的好處。

一個以產(chǎn)品為中心的公司是否有可能超越滿是深度學習超級明星的競爭對手？

亞馬遜正為這個問題提供一個案例。

「雖然他們正在努力趕上，但他們發(fā)布的產(chǎn)品卻令人印象深刻，」艾倫人工智能研究所 (Allen Institute for Artificial Intelligence) 的首席執(zhí)行官 Oren Etzioni 說，「他們是世界級的公司，他們創(chuàng)造了世界級的人工智能產(chǎn)品?！?/p>

飛輪一直在旋轉(zhuǎn)，我們尚未看到很多正在準備中的「六頁提案」的影響。但是，更多的數(shù)據(jù)，意味著更多的顧客。更好的平臺，意味著更多的人才。

「 Alexa，亞馬遜在人工智能領域現(xiàn)在做得怎么樣？」

回答么？就是 Jeff Bezos 尖尖的笑聲了。