亚马逊帝国的人工智能革命史 | 深度亚马逊庞大帝国运转起来

全文共 2516 字，预计阅读 5 分钟

亚马逊庞大帝国运转起来，就像一台永动机。他们如何做到的？秘诀就在于基于机器学习的「飞轮」。

编译 | Nurhachu Null 、侯韵楚、Edison

来源 | 连线

2014年初，Srikanth Thirumalai 见到了亚马逊 CEO Jeff Bezos。Thirumalai 是一位计算机科学家，2005 年从 IBM 来到亚马逊，负责公司的推荐团队。他给 Bezos 提了一个全新计划：将人工智能最新进展结合到部门产品中。

他带着「六页提案」去了。Bezos 很早之前就发布过一条命令，产品或服务推荐必须维持在这个长度内，包含描述最终产品、服务和计划的新闻稿。

当时，Bezos 正依靠左右手们将亚马逊转型为一家人工智能「发电室」。公司很早就将人工智能技术用于产品推荐。不过近年来，这个领域正在发生一场变革，机器学习变得越来越有效，尤其是深度学习。深度学习在计算机视觉、语音和自然语言处理方面引起了巨大的进步。

近十年早期，虽然亚马逊还没有明显利用这些技术发展，但意识到了需求的迫切性。新时代最激烈的竞争将会是 AI 领域。Google，Facebook，Apple 和 Microsoft 等公司都压下巨额赌注。

亚马逊正在落后。「我们和每个团队的负责人聊，基本上就是问怎么将人工智能技术应用在自身的业务中？」亚马逊设备和服务副总裁 David Limp 说。

Thirumalai 走心了。他来到贝索斯的办公室，谈了谈自己的年度计划，如何更加积极地使用机器学习技术。但他又觉得，完全重构现在这套精心维护了 20 年的系统，太冒险。更何况，机器学习表现最佳的领域（比如图像识别）和自己的领域（推荐系统）并没啥关系。

「还没人将深度学习技术应用在推荐中，并取得了比我们好很多的而结果。」他说。「所以，特别需要信仰上的飞跃。」

Thirumalai 还没准备好，不过，Bezos 却想要更多。

Thirumalai 想用深度学习彻底变革既有的推荐系统工作方式。但这就需要一些技术，但自己团队并没有掌握这些技术，连工具都没有，甚至还没人想出算法。

Bezos 却喜欢这样（尽管他那招牌式的笑声并不能清楚表明，他欢迎这种做法）。于是，Thirumalai 重写了遍新闻稿，继续工作去了。

Srikanth Thirumalai，负责亚马逊搜索的副总裁，也是使用机器学习技术变革亚马逊推荐软件的负责人之一。

公司领导层中，Thirumalai 是唯一一位几年之前，拿着「六页提案」跟随 Bezos 的。

每位负责人认为，要针对不同客户全体，提供完全不同产品。基本上，这些观点都算是 Thirumalai 提议的变体：使用先进的机器学习技术改造亚马逊部分业务。

有些建议涉及到反思既有业务，比如公司的机器人、数据中心业务和亚马逊云。有的意味着创造全新业务，例如语音智能家居产品，后来落地成 Echo。

但结果的影响力远远超过了单个业务项目。Thirumalai 说，原来开会时，公司的 AI 人才都被分割开了。「虽然也会讨论、交谈，但不会分享大量技术和神器，因为经验教训这些东西很难直接发挥作用，」他说。这些人才就像是工程海洋中的 AI 岛屿。

但借助机器学习变革公司，彻底改变了这一现状。

虽然每位「六页提案」的人都在严格遵守亚马逊「单线程（single-threaded）」团队信条，也就是说，每个团队「拥有」他们所采用的技术，但大家开始了跨项目协作。

公司内部科学家负责解决重大问题，并将解决方案分享给其他团队。AI 孤岛被连接起来，而且随着公司的 AI 雄心不断壮大，所面临的难题也吸引着顶尖人才，尤其是那些想看到自己研究如何影响现实的人才。这也平衡了亚马逊对纯研究不感冒的文化，公司过去要求创新必须完全基于更好地为客户服务的语境中。

亚马逊庞大帝国运转起来，就像一台永动机。这是如何做到的？亚马逊喜欢用「飞轮（flywheel）」这个词作答。基于机器学习的创新，会为其他业务团队提供动力；这些团队通过打造产品和服务，对其他团队产生影响，甚至对整个公司产生影响。将公司的机器学习平台作为一种付费服务提供给外界，这种努力本身也会带来收益，在某些情况下，甚至能收集更多数据进一步提升技术。

将亚马逊从一家深度学习死忠粉公司，转型成一家「发电室」，需要很多这样的「六页提案」人。整个公司，都可以看到这一转型效果，包括运行在新的机器学习基础架构上的推荐系统。如今，亚马逊可以很聪明地推荐下一步读什么、将什么商品加入购物清单，以及今晚可能想看什么电影。

今年，Thirumalai 开启了一项新的工作——领导亚马逊的搜索部门。他希望将深度学习用于服务的各个方面。

「如果七八年之前问我亚马逊的 AI 实力如何，我会说，他们没有人工智能。」华盛顿大学计算机科学的教授 Pedro Domingos 说，「但他们一直在积极地成长。正成为一支劲旅。」

或许。

Alexa 效应

公司的旗舰人工智能产品是：Echo，以及背后的驱动系统——Alexa 语音平台。其实，这些项目也源于一份 2011 年交付给 Bezos 的「六页提案」，Operational Plan One 年度计划。

其中一位提议高管叫 Al Lindsay，2004 年开始在亚马逊工作。当时，他被要求从自己负责的团队转到主要技术团队，帮助打造全新的产品。

「一款低功耗普适计算机，大脑在云端，你可以通过语音与它交互。」他回忆道。

但是，打造这样一款科幻电影里才有的产品，需要具备一定的 AI 功能，但当时公司就没有这方面的人才。雪上加霜的是，那些有技术能力的专家，只有极少数愿意为亚马逊工作。Google 和 Facebook 当时也在抢夺这一领域的顶尖人才。

「我们当时处境很惨。」Lindsay 说。

Al Lindsay，亚马逊 Alexa Engine 副总裁说，当时亚马逊尝试招募 AI 专家设计和打造语音平台时，情况很糟糕。

「亚马逊过去形象不太好，公司对研究型人才不太友好。」Domingos 说。

公司对客户不懈关注以及自身的斗士文化，与对待学术人才的态度不一致。「在 Google 你是被宠爱的，而在亚马逊，你的计算机则摆在衣柜上。」他说。

更糟糕的是，当时亚马逊还因公司创新岗位还不如给公司搞包装的岗位而「声名远播」。

2014 年的一次内部聚会中，机器学习领域顶级专家 Yann LeCun 在亚马逊做了一次报告。当时，他已经接受了领导 Facebook 研究的橄榄枝，但他还是来做报告了。

先在一间能容纳 600 人的礼堂里做报告，LeCun 回忆道，然后被带到了一个小会议室，小团队一个接一个来向他请教问题。

但是当他向亚马逊的人提问时，他们几乎一无所应。这让 LeCun 很无语。他当初选择 Facebook，部分原因就在于后者愿意开源大部分 AI 研究工作。

由于当时公司内部没有相关人才，所以亚马逊开始巨资收购公司。

「在 Alexa 初期，我们收购了很多公司。」Limp 说。

2011 年年 9 月，它收购了 Yap，这是一家专攻语音文本转换的公司。2012 年年 1 月收购了英国剑桥的 Evi，这家公司软件可以像 Siri 一样响应用户的需求。2013 年 1 月收购了 Ivona，这家专攻语音合成的波兰公司，为 Echo 提供了能够交谈的技术。

但是，亚马逊的密保文化也妨碍了公司吸引顶尖学术人才的努力。

Alex Smola 曾经有希望成为亚马逊的员工，他是这个领域的巨星，之前在 Yahoo 和 Google 工作过。

「实际上，他也是深度学习领域教父之一。」Google scholar 引用超过了 90000 次，亚马逊云深度学习和人工智能部门负责人 Matt Wood 说。

但是，亚马逊高管甚至不向 Smola 透露他们将要从事的主要工作内容。最终 Smola 选择了卡耐基梅隆大学的一个实验室。

在 Alexa 总监 Ruhi Sarikaya 和亚马逊 Alexa 引擎副总裁 Al Lindsay 的领导下，团队不仅尝试研发 Echo 系列智能音响，还试图研发出能够与其他公司产品兼容的语音服务。

「即使到产品临近推出这种关键时刻，我们面前也摆着巨大的障碍。他们会嚷嚷：『我凭什么要在亚马逊工作？我又不想向顾客销售产品！』」Lindsay 说道。

亚马逊确实需要有所行动。

既然公司是由设想中的最终产品倒推，那么，产品蓝图可能会包含某些尚未发明的功能。「研究狂热型」科学家对这些难题兴趣十足。其在语音方面需配备能达到对话程度的 AI，这个 AI 应当能对「唤醒词」敏感，听取并译解指令，以及给出尽量合理的答案；而亚马逊目前无法做到这一点。

即便没有亚马逊的拥趸，这个项目也吸引了 Rohit Prasad（波士顿的技术承包公司 Raytheon BBN 中的一位知名语音识别科学家）的注意。（这个项目使亚马逊同意他在家乡建立了自己的团队。）

他认为，亚马逊专业化的缺乏是一种特色而非缺陷。「这个领域充满希望。谷歌和微软已经在语音方面研究了很多年，而在亚马逊，我们可以从头开始，抓住并解决所有难题。」

自从 2013 年加入亚马逊以来，他就被委派到了 Alexa 项目中。「这个设备以硬件的形式存在，但在语音领域属于早期技术。」他说。

Echo 最棘手的部分便是远场语音识别，这个问题迫使亚马逊开创了新局面，并在此过程中提升了机器学习技能。

它包括将与麦克风存在一段距离的语音指令进行译解，甚至能够译解被环境噪声或其他细声碎语干扰的语音指令。

而具有挑战性的一个因素，便是设备在识别指令时不能有延时，它必须极快地将音频发送至云端而后产生答案，使彼此之间像在进行对话，而不像处于某些「你不确定对方是否还活着」的尴尬场合。

若要建立一个在嘈杂条件下能够理解并回应对话式查询指令的系统，则需要大量的数据，即许多人们可能与 Echo 进行的不同类互动的例子。至于亚马逊可能会从何处得到数据，目前还不可知。

如今许多亚马逊设备和第三方产品都在使用 Alexa 语音服务。而通过 Alexa 所收集的数据则有助于改良系统，并能增强亚马逊更广泛的 AI 服务。

设备与服务的副总裁 Limp 说道，远程技术早已完成，但「它建立在 Trident 潜艇的鼻锥体上，并且花费了十亿美元。」亚马逊试图让技术落地在一款可以放置在厨房柜台上的设备中，它的价格也必须足够低廉，才能吸引顾客购买这些稀奇古怪的小玩件。

「我们的团队中，有十分之九的成员认为这无法完成。我们在亚马逊之外有一个技术顾问委员会，我们没有向他们透露正在做什么，但是他们说『不管做什么工作都不要绕过语音识别！』。」Prasad 说。

Prasad 的经历使他坚信这能够做到。但亚马逊并未提供一个能将机器学习用于产品开发的可靠系统。

「好消息是，亚马逊拥有全部必备品——无可比肩的云服务，装有 GPU 来压缩机器学习算法的数据中心，以及知晓如何快速移动数据的工程师。」他说。

他的团队利用这些部分创建了一个平台，平台本身便是宝贵的资产，其价值远超出「丰富 Echo 的功能」这一使命。

「一旦我们将 Echo 开发为远场语音识别设备，便有机会做的更多，即将 Alexa 的范围扩展到语音服务当中。」Alexa 的资深首席科学家 Spyros Matsoukas 说道。

这位科学家在 Raytheon BBN 公司，并与 Prasad 合作。（他的工作包括一个很小众的 DARPA 项目，称为 Hub4，该项目利用广播新闻节目和被拦截的电话内容来提升语音识别和自然语言理解能力，这是针对 Alexa 项目的一次大型训练。）他们扩展 Alexa 的一个直接方法，便是允许第三方开发者创建属于自己的语音技术迷你应用程序（称为 skills）来运行 Echo 自身。但这仅仅是开始。

亚马逊的资深首席科学家 Spyros Matsoukas 使 Alexa 得以转变，成为增强亚马逊公司范围内AI 文化的有生力量。

通过将 Alexa 应用于的 Echo 设备之外，公司的人工智能文化开始融合。整个公司的团队开始意识到，Alexa 也可以为他们的小项目提供有用的语音服务。

「尽管我们在项目负责制方面非常强，所有这些数据和技术还是要结合在一起。」Prasad 说。

首先，亚马逊的其他产品开始集成到 Alexa：当你在 Alexa 设备上讲话时，你可以访问亚马逊音乐（Amazon Music）、Prime Video，来自亚马逊购物网站的你的个人推荐和其他服务。

随后，这项技术开始在其他亚马逊领域推广。「一旦我们有了基本的语言能力，我们就能把它带给非 Alexa 的产品，比如 Fire TV、语音购物、Amazon fresh 的 Dash Wand，以及最终的 AWS。」Lindsay 说。

亚马逊内部的人工智能小岛正在逐渐聚集成洲。

一旦数百万用户（亚马逊不会确切地说到底有多少）开始使用 Echo 和其他一系列 Alexa 驱动的设备，该公司转型的另一个关键部分就开始了。

亚马逊开始积累大量的数据，这可能是所有对话驱动设备中最大的交互集合。这些数据成为潜在雇员的有力诱饵。突然间，亚马逊迅速蹿升成为那些它梦寐以求的机器学习专家可能想要工作的地方。

「让 Alexa 如此吸引我的原因之一是，一旦你在市场上有了一个设备，你就有了反馈的资源。不仅是客户的反馈，而且是真正的数据，对于改善一切——尤其是底层平台——是如此重要。」去年加入亚马逊的一位 Alexa 机器学习副总裁 Ravi Jain 说。

因此，随着越来越多的人使用 Alexa，亚马逊得到的信息不仅使该系统性能更好，而且还加强了自己的机器学习工具和平台，并使这家公司成为机器学习科学家的一个更热门的目的地。

飞轮正开始旋转。

一个更具智慧的云端

亚马逊在 2014 年开始向高端客户销售 Echo；而同年，Swami Sivasubramanian 对机器学习入了迷。

当时正在管理 AWS 数据库及分析业务的 Sivasubramanian 正和家人在印度旅行，在时差和思维千奇百怪的女儿的混合「打击」下，他开始深夜在电脑前研究谷歌的 Tensorflow 和 Caffé这样的工具，而它们恰恰是 Facebook 和许多学者青睐的机器学习框架。

他总结道，将这些工具与亚马逊的云服务相结合可能会产生巨大的价值。他使机器学习算法在云端易于运行后，认为公司可能会进入潜在需求所组成的脉络。

「我们每月能够为数百万开发者提供服务，其中大多数都没有机器学习背景，而不是麻省理工学院的教授。」他说道。

Swami Sivasubramanian 作为亚马逊云 AI 业务的副总裁，是首批认识到将 AI 工具集成到公司云服务中会带来商业影响的人之一。

之后 Jeff Bezos 评论道，他带着史诗般的六页提案，气宇轩昂而来。

从某层面而言，它是向 AWS 增添机器学习服务的蓝图；而 Sivasubramanian 却看的更远：这是使 AWS 成为所有科技领域机器学习活动活跃中心的宏伟愿景。

从某种意义上而言，向数万亚马逊的云客户提供机器学习是不可避免的。

「当我们首次将 AWS 的初始商业计划整合到一起时，其任务便是，采用只有少数资金雄厚的组织才能实现的技术，并使其分布尽量广泛。我们在计算、存储、分析与数据库方面取得了成功，并且正利用机器学习，采取了完全相同的方法。」AWS 的机器学习经理 Wood 说道。

而能够吸取公司在其他方面所积累的经验，则是使 AWS 更加顺风顺水的一大法宝。

Wood 说，AWS 在 2015 年首次推出的 Amazon Machine Learning 使像 C-Span 这样的客户能够建立私人面部目录；Zillow 用来估算房价，Pinterest 则用于虚拟搜索，并且有几家自动驾驶的初创公司正应用 AWS 的机器学习，通过数百万英里的模拟道路测试来改进产品。

2016 年，AWS 推出了新的机器学习服务，一个名为 Polly 的文本到语音组件，以及一个名为 Lex 的自然语言处理引擎——它们更直接地利用了 Alexa 的创新。

这些产品帮助 AWS 的客户们建立自己的迷你 Alexa，从 Pinterest 和 Netflix 等巨头到小型初创公司都可以轻松完成。

涉及视觉的第三项服务 Rekognition 利用在亚马逊一个相对不太出名的团队 Prime Photos 完成的工作，这个团队试图实现谷歌、Facebook 和苹果的照片产品中同样的深度学习功能。

这些机器学习服务既是强大的收入来源，也是亚马逊人工智能飞轮的关键，因为诸如美国国家航空航天局（NASA）和美国国家橄榄球联盟（NFL）这样的来自各界的客户都在花钱让他们的机器从亚马逊的数据中学习。

当这些公司能在 AWS 内部建立他们的重要机器学习工具时，他们转移到竞争对手的云运算平台的可能性就变得微乎其微了。（真是抱歉了，谷歌、微软、或者 IBM）

看看 Infor，这是一家为企业客户创建业务应用程序的价值数十亿美元的公司。最近，它发布了一个名为 Coleman（以电影 Hidden Figures 里 NASA 数学家的名字命名）的大规模新应用程序，它允许客户仅通过对话界面来自动化各种过程、分析公司表现，以及与数据进行交互。它并没有从头构建自己的程序，而是使用了 AWS 的 Lex 技术。

「无论如何，亚马逊都在做这个方面的研究，那么我们为什么要在这上面花时间呢？我们了解我们的客户，可以让应用程序更适合他们使用。」Infor 的高级副总裁 Massimo Capoccia 如是说。

AWS 在以太领域的主导地位也使其在战略上优于竞争对手，尤其是谷歌，该公司曾希望利用其机器学习的领导力，在云计算领域赶上 AWS。是的，谷歌可以在服务器上为客户提供超快、机器学习优化的芯片，但是 AWS 上的公司可以更容易地与那些也在服务的公司进行互动和销售。

「就像 Willie Sutton 说他抢银行是因为钱就在那里一样，」DigitalGlobe 公司的 CTO Walter Scott 在谈到他的公司为什么使用亚马逊的技术时说，「我们使用 AWS 进行机器学习，因为这是我们的客户所在。」

去年 11 月，在 AWS 的 re:Invent 会议上，亚马逊为其客户推出了一个更全面的机器学习外延辅助工具：SageMaker，这是一个复杂但超级易用的平台。

它的创造者之一正是 Alex Smola，他是机器学习领域的超级明星，有超过 9 万次学术引用，在五年前曾拒绝了亚马逊的工作邀请。当 Smola 决定重返行业时，他想要帮助创建强大的工具，让日常软件开发人员能够访用上机器学习。所以他去了他认为能让他产生最大影响力的地方。

「亚马逊太好了，不能放弃，」他说，「你可以写一篇关于某个问题的论文，但如果你不去实现它，就没人会真的用你那漂亮的算法。」

当 Smola 告诉 Sivasubramanian，构建能够将机器学习传播给数百万人的工具比发布再多一篇论文更重要时，他得到了一个惊喜。

「你也可以发表你的论文！」Sivasubramanian 说。

是的，亚马逊如今在允许其科学家发表文章方面更加自由。「这对招募顶尖人才有很大帮助，同时也为亚马逊的研究提供了可看性，」帮助制定了更开放立场指南的 Spyros Matsoukas 说。

要想知道 AWS 的一百多万用户是否会开始使用 SageMaker 将机器学习应用到他们的产品中，现在还为时过早。但是每一个做过的客户都会发现自己在亚马逊上投入良多。

此外，该平台非常复杂，甚至包括 Alexa 团队在内的亚马逊内部人工智能团队都表示，他们打算成为 SageMaker 客户，使用这个本是提供给外部人员的工具。

他们相信，通过为他们的项目设立一个基础，让他们能够专注于更高级的算法任务，这将为他们节省大量的工作。

即使只有 AWS 的部分客户使用了 SageMaker，亚马逊也会发现自己的系统性能数据丰富许多（当然，这不包括客户自己的机密信息）。这将带来更好的算法、更好的平台，和更多的客户。飞轮正在加班加点地工作。

人工智能无处不在

随着机器学习的彻底改革，该公司的人工智能技术已经遍布了许多团队，这让 Bezos 和他的助手们非常满意。

虽然在亚马逊没有人工智能的中心办公室，但的确有一个部门专门负责机器学习以及一些将新科学推进公司项目的应用研究的推广和支持。

核心机器学习小组由 Ralf Herbrich 领导，在 2012 年被亚马逊引入之前，他曾在微软的 Bing 团队工作，然后在 Facebook 工作了一年。

他说，在公司内部「有一个拥有这个社区的地方是很重要的。」（当然，这支团队的任务归纳在了一份 Bezos 批准的充满抱负的六页提案上。）

他的部分职责包括培育亚马逊快速增长的机器学习文化。由于该公司以客户为中心的思路——解决问题而不是进行理论研究——亚马逊的高管们承认，他们的招聘工作总是倾向于那些对构建新事物感兴趣的人，而不是那些追求科学突破的人。

Facebook 的 LeCun 则以另一种方式表达了同样观点：「你即使不领导知识的先锋，也可以做得很好。」

但亚马逊也在跟随 Facebook 和谷歌的领导，培训其员工在人工智能方面更加熟稔。它开设了关于机器学习策略的内部课程，主办了一系列内部专家的讲座。从 2013 年开始，该公司每年春天都会在其总部举办一场内部机器学习会议，这是一种亚马逊内部版的 NIPS，NIPS 是最重要的学术机器学习平台。

「刚开始的时候，亚马逊的机器学习会议只有几百人，而现在已经有成千上万的人了，」Herbrich 说。

「我们在西雅图最大的会议室容量也不够，所以我们把在那里举办，然后在园区里的其他 6 个会议室直播。」亚马逊的一名高管说，如果它变得更大，而不是把它称为一个亚马逊的机器学习活动，而可以被称为亚马逊本身了。

Herbrich 的团队继续将机器学习推进到公司的一切新业务。

例如，执行团队想要更好地预测在某一客户的订单中应该选取 8 个可选盒子尺寸中的哪一个时，他们求助于 Herbrich 的团队。

「那个实现团队不需要有自己的科学团队，但它需要这些算法，并且需要能够很容易地使用它们。」他说。

在另一个例子中，David Limp 指出了亚马逊对有多少客户可能会购买新产品的预测方法的转变。「我已经在消费电子产品领域工作了 30 年，其中有 25 年的预测都是用（人类的）判断、电子表格和一些魔术球和飞镖做的。」他说，「自从我们开始用机器学习来进行预测，我们的错误率明显地下降了。」

不过，有时候 Herbrich 的团队还是会将尖端科学应用到一个问题上。

该公司的杂货递送服务 Amazon Fresh 已经运营了 10 年，但它需要一种更好的方式来评估水果和蔬菜的质量——人类的速度太慢且标准不一致。他在柏林的团队建立了满是传感器的硬件和新的算法，为系统加入了触摸和闻到食物的能力。

「三年后，我们到达了一个原型机阶段，可以（比以前）更可靠地判断质量」。

当然，这样的进步会渗透到整个亚马逊生态系统中。

以 Amazon Go 为例，这是一家位于其总部大楼内刚刚开始向公众开放的、以深度学习为动力的无人收银杂货店。「作为 AWS 的客户，我们受益于它的规模，」Amazon Go 的技术副总裁 Dilip Kumar 说，「但 AWS 也同样是个受益者。」

他举了 Amazon Go 独特的流媒体数据系统的例子，该系统通过数百台摄像机记录顾客的购物活动。他的团队所策划的创新帮助影响了一项称为「Kinesis」的 AWS 服务，该服务让用户将视频从多个设备传送到亚马逊云，在那里他们可以处理、分析和使用它来进一步推进他们的机器学习。

即使亚马逊的某项服务尚未使用公司的机器学习平台，它也可以成为这个过程的积极参与者。

亚马逊的 Prime Air 无人机送货服务仍处于原型阶段，它必须单独构建人工智能，因为无人机无法依靠云端来计算。但它仍能从飞轮上获得巨大的收益，无论是从公司的其他方面获取知识，还是弄清楚使用什么工具。

「我们认为这是一个菜单——每个人都在分享他们能提供的菜肴，」Prime Air 副总裁 Gur Kimchi 说。他预计，他的团队最终将拥有自己的美味菜单。

「我们的经验教训和我们在 Prime Air 上解决的问题无疑是对亚马逊的其他团队来说有用的。」

事实上，这似乎已经发生了。

「如果有人在公司的某个部门（比如 Prime Air 或 Amazon Go）看一幅图片，他们学到了一些东西，并创造出一种算法，他们就会和公司里的其他人讨论这个问题。于是，我的团队中的某个人也可以使用它，比如说，弄清楚一个在在执行中心移动的产品的图像里有什么。」亚马逊机器人（Amazon robotics）的首席科学家 Beth Marcus 说。