2014年初，Srikanth Thirumalai 見(jiàn)到了亞馬遜 CEO Jeff Bezos。Thirumalai 是一位計算機科學(xué)家，2005 年從 IBM 來(lái)到亞馬遜，負責公司的推薦團隊。他給 Bezos 提了一個(gè)全新計劃：將人工智能最新進(jìn)展結合到部門(mén)產(chǎn)品中。

他帶著(zhù)「六頁(yè)提案」去了。Bezos 很早之前就發(fā)布過(guò)一條命令，產(chǎn)品或服務(wù)推薦必須維持在這個(gè)長(cháng)度內，包含描述最終產(chǎn)品、服務(wù)和計劃的新聞稿。

當時(shí)，Bezos 正依靠左右手們將亞馬遜轉型為一家人工智能「發(fā)電室」。公司很早就將人工智能技術(shù)用于產(chǎn)品推薦。不過(guò)近年來(lái)，這個(gè)領(lǐng)域正在發(fā)生一場(chǎng)變革，機器學(xué)習變得越來(lái)越有效，尤其是深度學(xué)習。深度學(xué)習在計算機視覺(jué)、語(yǔ)音和自然語(yǔ)言處理方面引起了巨大的進(jìn)步。

近十年早期，雖然亞馬遜還沒(méi)有明顯利用這些技術(shù)發(fā)展，但意識到了需求的迫切性。新時(shí)代最激烈的競爭將會(huì )是 AI 領(lǐng)域。Google，Facebook，Apple 和 Microsoft 等公司都壓下巨額賭注。

亞馬遜正在落后?！肝覀兒兔總€(gè)團隊的負責人聊，基本上就是問(wèn)怎么將人工智能技術(shù)應用在自身的業(yè)務(wù)中？」亞馬遜設備和服務(wù)副總裁 David Limp 說(shuō)。

Thirumalai 走心了。他來(lái)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(xué)習技術(shù)。但他又覺(jué)得，完全重構現在這套精心維護了 20 年的系統，太冒險。更何況，機器學(xué)習表現最佳的領(lǐng)域（比如圖像識別）和自己的領(lǐng)域（推薦系統）并沒(méi)啥關(guān)系。

「還沒(méi)人將深度學(xué)習技術(shù)應用在推薦中，并取得了比我們好很多的而結果?！顾f(shuō)?！杆?，特別需要信仰上的飛躍?！?/span>

Thirumalai 還沒(méi)準備好，不過(guò)，Bezos 卻想要更多。

Thirumalai 想用深度學(xué)習徹底變革既有的推薦系統工作方式。但這就需要一些技術(shù)，但自己團隊并沒(méi)有掌握這些技術(shù)，連工具都沒(méi)有，甚至還沒(méi)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(xiě)了遍新聞稿，繼續工作去了。

公司領(lǐng)導層中，Thirumalai 是唯一一位幾年之前，拿著(zhù)「六 頁(yè)提案」跟隨 Bezos 的。

每位負責人認為，要針對不同客戶(hù)全體，提供完全不同產(chǎn)品?；旧?，這些觀(guān)點(diǎn)都算是 Thirumalai 提議的變體：使用先進(jìn)的機器學(xué)習技術(shù)改造亞馬遜部分業(yè)務(wù)。

有些建議涉及到反思既有業(yè)務(wù)，比如公司的機器人、數據中心業(yè)務(wù)和亞馬遜云。有的意味著(zhù)創(chuàng )造全新業(yè)務(wù)，例如語(yǔ)音智能家居產(chǎn)品，后來(lái)落地成 Echo。

但結果的影響力遠遠超過(guò)了單個(gè)業(yè)務(wù)項目。Thirumalai 說(shuō)，原來(lái)開(kāi)會(huì )時(shí)，公司的 AI 人才都被分割開(kāi)了?！鸽m然也會(huì )討論、交談，但不會(huì )分享大量技術(shù)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(shuō)。這些人才就像是工程海洋中的 AI 島嶼。

但借助機器學(xué)習變革公司，徹底改變了這一現狀。

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

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

亞馬遜龐大帝國運轉起來(lái)，就像一臺永動(dòng)機。這是如何做到的？亞馬遜喜歡用「飛輪（flywheel）」這個(gè)詞作答?；跈C器學(xué)習的創(chuàng )新，會(huì )為其他業(yè)務(wù)團隊提供動(dòng)力；這些團隊通過(guò)打造產(chǎn)品和服務(wù)，對其他團隊產(chǎn)生影響，甚至對整個(gè)公司產(chǎn)生影響。將公司的機器學(xué)習平臺作為一種付費服務(wù)提供給外界，這種努力本身也會(huì )帶來(lái)收益，在某些情況下，甚至能收集更多數據進(jìn)一步提升技術(shù)。

將亞馬遜從一家深度學(xué)習死忠粉公司，轉型成一家「發(fā)電室」，需要很多這樣的「六頁(yè)提案」人。整個(gè)公司，都可以看到這一轉型效果，包括運行在新的機器學(xué)習基礎架構上的推薦系統。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(kāi)啟了一項新的工作——領(lǐng)導亞馬遜的搜索部門(mén)。他希望將深度學(xué)習用于服務(wù)的各個(gè)方面。

「如果七八年之前問(wèn)我亞馬遜的 AI 實(shí)力如何，我會(huì )說(shuō)，他們沒(méi)有人工智能?！谷A盛頓大學(xué)計算機科學(xué)的教授 Pedro Domingos 說(shuō)，「但他們一直在積極地成長(cháng)。正成為一支勁旅?！?/span>

或許。

Alexa 效應

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

其中一位提議高管叫 Al Lindsay，2004 年開(kāi)始在亞馬遜工作。當時(shí)，他被要求從自己負責的團隊轉到主要技術(shù)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(guò)語(yǔ)音與它交互?！顾貞浀?。

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(shí)公司就沒(méi)有這方面的人才。雪上加霜的是，那些有技術(shù)能力的專(zhuān)家，只有極少數愿意為亞馬遜工作。Google 和 Facebook 當時(shí)也在搶奪這一領(lǐng)域的頂尖人才。

「我們當時(shí)處境很慘?！筁indsay 說(shuō)。

「亞馬遜過(guò)去形象不太好，公司對研究型人才不太友好?！笵omingos 說(shuō)。

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

更糟糕的是，當時(shí)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 年的一次內部聚會(huì )中，機器學(xué)習領(lǐng)域頂級專(zhuān)家 Yann LeCun 在亞馬遜做了一次報告。當時(shí)，他已經(jīng)接受了領(lǐng)導 Facebook 研究的橄欖枝，但他還是來(lái)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(gè)小會(huì )議室，小團隊一個(gè)接一個(gè)來(lái)向他請教問(wèn)題。

但是當他向亞馬遜的人提問(wèn)時(shí)，他們幾乎一無(wú)所應。這讓 LeCun 很無(wú)語(yǔ)。他當初選擇 Facebook，部分原因就在于后者愿意開(kāi)源大部分 AI 研究工作。

由于當時(shí)公司內部沒(méi)有相關(guān)人才，所以亞馬遜開(kāi)始巨資收購公司。

「在 Alexa 初期，我們收購了很多公司?！筁imp 說(shuō)。

2011 年年 9 月，它收購了 Yap，這是一家專(zhuān)攻語(yǔ)音文本轉換的公司。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(hù)的需求。2013 年 1 月收購了 Ivona，這家專(zhuān)攻語(yǔ)音合成的波蘭公司，為 Echo 提供了能夠交談的技術(shù)。

但是，亞馬遜的密保文化也妨礙了公司吸引頂尖學(xué)術(shù)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(gè)領(lǐng)域的巨星，之前在 Yahoo 和 Google 工作過(guò)。

「實(shí)際上，他也是深度學(xué)習領(lǐng)域教父之一?！笹oogle scholar 引用超過(guò)了 90000 次，亞馬遜云深度學(xué)習和人工智能部門(mén)負責人 Matt Wood 說(shuō)。

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容。最終 Smola 選擇了卡耐基梅隆大學(xué)的一個(gè)實(shí)驗室。

「即使到產(chǎn)品臨近推出這種關(guān)鍵時(shí)刻，我們面前也擺著(zhù)巨大的障礙。他們會(huì )嚷嚷：『我憑什么要在亞馬遜工作？我又不想向顧客銷(xiāo)售產(chǎn)品！』」Lindsay 說(shuō)道。

亞馬遜確實(shí)需要有所行動(dòng)。

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(huì )包含某些尚未發(fā)明的功能?！秆芯靠駸嵝汀箍茖W(xué)家對這些難題興趣十足。其在語(yǔ)音方面需配備能達到對話(huà)程度的 AI，這個(gè) AI 應當能對「喚醒詞」敏感，聽(tīng)取并譯解指令，以及給出盡量合理的答案；而亞馬遜目前無(wú)法做到這一點(diǎn)。

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

他認為，亞馬遜專(zhuān)業(yè)化的缺乏是一種特色而非缺陷?！高@個(gè)領(lǐng)域充滿(mǎn)希望。谷歌和微軟已經(jīng)在語(yǔ)音方面研究了很多年，而在亞馬遜，我們可以從頭開(kāi)始，抓住并解決所有難題?！?/span>

自從 2013 年加入亞馬遜以來(lái)，他就被委派到了 Alexa 項目中?！高@個(gè)設備以硬件的形式存在，但在語(yǔ)音領(lǐng)域屬于早期技術(shù)?！顾f(shuō)。

Echo 最棘手的部分便是遠場(chǎng)語(yǔ)音識別，這個(gè)問(wèn)題迫使亞馬遜開(kāi)創(chuàng )了新局面，并在此過(guò)程中提升了機器學(xué)習技能。

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

而具有挑戰性的一個(gè)因素，便是設備在識別指令時(shí)不能有延時(shí)，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(jìn)行對話(huà)，而不像處于某些「你不確定對方是否還活著(zhù)」的尷尬場(chǎng)合。

若要建立一個(gè)在嘈雜條件下能夠理解并回應對話(huà)式查詢(xún)指令的系統，則需要大量的數據，即許多人們可能與 Echo 進(jìn)行的不同類(lèi)互動(dòng)的例子。至于亞馬遜可能會(huì )從何處得到數據，目前還不可知。

設備與服務(wù)的副總裁 Limp 說(shuō)道，遠程技術(shù)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(shù)落地在一款可以放置在廚房柜臺上的設備中，它的價(jià)格也必須足夠低廉，才能吸引顧客購買(mǎi)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(wú)法完成。我們在亞馬遜之外有一個(gè)技術(shù)顧問(wèn)委員會(huì )，我們沒(méi)有向他們透露正在做什么，但是他們說(shuō)『不管做什么工作都不要繞過(guò)語(yǔ)音識別！』?！筆rasad 說(shuō)。

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

「好消息是，亞馬遜擁有全部必備品——無(wú)可比肩的云服務(wù)，裝有 GPU 來(lái)壓縮機器學(xué)習算法的數據中心，以及知曉如何快速移動(dòng)數據的工程師?！顾f(shuō)。

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

「一旦我們將 Echo 開(kāi)發(fā)為遠場(chǎng)語(yǔ)音識別設備，便有機會(huì )做的更多，即將 Alexa 的范圍擴展到語(yǔ)音服務(wù)當中?！笰lexa 的資深首席科學(xué)家 Spyros Matsoukas 說(shuō)道。

這位科學(xué)家在 Raytheon BBN 公司，并與 Prasad 合作。（他的工作包括一個(gè)很小眾的 DARPA 項目，稱(chēng)為 Hub4，該項目利用廣播新聞節目和被攔截的電話(huà)內容來(lái)提升語(yǔ)音識別和自然語(yǔ)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(gè)直接方法，便是允許第三方開(kāi)發(fā)者創(chuàng )建屬于自己的語(yǔ)音技術(shù)迷你應用程序（稱(chēng)為 skills）來(lái)運行 Echo 自身。但這僅僅是開(kāi)始。

通過(guò)將 Alexa 應用于的 Echo 設備之外，公司的人工智能文化開(kāi)始融合。整個(gè)公司的團隊開(kāi)始意識到，Alexa 也可以為他們的小項目提供有用的語(yǔ)音服務(wù)。

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

首先，亞馬遜的其他產(chǎn)品開(kāi)始集成到 Alexa：當你在 Alexa 設備上講話(huà)時(shí)，你可以訪(fǎng)問(wèn)亞馬遜音樂(lè )（Amazon Music）、Prime Video，來(lái)自亞馬遜購物網(wǎng)站的你的個(gè)人推薦和其他服務(wù)。

隨后，這項技術(shù)開(kāi)始在其他亞馬遜領(lǐng)域推廣?！敢坏┪覀冇辛嘶镜恼Z(yǔ)言能力，我們就能把它帶給非 Alexa 的產(chǎn)品，比如 Fire TV、語(yǔ)音購物、Amazon fresh 的 Dash Wand，以及最終的 AWS?！筁indsay 說(shuō)。

亞馬遜內部的人工智能小島正在逐漸聚集成洲。

一旦數百萬(wàn)用戶(hù)（亞馬遜不會(huì )確切地說(shuō)到底有多少）開(kāi)始使用 Echo 和其他一系列 Alexa 驅動(dòng)的設備，該公司轉型的另一個(gè)關(guān)鍵部分就開(kāi)始了。

亞馬遜開(kāi)始積累大量的數據，這可能是所有對話(huà)驅動(dòng)設備中最大的交互集合。這些數據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(mèng)寐以求的機器學(xué)習專(zhuān)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(chǎng)上有了一個(gè)設備，你就有了反饋的資源。不僅是客戶(hù)的反饋，而且是真正的數據，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(xué)習副總裁 Ravi Jain 說(shuō)。

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

飛輪正開(kāi)始旋轉。

一個(gè)更具智慧的云端

亞馬遜在 2014 年開(kāi)始向高端客戶(hù)銷(xiāo)售 Echo；而同年，Swami Sivasubramanian 對機器學(xué)習入了迷。

當時(shí)正在管理 AWS 數據庫及分析業(yè)務(wù)的 Sivasubramanian 正和家人在印度旅行，在時(shí)差和思維千奇百怪的女兒的混合「打擊」下，他開(kāi)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(xué)者青睞的機器學(xué)習框架。

他總結道，將這些工具與亞馬遜的云服務(wù)相結合可能會(huì )產(chǎn)生巨大的價(jià)值。他使機器學(xué)習算法在云端易于運行后，認為公司可能會(huì )進(jìn)入潛在需求所組成的脈絡(luò )。

「我們每月能夠為數百萬(wàn)開(kāi)發(fā)者提供服務(wù)，其中大多數都沒(méi)有機器學(xué)習背景，而不是麻省理工學(xué)院的教授?！顾f(shuō)道。

之后 Jeff Bezos 評論道，他帶著(zhù)史詩(shī)般的六頁(yè)提案，氣宇軒昂而來(lái)。

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

從某種意義上而言，向數萬(wàn)亞馬遜的云客戶(hù)提供機器學(xué)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(shí)，其任務(wù)便是，采用只有少數資金雄厚的組織才能實(shí)現的技術(shù)，并使其分布盡量廣泛。我們在計算、存儲、分析與數據庫方面取得了成功，并且正利用機器學(xué)習，采取了完全相同的方法?！笰WS 的機器學(xué)習經(jīng)理 Wood 說(shuō)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(fēng)順水的一大法寶。

Wood 說(shuō)，AWS 在 2015 年首次推出的 Amazon Machine Learning 使像 C-Span 這樣的客戶(hù)能夠建立私人面部目錄；Zillow 用來(lái)估算房?jì)r(jià)，Pinterest 則用于虛擬搜索，并且有幾家自動(dòng)駕駛的初創(chuàng )公司正應用 AWS 的機器學(xué)習，通過(guò)數百萬(wàn)英里的模擬道路測試來(lái)改進(jìn)產(chǎn)品。

2016 年，AWS 推出了新的機器學(xué)習服務(wù)，一個(gè)名為 Polly 的文本到語(yǔ)音組件，以及一個(gè)名為 Lex 的自然語(yǔ)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(hù)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(jué)的第三項服務(wù) Rekognition 利用在亞馬遜一個(gè)相對不太出名的團隊 Prime Photos 完成的工作，這個(gè)團隊試圖實(shí)現谷歌、Facebook 和蘋(píng)果的照片產(chǎn)品中同樣的深度學(xué)習功能。

這些機器學(xué)習服務(wù)既是強大的收入來(lái)源，也是亞馬遜人工智能飛輪的關(guān)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(lái)自各界的客戶(hù)都在花錢(qián)讓他們的機器從亞馬遜的數據中學(xué)習。

當這些公司能在 AWS 內部建立他們的重要機器學(xué)習工具時(shí)，他們轉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(hù)創(chuàng )建業(yè)務(wù)應用程序的價(jià)值數十億美元的公司。最近，它發(fā)布了一個(gè)名為 Coleman（以電影 Hidden Figures 里 NASA 數學(xué)家的名字命名）的大規模新應用程序，它允許客戶(hù)僅通過(guò)對話(huà)界面來(lái)自動(dòng)化各種過(guò)程、分析公司表現，以及與數據進(jìn)行交互。它并沒(méi)有從頭構建自己的程序，而是使用了 AWS 的 Lex 技術(shù)。

「無(wú)論如何，亞馬遜都在做這個(gè)方面的研究，那么我們?yōu)槭裁匆谶@上面花時(shí)間呢？我們了解我們的客戶(hù)，可以讓?xiě)贸绦蚋m合他們使用?！笽nfor 的高級副總裁 Massimo Capoccia 如是說(shuō)。

AWS 在以太領(lǐng)域的主導地位也使其在戰略上優(yōu)于競爭對手，尤其是谷歌，該公司曾希望利用其機器學(xué)習的領(lǐng)導力，在云計算領(lǐng)域趕上 AWS。是的，谷歌可以在服務(wù)器上為客戶(hù)提供超快、機器學(xué)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(wù)的公司進(jìn)行互動(dòng)和銷(xiāo)售。

「就像 Willie Sutton 說(shuō)他搶銀行是因為錢(qián)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(shù)時(shí)說(shuō)，「我們使用 AWS 進(jìn)行機器學(xué)習，因為這是我們的客戶(hù)所在?！?/span>

去年 11 月，在 AWS 的 re:Invent 會(huì )議上，亞馬遜為其客戶(hù)推出了一個(gè)更全面的機器學(xué)習外延輔助工具：SageMaker，這是一個(gè)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(xué)習領(lǐng)域的超級明星，有超過(guò) 9 萬(wàn)次學(xué)術(shù)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(shí)，他想要幫助創(chuàng )建強大的工具，讓日常軟件開(kāi)發(fā)人員能夠訪(fǎng)用上機器學(xué)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(shuō)，「你可以寫(xiě)一篇關(guān)于某個(gè)問(wèn)題的論文，但如果你不去實(shí)現它，就沒(méi)人會(huì )真的用你那漂亮的算法?！?/span>

當 Smola 告訴 Sivasubramanian，構建能夠將機器學(xué)習傳播給數百萬(wàn)人的工具比發(fā)布再多一篇論文更重要時(shí)，他得到了一個(gè)驚喜。

「你也可以發(fā)表你的論文！」Sivasubramanian 說(shuō)。

是的，亞馬遜如今在允許其科學(xué)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(shí)也為亞馬遜的研究提供了可看性，」幫助制定了更開(kāi)放立場(chǎng)指南的 Spyros Matsoukas 說(shuō)。

要想知道 AWS 的一百多萬(wàn)用戶(hù)是否會(huì )開(kāi)始使用 SageMaker 將機器學(xué)習應用到他們的產(chǎn)品中，現在還為時(shí)過(guò)早。但是每一個(gè)做過(guò)的客戶(hù)都會(huì )發(fā)現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 團隊在內的亞馬遜內部人工智能團隊都表示，他們打算成為 SageMaker 客戶(hù)，使用這個(gè)本是提供給外部人員的工具。

他們相信，通過(guò)為他們的項目設立一個(gè)基礎，讓他們能夠專(zhuān)注于更高級的算法任務(wù)，這將為他們節省大量的工作。

即使只有 AWS 的部分客戶(hù)使用了 SageMaker，亞馬遜也會(huì )發(fā)現自己的系統性能數據豐富許多（當然，這不包括客戶(hù)自己的機密信息）。這將帶來(lái)更好的算法、更好的平臺，和更多的客戶(hù)。飛輪正在加班加點(diǎn)地工作。

人工智能無(wú)處不在

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

雖然在亞馬遜沒(méi)有人工智能的中心辦公室，但的確有一個(gè)部門(mén)專(zhuān)門(mén)負責機器學(xué)習以及一些將新科學(xué)推進(jìn)公司項目的應用研究的推廣和支持。

核心機器學(xué)習小組由 Ralf Herbrich 領(lǐng)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(shuō)，在公司內部「有一個(gè)擁有這個(gè)社區的地方是很重要的?！梗ó斎?，這支團隊的任務(wù)歸納在了一份 Bezos 批準的充滿(mǎn)抱負的六頁(yè)提案上。）

他的部分職責包括培育亞馬遜快速增長(cháng)的機器學(xué)習文化。由于該公司以客戶(hù)為中心的思路——解決問(wèn)題而不是進(jìn)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建新事物感興趣的人，而不是那些追求科學(xué)突破的人。

Facebook 的 LeCun 則以另一種方式表達了同樣觀(guān)點(diǎn)：「你即使不領(lǐng)導知識的先鋒，也可以做得很好?！?/span>

但亞馬遜也在跟隨 Facebook 和谷歌的領(lǐng)導，培訓其員工在人工智能方面更加熟稔。它開(kāi)設了關(guān)于機器學(xué)習策略的內部課程，主辦了一系列內部專(zhuān)家的講座。從 2013 年開(kāi)始，該公司每年春天都會(huì )在其總部舉辦一場(chǎng)內部機器學(xué)習會(huì )議，這是一種亞馬遜內部版的 NIPS，NIPS 是最重要的學(xué)術(shù)機器學(xué)習平臺。

「剛開(kāi)始的時(shí)候，亞馬遜的機器學(xué)習會(huì )議只有幾百人，而現在已經(jīng)有成千上萬(wàn)的人了，」Herbrich 說(shuō)。

「我們在西雅圖最大的會(huì )議室容量也不夠，所以我們把在那里舉辦，然后在園區里的其他 6 個(gè)會(huì )議室直播?！箒嗰R遜的一名高管說(shuō)，如果它變得更大，而不是把它稱(chēng)為一個(gè)亞馬遜的機器學(xué)習活動(dòng)，而可以被稱(chēng)為亞馬遜本身了。

Herbrich 的團隊繼續將機器學(xué)習推進(jìn)到公司的一切新業(yè)務(wù)。

例如，執行團隊想要更好地預測在某一客戶(hù)的訂單中應該選取 8 個(gè)可選盒子尺寸中的哪一個(gè)時(shí)，他們求助于 Herbrich 的團隊。

「那個(gè)實(shí)現團隊不需要有自己的科學(xué)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(shuō)。

在另一個(gè)例子中，David Limp 指出了亞馬遜對有多少客戶(hù)可能會(huì )購買(mǎi)新產(chǎn)品的預測方法的轉變?！肝乙呀?jīng)在消費電子產(chǎn)品領(lǐng)域工作了 30 年，其中有 25 年的預測都是用（人類(lèi)的）判斷、電子表格和一些魔術(shù)球和飛鏢做的?！顾f(shuō)，「自從我們開(kāi)始用機器學(xué)習來(lái)進(jìn)行預測，我們的錯誤率明顯地下降了?！?/span>

不過(guò)，有時(shí)候 Herbrich 的團隊還是會(huì )將尖端科學(xué)應用到一個(gè)問(wèn)題上。

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

「三年后，我們到達了一個(gè)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(jìn)步會(huì )滲透到整個(gè)亞馬遜生態(tài)系統中。

以 Amazon Go 為例，這是一家位于其總部大樓內剛剛開(kāi)始向公眾開(kāi)放的、以深度學(xué)習為動(dòng)力的無(wú)人收銀雜貨店?！缸鳛?AWS 的客戶(hù)，我們受益于它的規模，」Amazon Go 的技術(shù)副總裁 Dilip Kumar 說(shuō)，「但 AWS 也同樣是個(gè)受益者?！?/span>

他舉了 Amazon Go 獨特的流媒體數據系統的例子，該系統通過(guò)數百臺攝像機記錄顧客的購物活動(dòng)。他的團隊所策劃的創(chuàng )新幫助影響了一項稱(chēng)為「Kinesis」的 AWS 服務(wù)，該服務(wù)讓用戶(hù)將視頻從多個(gè)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(lái)進(jìn)一步推進(jìn)他們的機器學(xué)習。

即使亞馬遜的某項服務(wù)尚未使用公司的機器學(xué)習平臺，它也可以成為這個(gè)過(guò)程的積極參與者。

亞馬遜的 Prime Air 無(wú)人機送貨服務(wù)仍處于原型階段，它必須單獨構建人工智能，因為無(wú)人機無(wú)法依靠云端來(lái)計算。但它仍能從飛輪上獲得巨大的收益，無(wú)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(gè)菜單——每個(gè)人都在分享他們能提供的菜肴，」Prime Air 副總裁 Gur Kimchi 說(shuō)。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(wèn)題無(wú)疑是對亞馬遜的其他團隊來(lái)說(shuō)有用的?！?/span>

事實(shí)上，這似乎已經(jīng)發(fā)生了。

「如果有人在公司的某個(gè)部門(mén)（比如 Prime Air 或 Amazon Go）看一幅圖片，他們學(xué)到了一些東西，并創(chuàng )造出一種算法，他們就會(huì )和公司里的其他人討論這個(gè)問(wèn)題。于是，我的團隊中的某個(gè)人也可以使用它，比如說(shuō)，弄清楚一個(gè)在在執行中心移動(dòng)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(xué)家 Beth Marcus 說(shuō)。

之后 Jeff Bezos 評論道，他帶著(zhù)史詩(shī)般的六頁(yè)提案，氣宇軒昂而來(lái)。

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

從某種意義上而言，向數萬(wàn)亞馬遜的云客戶(hù)提供機器學(xué)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(shí)，其任務(wù)便是，采用只有少數資金雄厚的組織才能實(shí)現的技術(shù)，并使其分布盡量廣泛。我們在計算、存儲、分析與數據庫方面取得了成功，并且正利用機器學(xué)習，采取了完全相同的方法?！笰WS 的機器學(xué)習經(jīng)理 Wood 說(shuō)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(fēng)順水的一大法寶。

Wood 說(shuō)，AWS 在 2015 年首次推出的 Amazon Machine Learning 使像 C-Span 這樣的客戶(hù)能夠建立私人面部目錄；Zillow 用來(lái)估算房?jì)r(jià)，Pinterest 則用于虛擬搜索，并且有幾家自動(dòng)駕駛的初創(chuàng )公司正應用 AWS 的機器學(xué)習，通過(guò)數百萬(wàn)英里的模擬道路測試來(lái)改進(jìn)產(chǎn)品。

2016 年，AWS 推出了新的機器學(xué)習服務(wù)，一個(gè)名為 Polly 的文本到語(yǔ)音組件，以及一個(gè)名為 Lex 的自然語(yǔ)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(hù)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(jué)的第三項服務(wù) Rekognition 利用在亞馬遜一個(gè)相對不太出名的團隊 Prime Photos 完成的工作，這個(gè)團隊試圖實(shí)現谷歌、Facebook 和蘋(píng)果的照片產(chǎn)品中同樣的深度學(xué)習功能。

這些機器學(xué)習服務(wù)既是強大的收入來(lái)源，也是亞馬遜人工智能飛輪的關(guān)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(lái)自各界的客戶(hù)都在花錢(qián)讓他們的機器從亞馬遜的數據中學(xué)習。

當這些公司能在 AWS 內部建立他們的重要機器學(xué)習工具時(shí)，他們轉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(hù)創(chuàng )建業(yè)務(wù)應用程序的價(jià)值數十億美元的公司。最近，它發(fā)布了一個(gè)名為 Coleman（以電影 Hidden Figures 里 NASA 數學(xué)家的名字命名）的大規模新應用程序，它允許客戶(hù)僅通過(guò)對話(huà)界面來(lái)自動(dòng)化各種過(guò)程、分析公司表現，以及與數據進(jìn)行交互。它并沒(méi)有從頭構建自己的程序，而是使用了 AWS 的 Lex 技術(shù)。

「無(wú)論如何，亞馬遜都在做這個(gè)方面的研究，那么我們?yōu)槭裁匆谶@上面花時(shí)間呢？我們了解我們的客戶(hù)，可以讓?xiě)贸绦蚋m合他們使用?！笽nfor 的高級副總裁 Massimo Capoccia 如是說(shuō)。

AWS 在以太領(lǐng)域的主導地位也使其在戰略上優(yōu)于競爭對手，尤其是谷歌，該公司曾希望利用其機器學(xué)習的領(lǐng)導力，在云計算領(lǐng)域趕上 AWS。是的，谷歌可以在服務(wù)器上為客戶(hù)提供超快、機器學(xué)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(wù)的公司進(jìn)行互動(dòng)和銷(xiāo)售。

「就像 Willie Sutton 說(shuō)他搶銀行是因為錢(qián)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(shù)時(shí)說(shuō)，「我們使用 AWS 進(jìn)行機器學(xué)習，因為這是我們的客戶(hù)所在?！?/span>

去年 11 月，在 AWS 的 re:Invent 會(huì )議上，亞馬遜為其客戶(hù)推出了一個(gè)更全面的機器學(xué)習外延輔助工具：SageMaker，這是一個(gè)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(xué)習領(lǐng)域的超級明星，有超過(guò) 9 萬(wàn)次學(xué)術(shù)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(shí)，他想要幫助創(chuàng )建強大的工具，讓日常軟件開(kāi)發(fā)人員能夠訪(fǎng)用上機器學(xué)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(shuō)，「你可以寫(xiě)一篇關(guān)于某個(gè)問(wèn)題的論文，但如果你不去實(shí)現它，就沒(méi)人會(huì )真的用你那漂亮的算法?！?/span>

當 Smola 告訴 Sivasubramanian，構建能夠將機器學(xué)習傳播給數百萬(wàn)人的工具比發(fā)布再多一篇論文更重要時(shí)，他得到了一個(gè)驚喜。

「你也可以發(fā)表你的論文！」Sivasubramanian 說(shuō)。

是的，亞馬遜如今在允許其科學(xué)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(shí)也為亞馬遜的研究提供了可看性，」幫助制定了更開(kāi)放立場(chǎng)指南的 Spyros Matsoukas 說(shuō)。

要想知道 AWS 的一百多萬(wàn)用戶(hù)是否會(huì )開(kāi)始使用 SageMaker 將機器學(xué)習應用到他們的產(chǎn)品中，現在還為時(shí)過(guò)早。但是每一個(gè)做過(guò)的客戶(hù)都會(huì )發(fā)現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 團隊在內的亞馬遜內部人工智能團隊都表示，他們打算成為 SageMaker 客戶(hù)，使用這個(gè)本是提供給外部人員的工具。

他們相信，通過(guò)為他們的項目設立一個(gè)基礎，讓他們能夠專(zhuān)注于更高級的算法任務(wù)，這將為他們節省大量的工作。

即使只有 AWS 的部分客戶(hù)使用了 SageMaker，亞馬遜也會(huì )發(fā)現自己的系統性能數據豐富許多（當然，這不包括客戶(hù)自己的機密信息）。這將帶來(lái)更好的算法、更好的平臺，和更多的客戶(hù)。飛輪正在加班加點(diǎn)地工作。

人工智能無(wú)處不在

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

雖然在亞馬遜沒(méi)有人工智能的中心辦公室，但的確有一個(gè)部門(mén)專(zhuān)門(mén)負責機器學(xué)習以及一些將新科學(xué)推進(jìn)公司項目的應用研究的推廣和支持。

核心機器學(xué)習小組由 Ralf Herbrich 領(lǐng)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(shuō)，在公司內部「有一個(gè)擁有這個(gè)社區的地方是很重要的?！梗ó斎?，這支團隊的任務(wù)歸納在了一份 Bezos 批準的充滿(mǎn)抱負的六頁(yè)提案上。）

他的部分職責包括培育亞馬遜快速增長(cháng)的機器學(xué)習文化。由于該公司以客戶(hù)為中心的思路——解決問(wèn)題而不是進(jìn)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建新事物感興趣的人，而不是那些追求科學(xué)突破的人。

Facebook 的 LeCun 則以另一種方式表達了同樣觀(guān)點(diǎn)：「你即使不領(lǐng)導知識的先鋒，也可以做得很好?！?/span>

但亞馬遜也在跟隨 Facebook 和谷歌的領(lǐng)導，培訓其員工在人工智能方面更加熟稔。它開(kāi)設了關(guān)于機器學(xué)習策略的內部課程，主辦了一系列內部專(zhuān)家的講座。從 2013 年開(kāi)始，該公司每年春天都會(huì )在其總部舉辦一場(chǎng)內部機器學(xué)習會(huì )議，這是一種亞馬遜內部版的 NIPS，NIPS 是最重要的學(xué)術(shù)機器學(xué)習平臺。

「剛開(kāi)始的時(shí)候，亞馬遜的機器學(xué)習會(huì )議只有幾百人，而現在已經(jīng)有成千上萬(wàn)的人了，」Herbrich 說(shuō)。

「我們在西雅圖最大的會(huì )議室容量也不夠，所以我們把在那里舉辦，然后在園區里的其他 6 個(gè)會(huì )議室直播?！箒嗰R遜的一名高管說(shuō)，如果它變得更大，而不是把它稱(chēng)為一個(gè)亞馬遜的機器學(xué)習活動(dòng)，而可以被稱(chēng)為亞馬遜本身了。

Herbrich 的團隊繼續將機器學(xué)習推進(jìn)到公司的一切新業(yè)務(wù)。

例如，執行團隊想要更好地預測在某一客戶(hù)的訂單中應該選取 8 個(gè)可選盒子尺寸中的哪一個(gè)時(shí)，他們求助于 Herbrich 的團隊。

「那個(gè)實(shí)現團隊不需要有自己的科學(xué)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(shuō)。

在另一個(gè)例子中，David Limp 指出了亞馬遜對有多少客戶(hù)可能會(huì )購買(mǎi)新產(chǎn)品的預測方法的轉變?！肝乙呀?jīng)在消費電子產(chǎn)品領(lǐng)域工作了 30 年，其中有 25 年的預測都是用（人類(lèi)的）判斷、電子表格和一些魔術(shù)球和飛鏢做的?！顾f(shuō)，「自從我們開(kāi)始用機器學(xué)習來(lái)進(jìn)行預測，我們的錯誤率明顯地下降了?！?/span>

不過(guò)，有時(shí)候 Herbrich 的團隊還是會(huì )將尖端科學(xué)應用到一個(gè)問(wèn)題上。

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

「三年后，我們到達了一個(gè)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(jìn)步會(huì )滲透到整個(gè)亞馬遜生態(tài)系統中。

以 Amazon Go 為例，這是一家位于其總部大樓內剛剛開(kāi)始向公眾開(kāi)放的、以深度學(xué)習為動(dòng)力的無(wú)人收銀雜貨店?！缸鳛?AWS 的客戶(hù)，我們受益于它的規模，」Amazon Go 的技術(shù)副總裁 Dilip Kumar 說(shuō)，「但 AWS 也同樣是個(gè)受益者?！?/span>

他舉了 Amazon Go 獨特的流媒體數據系統的例子，該系統通過(guò)數百臺攝像機記錄顧客的購物活動(dòng)。他的團隊所策劃的創(chuàng )新幫助影響了一項稱(chēng)為「Kinesis」的 AWS 服務(wù)，該服務(wù)讓用戶(hù)將視頻從多個(gè)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(lái)進(jìn)一步推進(jìn)他們的機器學(xué)習。

即使亞馬遜的某項服務(wù)尚未使用公司的機器學(xué)習平臺，它也可以成為這個(gè)過(guò)程的積極參與者。

亞馬遜的 Prime Air 無(wú)人機送貨服務(wù)仍處于原型階段，它必須單獨構建人工智能，因為無(wú)人機無(wú)法依靠云端來(lái)計算。但它仍能從飛輪上獲得巨大的收益，無(wú)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(gè)菜單——每個(gè)人都在分享他們能提供的菜肴，」Prime Air 副總裁 Gur Kimchi 說(shuō)。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(wèn)題無(wú)疑是對亞馬遜的其他團隊來(lái)說(shuō)有用的?！?/span>

事實(shí)上，這似乎已經(jīng)發(fā)生了。

「如果有人在公司的某個(gè)部門(mén)（比如 Prime Air 或 Amazon Go）看一幅圖片，他們學(xué)到了一些東西，并創(chuàng )造出一種算法，他們就會(huì )和公司里的其他人討論這個(gè)問(wèn)題。于是，我的團隊中的某個(gè)人也可以使用它，比如說(shuō)，弄清楚一個(gè)在在執行中心移動(dòng)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(xué)家 Beth Marcus 說(shuō)。

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

亞馬遜正為這個(gè)問(wèn)題提供一個(gè)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) 的首席執行官 Oren Etzioni 說(shuō)，「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?！?/span>

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

「 Alexa，亞馬遜在人工智能領(lǐng)域現在做得怎么樣？」

回答么？就是 Jeff Bezos 尖尖的笑聲了。