Amazon Jeff Bezos on Deep Learning Artificial Intelligence AI machine learning

ifanr

本文發佈於機器之能（微信公眾號：almosthuman2017），編譯： Nurhachu Null 、侯韻楚、Edison，來源：連線。

2014年初，Srikanth Thirumalai 見到了亞馬遜 CEO Jeff Bezos。Thirumalai 是一位電腦科學家，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合到部門產品中。

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

當時，Bezos 正依靠左右手們，將亞馬遜轉型為一家人工智慧「發電室」。公司很早就將人工智慧技術，用於產品推薦。不過近年來，這個領域正在發生一場變革，機器學習變得越來越有效，尤其是深度學習。深度學習在電腦視覺、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，Facebook，Apple 和 Microsoft 等公司都壓下巨額賭注。

亞馬遜正在落後。「我們和每個團隊的負責人聊，基本上就是問怎麼將人工智慧技術應用在自身的業務中？」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，完全重構現在這套精心維護了 20 年的系統，太冒險。更何況，機器學習表現最佳的領域（比如圖像辨識）和自己的領域（推薦系統）並沒啥關係。

「還沒人將深度學習技術應用在推薦中，並取得了比我們好很多的而結果。」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工作方式。但這就需要一些技術，但自己團隊並沒有掌握這些技術，連工具都沒有，甚至還沒人想出算法。

Bezos 卻喜歡這樣（儘管他那招牌式的笑聲並不能清楚表明，他歡迎這種做法）。於是，Thirumalai 重寫了遍新聞稿，繼續工作去了。

（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務。

有些建議涉及到反思既有業務，比如公司的機器人、數據中心業務和亞馬遜雲。有的意味著創造全新業務，例如語音智能家居產品，後來落地成 Echo。

但結果的影響力遠遠超過了單個業務項目。Thirumalai 說，原來開會時，公司的 AI 人才都被分割開了。「雖然也會討論、交談，但不會分享大量技術和神器，因為經驗教訓這些東西很難直接發揮作用，」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」他們所採用的技術，但大家開始了跨項目協作。

公司內部科學家負責解決重大問題，並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，公司過去要求創新必須完全基於更好地為客戶服務的語境中。

亞馬遜龐大帝國運轉起來，就像一台永動機。這是如何做到的？亞馬遜喜歡用「飛輪（flywheel）」這個詞作答。基於機器學習的創新，會為其他業務團隊提供動力；這些團隊通過打造產品和服務，對其他團隊產生影響，甚至對整個公司產生影響。

將公司的機器學習平台，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，甚至能收集更多數據進一步提升技術。

將亞馬遜從一家深度學習死忠粉公司，轉型成一家「發電室」，需要很多這樣的「六頁提案」人。整個公司，都可以看到這一轉型效果，包括運行在新的機器學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麼、將什麼商品加入購物清單，以及今晚可能想看什麼電影。

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

「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。」華盛頓大學但腦科學的教授 Pedro Domingos 說，「但他們一直在積極地成長。正成為一支勁旅。」

或許。

Alexa 效應

公司的旗艦人工智慧產品是：Echo，以及背後的驅動系統——Alexa 語音平台。其實，這些項目也源於一份 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到主要技術團隊，幫助打造全新的產品。

「一款低功耗普適電腦，大腦在雲端，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裡才有的產品，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，只有極少數願意為亞馬遜工作。

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。」Lindsay 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台時，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。」

Domingos 說。

公司對客戶不懈關注，以及自身的鬥士文化，與對待學術人才的態度不一致。「在 Google 你是被寵愛的，而在亞馬遜，你的計算機則擺在衣櫃上。」他說。

更糟糕的是，當時亞馬遜還因公司創新崗位，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 人的禮堂裡做報告，LeCun 回憶道，然後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，就在於後者願意開源大部分 AI 研究工作。

由於當時公司內部沒有相關人才，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。」Limp 說。

2011 年年 9 月，它收購了 Yap，這是一家專攻語音文本轉換的公司。2012 年年 1 月收購了英國劍橋的 Evi，這家公司軟體可以像 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，亞馬遜雲深度學習，和人工智慧部門負責人 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容。最終 Smola 選擇了卡耐基梅隆大學的一個實驗室。

（在 Alexa 總監 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 Echo 系列智慧音響，還試圖研發出能夠與其他公司產品相容的語音服務。）

「即使到產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：『我憑什麼要在亞馬遜工作？我又不想向顧客銷售產品！』」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品倒推，那麼，產品藍圖可能會包含某些尚未發明的功能。「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，聽取並譯解指令，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 中的一位知名語音辨識科學家）的注意。（這個項目使亞馬遜同意他在家鄉，建立了自己的團隊。）

他認為，亞馬遜專業化的缺乏是一種特色而非缺陷。「這個領域充滿希望。谷歌和微軟已經在語音方面，研究了很多年，而在亞馬遜，我們可以從頭開始，抓住並解決所有難題。」

自從 2013 年加入亞馬遜以來，他就被委派到了 Alexa 項目中。「這個設備以硬體的形式存在，但在語音領域屬於早期技術。」他說。

Echo 最棘手的部分便是遠場語音辨識，這個問題迫使亞馬遜開創了新局面，並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，甚至能夠譯解被環境噪聲，或其他細聲碎語干擾的語音指令。

而具有挑戰性的一個因素，便是設備在辨識指令時，不能有延時，它必須極快地將音頻，發送至雲端而後產生答案，使彼此之間像在進行對話，而不像處於某些「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，能夠理解並回應對話式查詢指令的系統，則需要大量的數據，即許多人們可能與 Echo 進行的不同類互動的例子。至於亞馬遜可能會從何處得到數據，目前還不可知。

（如今許多亞馬遜設備和第三方產品，都在使用 Alexa 語音服務。而透過 Alexa 所收集的數據則有助於改良系統，並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，遠端技術早已完成，但「它建立在 Trident 潛艇的鼻錐體上，並且花費了十億美元。」亞馬遜試圖讓技術，落地在一款可以放置在廚房櫃台上的設備中，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麼，但是他們說『不管做什麼工作都不要繞過語音辨識！』。」Prasad 說。

Prasad 的經歷，使他堅信這能夠做到。但亞馬遜並未提供一個，能將機器學習用於產品開發的可靠系統。

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

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

「一旦我們將 Echo 開發為遠場語音辨識設備，便有機會做的更多，即將 Alexa 的範圍擴展到語音服務當中。」Alexa 的資深首席科學家 Spyros Matsoukas 說道。

這位科學家在 Raytheon BBN 公司，並與 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目，和被攔截的電話內容，來提升語音辨識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者，創建屬於自己的語音技術，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 得以轉變，成為增強亞馬遜公司範圍內AI 文化的有生力量。）

透過將 Alexa 應用於的 Echo 設備之外，公司的人工智慧文化開始融合。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。

「儘管我們在項目負責制方面非常強，所有這些數據和技術，還是要結合在一起。」Prasad 說。

首先，亞馬遜的其他產品，開始整合到 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，來自亞馬遜購物網站的，你的個人推薦和其他服務。

隨後，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 的產品，比如 Fire TV、語音購物、Amazon fresh 的 Dash Wand，以及最終的 AWS。」Lindsay 說。

亞馬遜內部的人工智慧小島，正在逐漸聚集成洲。

一旦數百萬用戶（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 驅動的設備，該公司轉型的另一個關鍵部分就開始了。

亞馬遜開始累積大量的數據，這可能是所有對話驅動設備中，最大的交互集合。這些數據成為潛在僱員的有力誘餌。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，而且是真正的數據，對於改善一切——尤其是底層平台——是如此重要。」去年加入亞馬遜的一位 Alexa 機器學習副總裁 Ravi Jain 說。

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

飛輪正開始旋轉。

一個更具智慧的雲端

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 數據庫及分析業務的 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。

他總結道，將這些工具與亞馬遜的雲服務相結合，可能會產生巨大的價值。他使機器學習算法在雲端易於運行後，認為公司可能會進入潛在需求所組成的脈絡。

「我們每月能夠為數百萬開發者提供服務，其中大多數都沒有機器學習背景，而不是麻省理工學院的教授。」他說道。

（Swami Sivasubramanian 作為亞馬遜雲 AI 業務的副總裁，是首批認識到，將 AI 工具整合到公司雲服務中，會帶來商業影響的人之一。）

之後 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願景。

從某種意義上而言，向數萬亞馬遜的雲客戶，提供機器學習是不可避免的。

「當我們首次將 AWS 的初始商業計劃整合到一起時，其任務便是，採用只有少數資金雄厚的組織，才能實現的技術，並使其分布盡量廣泛。我們在計算、儲存、分析與數據庫方面取得了成功，並且正利用機器學習，採取了完全相同的方法。」AWS 的機器學習經理 Wood 說道。

而能夠吸取公司在其他方面所累積的經驗，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，能夠建立私人臉部目錄；Zillow 用來估算房價，Pinterest 則用於虛擬搜索，並且有幾家自動駕駛的新創公司，正應用 AWS 的機器學習，透過數百萬英里的模擬道路測試，來改進產品。

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 的創新。

這些產品幫助 AWS 的客戶們建立自己的迷你 Alexa，從 Pinterest 和 Netflix 等巨頭，到小型新創公司，都可以輕鬆完成。

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，這個團隊試圖實現谷歌、Facebook 和蘋果的照片產品中，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，也是亞馬遜人工智慧飛輪的關鍵，因為諸如美國國家航空航天局（NASA）和美國國家足球球聯盟（NFL），這樣的來自各界的客戶，都在花錢讓他們的機器，從亞馬遜的數據中學習。

當這些公司能在 AWS 內部，建立他們的重要機器學習工具時，他們轉移到競爭對手的雲運算平台的可能性，就變得微乎其微了。（真是抱歉了，谷歌、微軟、或者 IBM）

看看 Infor，這是一家為企業客戶，創建業務應用程序的價值數十億美元的公司。最近，它發佈了一個名為 Coleman（以電影 Hidden Figures 裡 NASA 數學家的名字命名）的大規模新應用程序，它允許客戶僅透過對話界面，來自動化各種過程、分析公司表現，以及與數據進行交互。它並沒有從頭構建自己的程序，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，那麼我們為什麼要在這上面花時間呢？我們瞭解我們的客戶，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，也使其在策略上優於競爭對手，尤其是谷歌，該公司曾希望利用其機器學習的領導力，在雲計算領域趕上 AWS。

是的，谷歌可以在伺服器上，為客戶提供超快、機器學習優化的芯片，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，是因為錢就在那裡一樣，」DigitalGlobe 公司的 CTO Walter Scott 在談到他的公司為什麼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。」

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，這是一個複雜但超級易用的平台。

它的創造者之一正是 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 決定重返行業時，他想要幫助創建強大的工具，讓日常軟件開發人員能夠訪用上機器學習。所以他去了他認為能讓他產生最大影響力的地方。

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

當 Smola 告訴 Sivasubramanian，構建能夠將機器學習，傳播給數百萬人的工具，比發佈再多一篇論文更重要時，他得到了一個驚喜。

「你也可以發表你的論文！」Sivasubramanian 說。

是的，亞馬遜如今在允許其科學家發表文章方面更加自由。「這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品中，現在還為時過早。但是每一個做過的客戶都會發現自己在亞馬遜上投入良多。

此外，該平台非常複雜，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，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，讓他們能夠專注於更高級的算法任務，這將為他們節省大量的工作。

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

人工智慧無處不在

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

雖然在亞馬遜沒有人工智慧的中心辦公室，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，然後在 Facebook 工作了一年。

他說，在公司內部「有一個擁有這個社區的地方，是很重要的。」（當然，這支團隊的任務，歸納在了一份 Bezos 批准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成長的機器學習文化。由於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，總是傾向於那些對構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。」

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。它開設了關於機器學習策略的內部課程，主辦了一系列內部專家的講座。從 2013 年開始，該公司每年春天，都會在其總部舉辦一場內部機器學習會議，這是一種亞馬遜內部版的 NIPS，NIPS 是最重要的學術機器學習平台。

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

「我們在西雅圖最大的會議室容量也不夠，所以我們把在那裡舉辦，然後在園區裡的其他 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 的團隊繼續將機器學習推進到公司的一切新業務。

例如，執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，他們求助於 Herbrich 的團隊。

「那個實現團隊不需要有自己的科學團隊，但它需要這些算法，並且需要能夠很容易地使用它們。」他說。

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品的預測方法的轉變。「我已經在消費電子產品領域工作了 30 年，其中有 25 年的預測都是用（人類的）判斷、電子錶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。」

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 已經營運了 10 年，但它需要一種更好的方式，來評估水果和蔬菜的品質——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體和新的算法，為系統加入了觸摸和聞到食物的能力。

「三年後，我們到達了一個原型機階段，可以（比以前）更可靠地判斷品質」。

當然，這樣的進步會滲透到整個亞馬遜生態系統中。

以 Amazon Go 為例，這是一家位於其總部大樓內，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。「作為 AWS 的客戶，我們受益於它的規模，」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，流媒體數據系統的例子，該系統透過數百台攝影機，記錄顧客的購物活動。他的團隊所策劃的創新幫助影響了一項稱為「Kinesis」的 AWS 服務，該服務讓用戶，將影像從多個設備傳送到亞馬遜雲，在那裡他們可以處理、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台，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於原型階段，它必須單獨構建人工智能，因為無人機無法依靠雲端來計算。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，還是弄清楚使用什麼工具。

「我們認為這是一個菜單——每個人都在分享他們能提供的菜餚，」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。」

事實上，這似乎已經發生了。

「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，並創造出一種算法，他們就會和公司里的其他人討論這個問題。於是，我的團隊中的某個人也可以使用它，比如說，弄清楚一個在在執行中心移動的產品的圖像裡有什麼。」亞馬遜機器人（Amazon robotics）的首席科學家 Beth Marcus 說。