137亿美元买下全食超市,亚马逊又增一处AI练兵场

图片描述

作者 | 胡永波

近日,媒体盛传亚马逊要花90亿美元收购商业聊天应用Slack,没想到能让亚马逊下重手却是生鲜超市——全食(Whole Foods),以137亿美元现金吞并后者所有资产,包括其债务。

比较讽刺的是,十年前亚马逊的生鲜业务上线时,全食超市创始人兼首席执行官John Mackey是这样讥讽的:“Amazon Fresh就是贝佐斯的滑铁卢。人们买生鲜的地方是在便利店,而非亚马逊的仓储中心与货运卡车。”

可惜贝佐斯并不这么看:“人们十次尝试中不免会失败九次,但终归有一次能取得成功,而且是巨大的成功。即便成功的几率仅有10%,人们每次也都应当全力以赴,奋力拼搏。”

图片描述

今天,在其步履艰难的生鲜业务上,贝佐斯终于如愿以偿——406家门店,遍布北美和英国的分发网络,让亚马逊现有的服务可以深度整合进人们在线下的购物体验:在线购买、Prime会员服务、Alexa语音交互、AmazonGo“自动结帐超市”,等等。

正如《华尔街日报》金融记者Dennis K. Berman在Twitter上的评论:亚马逊137亿美元买下的,不仅仅是全食的生鲜生意,更重要的是为其所有业务买下了全美431处最优质地段的分发点。

图片描述

但媒体报道鲜有提及的是,拥有并维护生鲜运输物流所产生的大量数据,以及销售环节的大量用户数据,必将成为亚马逊在AI领域的一处新练兵场。毕竟,亚马逊拥有数千名专注于AI的工程师,他们工作内容的核心就是如何让配送中心的运作更高效,如何开发出更先进的AI模型,比如预测未来十年的零售业产品销售。

只有亚马逊这样既有专业知识又能取得相关数据的公司才能成规模地部署这样的模型:追踪并分析消费者在门店和亚马逊网站的消费行为,用机器学习和Alexa语音助手来做个性化推荐、需求预测与实时价格优化……等等。

虽说Alexa会误下订单,但它很少会像全食超市那样以64.99美元的价格来卖那个听过NPR广播的石榴,或以84.99美元的价格来卖那条会做瑜伽的罗非鱼。Alexa只会帮助亚马逊最大限度地卖出更多商品。
图片描述

并购消息一经公布,亚马逊股价便上涨3.3%,一直zh致力于打造线上商店的沃尔玛则下跌5%。其中最惨的是老牌杂货巨头Kroger,继昨天利润低于华尔街现预期暴跌20%后,今天的亚马逊并购又让它下跌了13%。在市值蒸发三分之一后,Kroger能不能扛过这轮由AI主导的新零售革命,将是一个很大的未知数。

对于被收购后的全食超市,人们最好奇的肯定是它的门店,以后会不会像AmazonGo那样无人值守?而它两个月前被迫放弃的1200家门店扩张计划,到财大气粗的亚马逊手里会不会重新被提上日程?

参考来源:
http://www.businesswire.com/news/home/20170616005338/en/
https://www.geekwire.com/2017/amazon-just-acquired-training-ground-retail-artificial-intelligence-research/
http://www.valuewalk.com/2017/06/deep-learning-ai-amazon/
https://www.bloomberg.com/news/articles/2017-06-16/bezos-s-grocery-waterloo-is-now-his-biggest-opportunity
图片描述

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值