美國亞馬遜公司Amazon Go 人工智能便利店自2016年開設以來，使用AI2.0技術平臺的系統(tǒng)歷經(jīng)近一年多的時間閉門設置基礎的標本數(shù)據(jù)后，于2018年1月22日正式對外開放營業(yè)。
經(jīng)過實際市場的考驗，最近獲得了不錯的成績單：坪效已經(jīng)超過傳統(tǒng)便利店之王7-11，月銷額也遠遠超過標準7-11單店的60多元萬人民幣，信心滿滿的亞馬遜總裁貝索斯決定全部AI技術自用絕不向外泄露絲毫并在2年內快速開設3000間店面，除目前美國開出的10間外，最近還在英國倫敦選擇開始Amazon Go人工智能便利店的第十一間分店。
屆時3000間新便利店店開始營業(yè)后，將為亞馬遜公司帶來300多億元人民幣的新一條現(xiàn)金牛外，還有源源不斷的大數(shù)據(jù)流入亞馬遜公司。但是，其Amazon Go人工智能便利店的單店投入/平方比過高也給競爭對手留出了一線機會，對競爭者來說用更新更強的AI技術來跨越亞馬遜的護城河是唯一的選擇，下面就讓我們來逐條梳理一下，看如何超越Amazon Go人工智能便利店：
這里先上2張分析圖，就是Amazon Go人工智能便利店回歸到商業(yè)本質的核心，應用先進AI系統(tǒng)來盡可能地提高商品流轉率 -
反觀國內公司就存在明顯的缺陷，就是無法平衡高額的單店設備成本的投入與服務品質（含商品流轉率、日常維護的便捷性和最終客戶流暢的購物體驗等）之間的平衡，首先會導致核心商業(yè)價值鏈的斷裂而導致新便利店無法造血。
未完待續(xù)。。。
| 附件下載區(qū)： 鼠標左鍵單擊文件進行下載
附件： |
Q：什么是AI2.0？
A：AI2.0是2019年圖靈獎得主Hinton教授提出并催生了兩萬億級（以特斯拉的自動駕駛和亞馬遜的AmazonGo人工智能便利店為代表）世界市場的基石。在AI2.0獲得世人承認的同時也遭到了來自人工智能業(yè)界的反對之聲，主要集中在商業(yè)落地成本和工程效率兩點，這里轉載的這篇特稿是以AI2.0不是實現(xiàn)類人智能為基調展開的-
這是PNAS的一篇特稿，描述了深度學習的多種局限，包括易受對抗攻擊、應用不穩(wěn)定、缺乏可解釋性等。最終結論是，深度學習不是實現(xiàn)類人智能的途徑。
“對抗攻擊”(adversarial attack)的例子是由Google Brain的深度學習研究人員發(fā)現(xiàn)的。(視頻鏈接)
AI能將一根香蕉照片識別成一臺烤面包機，盡管AI在訓練階段可能被展示了數(shù)千張香蕉、蛞蝓、蝸牛以及其他類似物體的照片，就像抽認卡一般，讓AI反復練習，直到完全掌握分類為止。
但是，即便是成千上萬次訓練，這個先進的系統(tǒng)也很容易被搞糊涂——只需要將一張小小的貼紙放到圖像的某個角落，就會改變識別結果。
缺乏可解釋性是另一個突出的問題，一旦深度學習系統(tǒng)被訓練完，它是如何做出決定的就不總是那么清楚了。MIT- IBM 沃森人工智能實驗室負責人、計算神經(jīng)學家David Cox說：“在很多情況下，不透明問題是不可接受的，即使它得到了正確的答案�！�
假設一家銀行使用AI來評估你的信用等級，然后拒絕給你貸款，并且說不清楚拒絕的原因，你會覺得合理嗎？
AI的這些弱點越來越多地引起人們的擔憂，尤其是自動駕駛方面。自動駕駛汽車使用類似的深度學習系統(tǒng)進行導航，已經(jīng)出現(xiàn)了幾起廣為人知的死亡事故。
聯(lián)結主義人工智能(connectionist AI），即今天的深度學習系統(tǒng)的前身。
這類系統(tǒng)的想法是通過一個模擬節(jié)點的網(wǎng)絡來處理信號，這個網(wǎng)絡類似于人類大腦中的神經(jīng)元。信號通過連接或鏈路從一個節(jié)點傳遞到另一個節(jié)點：類似于神經(jīng)元之間的突觸連接。而學習，就像在真實的大腦中一樣，是一個調整“權重”問題，這個“權重”會放大或減弱每個連接所攜帶的信號。
在實踐中，大多數(shù)網(wǎng)絡將節(jié)點排列成一系列的層，大致類似于大腦皮層中的不同處理中心。因此，比如說，一個專門用于圖像識別的網(wǎng)絡會有一個輸入節(jié)點的層，它對單個像素做出響應，就像桿狀細胞和錐體細胞對照進視網(wǎng)膜的光線做出響應一樣。一旦被激活，這些節(jié)點通過加權連接將其激活級別傳播到下一級別的其他節(jié)點，這些節(jié)點組合輸入信號并依次激活(或不激活)。
個過程一直持續(xù)到信號到達節(jié)點的輸出層，其中的激活模式提供一個答案——一個斷言，例如輸入圖像是數(shù)字“9”。如果答案錯誤了——假設輸入的圖像是“0”——那么“反向傳播”算法就會沿著層反向運行，調整權重，以便下次得到更好的結果。
直到2000年，隨著計算能力以數(shù)量級增大的計算機的出現(xiàn)，以及社交媒體網(wǎng)站提供大量圖像、聲音和其他訓練數(shù)據(jù)，這種理解才開始得到發(fā)展。
首先抓住這波機會的是Hinton，他是反向傳播算法的提出者之一，也是20世紀80年代聯(lián)結主義的主導者。到2005年左右，他和他的學生們訓練的網(wǎng)絡不僅比以前的要大得多，而且深得多，層數(shù)從一層或兩層增加到了大約六層。(如今的商業(yè)網(wǎng)絡經(jīng)常多達100層以上)
強化學習深度神經(jīng)網(wǎng)絡的首次成功實現(xiàn)是在2015年，當時DeepMind的一個團隊訓練了一個網(wǎng)絡玩經(jīng)典雅達利2600街機游戲。
網(wǎng)絡在游戲過程中接收屏幕圖像作為輸入，在輸出端是制定操作指令的層，比如如何移動操作桿。在這個游戲中，神經(jīng)網(wǎng)絡的表現(xiàn)與人類玩家相當，或超過了人類玩家。
然后在2016年，DeepMind的研究人員在AlphaGo中應用了同樣方法的更精細版本，掌握了復雜的圍棋游戲，并打敗了人類圍棋世界冠軍李世石。
