至顶网软件频道消息: 借着亚马逊Prime Day,让我们来看看这家公司的内部运作方式,这种方式正在推动着亚马逊的创新发展,不仅仅是亚马逊会员,还有很多其他前沿的管理策略。
这家为各种客户体验奠定基调的零售巨头,正在打破内部障碍,并向我们展示了其他公司如何做到这一点。作为客户体验创新的领导者,亚马逊围绕人工智能和机器学习进行重塑,将公司提升到了一个新的水平。
亚马逊的“飞轮”人工智能管理策略
亚马逊把自己的人工智能方法称为飞轮。在工程上讲,飞轮是一种看似简单的工具,可以有效地保存旋转的能量,在机器不工作时以恒定水平存储能量从而运转。飞轮不浪费能量打开再关闭,而是保持能量不变,并传递到机器的其他部分。
在亚马逊,这种名为飞轮的方法保持着人工智能创新的活力,鼓励将能量和知识传播到公司的其他领域。亚马逊的飞轮方法,意味着在某个领域利用机器学习取得的创新,进一步推动了其他团队。这些团队使用机器学习技术来驱动他们的产品,从而影响整个组织的创新。从本质上讲,在亚马逊某个领域所打造的,成为了其他领域发展人工智能和机器学习的催化剂。人工智能对亚马逊来说并不陌生,亚马逊是最早使用人工智能推动产品推荐的公司之一。随着人工智能和机器学习的发展,飞轮方法已经成为亚马逊业务扩展的基石——这也是亚马逊一年一度峰会的核心,旨在将各个部门组织连接在一起。特别是在当下,这一点尤为突出,因为很多企业在以孤岛的方式尝试人工智能,而没有将其整合到公司这个整体中。
在亚马逊,人工智能无处不在
人工智能并不是存在于亚马逊的某个办公室内,而是遍布所有部门。产品推荐团队使用机器学习技术来改进产品预测,在整个公司上下分享这些见解。人工智能和机器学习为亚马逊三个主要产品提供支持:Alexa、Amazon Go Store和亚马逊推荐引擎。
内置人工智能机器人Alexa的Amazon Echo,一直是亚马逊最受欢迎的机器学习之一。亚马逊从一开始就面临着一场艰难的战斗,特别是作为最早尝试开发一个可以放在桌面上的、语音驱动的虚拟助手的公司之一。一旦这项技术开始融合,亚马逊内的各个部门就会意识到Alexa可能对他们的产品有益。Alexa的一些主要技能是与Amazon Music、Prime Video以及亚马逊帐户的个性化产品推荐进行集成。现在,许多公司都获得了Alexa技能,例如Liberty Mutual和Capital one利用Alexa为客户的生活增添价值,前者是提供汽车保险信息,后者让客户可以通过亚马逊设备进行支付。
无收银员的Amazon Go商店还利用丰富的数据来追踪客户的购物趋势。来自客户智能手机摄像头的数据,可以追踪购物行为,不仅可以帮助Amazon Go,还可以与机器学习团队共享用于继续开发。
人工智能在亚马逊的推荐引擎中也发挥了重要作用(该引擎占亚马逊收入的35%)。亚马逊通过使用个人客户的偏好数据、购买数据、浏览历史记录、相关且定期购买的商品,可以创建客户实际想要购买的个性化产品列表。
用人工智能创造一致的客户体验
亚马逊这三大支柱业务的数据,构成了一致的客户体验。客户可以访问Amazon Go商店购买晚餐,用Alexa查找食谱,用产品推荐引擎确定客户可能需要购买某种类型的酱汁。不同部门之间不是相互斗争,而是分享他们的创新知识,以提供定制的、一致的客户体验。
从开始尝试人工智能和机器学习以来,亚马逊已经走过了一段漫长的道路。现在亚马逊通过AWS向包括美国国家航空航天局和美式橄榄球联盟在内的客户售卖其机器学习方法。利用在其他领域人工智能的改进和应用,亚马逊为大大小小的企业提供了个性化的人工智能解决方案。
在这么多公司被官僚主义和孤岛所笼罩的世界里,看到亚马逊打破隔离墙,鼓励整个组织的创新和发展,的确令人耳目一新。如果其他公司想要取得成功并保持走在新技术的最前沿,他们可能会考虑采用如飞轮这样的新组织方法。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。