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
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。