美国亚马逊公司Amazon Go 人工智能便利店自2016年开设以来，使用AI2.0技术平台的系统历经近一年多的时间闭门设置基础的标本数据后，于2018年1月22日正式对外开放营业。
经过实际市场的考验，最近获得了不错的成绩单：坪效已经超过传统便利店之王7-11，月销额也远远超过标准7-11单店的60多元万人民币，信心满满的亚马逊总裁贝索斯决定全部AI技术自用绝不向外泄露丝毫并在2年内快速开设3000间店面，除目前美国开出的10间外，最近还在英国伦敦选择开始Amazon Go人工智能便利店的第十一间分店。
届时3000间新便利店店开始营业后，将为亚马逊公司带来300多亿元人民币的新一条现金牛外，还有源源不断的大数据流入亚马逊公司。但是，其Amazon Go人工智能便利店的单店投入/平方比过高也给竞争对手留出了一线机会，对竞争者来说用更新更强的AI技术来跨越亚马逊的护城河是唯一的选择，下面就让我们来逐条梳理一下，看如何超越Amazon Go人工智能便利店：
这里先上2张分析图，就是Amazon Go人工智能便利店回归到商业本质的核心，应用先进AI系统来尽可能地提高商品流转率 -
反观国内公司就存在明显的缺陷，就是无法平衡高额的单店设备成本的投入与服务品质（含商品流转率、日常维护的便捷性和最终客户流畅的购物体验等）之间的平衡，首先会导致核心商业价值链的断裂而导致新便利店无法造血。
未完待续。。。
| 附件下载区： 鼠标左键单击文件进行下载
附件： |
Q：什么是AI2.0？
A：AI2.0是2019年图灵奖得主Hinton教授提出并催生了两万亿级（以特斯拉的自动驾驶和亚马逊的AmazonGo人工智能便利店为代表）世界市场的基石。在AI2.0获得世人承认的同时也遭到了来自人工智能业界的反对之声，主要集中在商业落地成本和工程效率两点，这里转载的这篇特稿是以AI2.0不是实现类人智能为基调展开的-
这是PNAS的一篇特稿，描述了深度学习的多种局限，包括易受对抗攻击、应用不稳定、缺乏可解释性等。最终结论是，深度学习不是实现类人智能的途径。
“对抗攻击”(adversarial attack)的例子是由Google Brain的深度学习研究人员发现的。(视频链接)
AI能将一根香蕉照片识别成一台烤面包机，尽管AI在训练阶段可能被展示了数千张香蕉、蛞蝓、蜗牛以及其他类似物体的照片，就像抽认卡一般，让AI反复练习，直到完全掌握分类为止。
但是，即便是成千上万次训练，这个先进的系统也很容易被搞糊涂——只需要将一张小小的贴纸放到图像的某个角落，就会改变识别结果。
缺乏可解释性是另一个突出的问题，一旦深度学习系统被训练完，它是如何做出决定的就不总是那么清楚了。MIT- IBM 沃森人工智能实验室负责人、计算神经学家David Cox说：“在很多情况下，不透明问题是不可接受的，即使它得到了正确的答案。”
假设一家银行使用AI来评估你的信用等级，然后拒绝给你贷款，并且说不清楚拒绝的原因，你会觉得合理吗？
AI的这些弱点越来越多地引起人们的担忧，尤其是自动驾驶方面。自动驾驶汽车使用类似的深度学习系统进行导航，已经出现了几起广为人知的死亡事故。
联结主义人工智能(connectionist AI），即今天的深度学习系统的前身。
这类系统的想法是通过一个模拟节点的网络来处理信号，这个网络类似于人类大脑中的神经元。信号通过连接或链路从一个节点传递到另一个节点：类似于神经元之间的突触连接。而学习，就像在真实的大脑中一样，是一个调整“权重”问题，这个“权重”会放大或减弱每个连接所携带的信号。
在实践中，大多数网络将节点排列成一系列的层，大致类似于大脑皮层中的不同处理中心。因此，比如说，一个专门用于图像识别的网络会有一个输入节点的层，它对单个像素做出响应，就像杆状细胞和锥体细胞对照进视网膜的光线做出响应一样。一旦被激活，这些节点通过加权连接将其激活级别传播到下一级别的其他节点，这些节点组合输入信号并依次激活(或不激活)。
个过程一直持续到信号到达节点的输出层，其中的激活模式提供一个答案——一个断言，例如输入图像是数字“9”。如果答案错误了——假设输入的图像是“0”——那么“反向传播”算法就会沿着层反向运行，调整权重，以便下次得到更好的结果。
直到2000年，随着计算能力以数量级增大的计算机的出现，以及社交媒体网站提供大量图像、声音和其他训练数据，这种理解才开始得到发展。
首先抓住这波机会的是Hinton，他是反向传播算法的提出者之一，也是20世纪80年代联结主义的主导者。到2005年左右，他和他的学生们训练的网络不仅比以前的要大得多，而且深得多，层数从一层或两层增加到了大约六层。(如今的商业网络经常多达100层以上)
强化学习深度神经网络的首次成功实现是在2015年，当时DeepMind的一个团队训练了一个网络玩经典雅达利2600街机游戏。
网络在游戏过程中接收屏幕图像作为输入，在输出端是制定操作指令的层，比如如何移动操作杆。在这个游戏中，神经网络的表现与人类玩家相当，或超过了人类玩家。
然后在2016年，DeepMind的研究人员在AlphaGo中应用了同样方法的更精细版本，掌握了复杂的围棋游戏，并打败了人类围棋世界冠军李世石。
