据外媒(VentureBeat)报道,2016年亚马逊创下许多记录。连续第六个季度刷新收益记录(此前它以烧钱补贴不赚钱著称)。去年亚马逊的硬件设备也在不断增长,其中包括了智能家庭助理Amazon Echo和语音助理Alexa。此外,随亚马逊Prime高级会员服务亮相的一系列原创表演内容让亚马逊在娱乐市场上开始展现力量。
走过了2016年的成功之路,下面这些可能的举动能够让亚马逊在2017年更进一步。
1. 加强对物流的重视:每个季度亚马逊在送货上花费数十亿美元,随着公司配送业务扩展——从餐巾纸到电视无所不有,配送的成本也不断增加。过去的一年中,亚马逊一直在通过租赁卡车、飞机和船舶等方式节省运输成本,甚至有意发展自己的物流业务。亚马逊还测试了无人机送货,申请了飞艇仓库专利。可以期望,未来亚马逊将更多依靠自己的物流渠道来进行货物配送。
2. 加注人工智能和Alexa:得益于在早期发展Echo和Alexa,现在亚马逊在虚拟助理方面将苹果和谷歌都甩在了身后。Echo是一个语音控制的智能助理,可以回答用户提问,播放音乐还可以代理网购。随后谷歌也发布了自己的Google Assistant及其配套的Google Home设备,企图赶超对手。在谷歌强大的科技攻势面前,亚马逊能否守住领先优势呢?
亚马逊对Alexa十分重视,贝索斯最近透露有1000名员工致力于Alexa的开发,而且他们还在招人。
或许还可以期待亚马逊将Alexa授权给更多非亚马逊设备。最近其便与通用电气进行合作,允许后者在灯具中使用Alexa。
3. 反攻实体店零售:接下来的一年,亚马逊有可能线上线下双管齐下,拓展实体店业务。这在2016年底就表现出了迹象,亚马逊在西雅图开了第一家Amazon Go商店,主打实体零售和便捷支付。
Amazon Go是亚马逊提出来的新型概念超市。消费者进入超市时,使用手机在检测器上登记,然后就像逛一般超市那样选购物品,选完了直接拎回家。系统会在客人离开时显示他们的账单,然后自动扣款,免除了人工收银的过程。目前尚不清楚亚马逊是否会在在2017年开设更多家Amazon Go商店。西雅图这家算是初步尝试。
除了杂货超市,亚马逊还有意进军实体书店。亚马逊使用其网络销售的数据来挑选适合实体店销售的书,作为卖书起家的老牌电商,这显然是它的一大优势。而且处了书籍之外,亚马逊实体书店还提供Kindle等硬件设备销售。目前Amazon Books已经开设了四家,或许2017年会新增更多。
4. 更多原创内容:最近几个月亚马逊迅速展露内容狂魔的本色。它大量买入电影、电视节目和纪录片,同Netflix和苹果展开正面竞争。
亚马逊的大部分原创内容仅为付费会员和单独订阅视频内容的用户提供,每月费用为8.99美元。亚马逊CFO Brian Olsavsky表示,亚马逊计划在2016年下半年将原创内容数量增加两倍。我们有理由相信这个趋势也会延续到2017年。
5. 印度市场:去年亚马逊表示将继续在印度投资30亿美元来开发这一市场。其在印度这一地区的投资总额将达50亿美元。2016年亚马逊在印度上线了Prime会员服务,并希望复制这项业务在美国的成功。亚马逊还表示会将视频内容添加到印度Prime订阅选项,方便印度消费者访问更多印度本土原创内容。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。