本篇文章百科互动给大家谈谈亚马逊上涨1%，宣布推出亚马逊基岩和亚马逊泰坦两大语言模型，以及亚马逊河惊现泰坦巨蟒对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
本文目录：
- 1、亚马逊智能家居的“零触控”未来
- 2、亚马逊云科技技术有运用到AIGC上吗？
- 3、成就非洲电商强者的背后 亚马逊云科技有经验更有能力
- 4、微软 亚马逊 谷歌 苹果：广告营收刷新纪录 有哪些硬核支撑？
- 5、亚马逊的人工智能之路
亚马逊智能家居的“零触控”未来
【猎云网（微信号：）】7月8日报道 （编译：柠萌）
智能家居设备市场将迎来强劲增长。据IDC预计，到2019年，智能纯拆团家居设备出货量将同比增长26.9%，达到8.332亿部。到2023年，全球将有近16亿台设备投入使用。
亚马逊对此寄予厚望。Dashbot最近的一项调查显示，75%的受访者每天至少使用一次Alexa等语音助手，其中23%的人说他们用助手控制智能家居设备。在这一群体中，63%的人每天会多次使用家庭自动化助手。
因此，Alexa在控制灯泡、车库门开启器、智能锁和其他智能设备方面变得越来越熟练，或许也就不足为奇了。
为了更好地理解亚马逊在智能家居生态系统中与Alexa相关的工作，我们采访了Nathan Smith，他是为Alexa智能家居客户创建新功能的客户体验团队的负责人。下面是经过编辑的讨论记录。
Nathan Smith认为，智能家居目前正处于大规模应用和扩展的阶段。从传统意义上讲，它包含了更多技术领先的早期应用者，但我们已经超越了这一点。现在有超过60000种产品与7400个不同的制造商的Alexa合作，我们看到的一个趋势是Alexa正在使这些设备的控制越来越民主化。
今年最有意思的是一个新功能，它使用机器学习和人工智能来帮助Alexa，不仅能理解你所说的，而且理解你真正的意思，然后提供一个简单的用户体验。
Smith的团队致力于让Alexa更加人性化。如果你对Alexa下类似“嘿，Alexa，打开沙发灯”之类的指令，但实际上你想打开的灯被称为客厅灯，Alexa不确定你指的是哪个，她会友好地建议“你是说客厅灯吗？”
这项技术使人们在家里可以更随意地说话，并且超越了Alexa之前理解的严格的语法，它在许多不同的实际用例中都有帮助。一种是有类似发音的单词，另一种是混合字符，比如人们在自己的或在Alexa智能手机应用程序的设备名称中添加表情符号。它可以在不严格要求准确发音的情况下解析单词，甚至可以在多语言情况下提供帮助。如果你使用不同语言的混合名称，Alexa可以从中学习。
Smith的团队试图建立一个让Alexa可以更自然地理解你的世界，而不是训练人们用Alexa的语言说话。如果Alexa非常清楚你在说什么，就可以简单地执行预期的任务。
Alexa从去年12月底开始在美国推出这一功能，最近又将其扩展到加拿大、澳大利亚、英国和印度。就早期结果而言，当Alexa向客户提出建议时，在平均80-90%的时间里客户都会接受建议。
收集实际实况，并将它们吸收到语义和行为模型中，这些模型以一种非常人性化的方式向你学习——就像一个孩子问有关世界的问题的方式——支撑着Alexa的机器学习。我们的模型真正做的是根据设备状态和行为信号（比如哪些设备通常在什么时候打开）以及日期和时间等环境信号对信号进行分层。在生成建议时，模型会考虑上述所有因素。
我们还有很多工作要做。我们看到越来越多来自各行各业和不同技术背景的客户使用支持Alexa的智能家居设备，这是采用尖端技术并利用它帮助简化客户体验的第一步。
人工智能和机器学习是Alexa的核心，从语言处理和理解，到智能地将命令路由到正确的功能。做橘
功能方面，我们有Hunches，Alexa通过它从连接的传感器或设备中获取信息。当你说“Alexa，晚安”之类的命令时，它会检查你的车库灯是否还亮着，以及它们是否在一天中的那个时候通常是关着的，这就会通知响应御庆。Alexa会说类似这样的话“晚安。顺便说一句，我注意到你车库的灯开着。要不要我帮你把它们关掉？”并在智能家居常规的某些阶段给客户提供有用的反馈，而不需要他们去钻研一堆应用程序屏幕。
这些功能使用AWS支持的机器学习技术。我们在SageMaker平台上大规模运行这些实时功能，这使我们能够更快地迭代。
我们已经在这方面努力了很长一段时间了，最让我们兴奋的事情之一就是这种零触控设置的能力。去年，我们发布了Wi-Fi简易设置，它可以让你快速配置亚马逊的Wi-Fi设备，比如亚马逊Smart Plug。基本上，只要你插上电源，Alexa就会说：“嘿，我找到你的新设备了。”不需要其他设置。我们将同样的体验带到蓝牙低能耗灯泡上，比如飞利浦新推出的Hue产品，我们正在努力扩大这项技术的广泛应用。
至于如何进行设置之后的配置，去年年底，我们发布了几个功能，可以帮助你做一些其他的设置，通过语音获取环境信息，你可能需要与Alexa进行完全自然的交互。我们希望客户能够把他们的设备放在房间里，这样当他们在一组设备中提到一个设备时，Alexa就能做出正确响应。
这就是为什么我们在去年推出了一种对环境更加敏感的设置体验。如果你说“Alexa，把灯打开”，她就会用声音引导你，然后把灯打开。我们已经看到客户真正接受了这一点，因为它不会妨碍设备的控制。
我们认为它是不同模式（应用程序、语音和屏幕）之间的一个网格，因为每种模式都有不同的优势。当你想做一些不用手就能完成的事情时，语音很方便，但当你想安静地做一些事情时，语音就不太合适了。这就是我们依赖于基于屏幕的交互的地方。
我们真正感到兴奋的是确保，随着越来越多的不同客户开始使用Alexa，我们能够跟上他们的需求，而不是向后看，然后说：“好吧，我们如何向这些客户传授过去的模式？”相反，我们使用机器学习等技术来展望未来，并从中学习。
关键是使用的这项技术要适合问题的类型，无论是检查行为模式或试图用实况建立语义库，然后调优一个元模型，将那些个人信号考虑其中，产生一个有用的用户体验，而不是仅仅是做假设。
亚马逊云科技技术有运用到AIGC上吗？
近日ChatGPT的火爆出圈，再次引发了全球对人工智能技术发展的广泛关注。AIGC等AI服务能扰衫力强大的背后，离不开预训练大模型的支持，大模型就意味着更高庆李拦计算资源以及高效的平台进行训练和推理。作为全球最大的公有云供应商，亚马逊云科技于2017年在re:Invent全球大会上推出了全球首个用于机器学习的集成开发环境（IDE）Amazon SageMaker。近日，亚马逊云科技宣布与美国明星AI创企Hugging Face扩大合作，以加速构建生成式AI应用的大型誉胡语言模型和大型视觉模型的训练、微调和部署。
成就非洲电商强者的背后 亚马逊云科技有经验更有能力
非洲亚马逊上涨1%，宣布推出亚马逊基岩和亚马逊泰坦两大语言模型，作为一个基础设施相对落后的地区，其商业发展的速度也相对较缓，尤其是在推进移动支付、电子商务等领域的商业实践过程当中往往会遇到一系列的问题。诸如交易风险高、客户与供应商之间信任程度低、交易效率低、交易成本高、售货与物流等交易体验差等等。
对于商业市场和商业化创新来说，相对落后的市场和区域的确存在着众多的问题和极大的挑战，但问题和挑战的背后也蕴藏着巨大的商机和创新的可能。
Kilimall作为一家聚焦于非洲电子商务领域的企业，是首家进入非洲电商行业的中国企业，通过致力于成为数字非洲的赋能者，Kilimall在2017年就实现了100%的在线支付，并且还是目前非洲所有电商企业当中唯一一家实现100%在线支付的企业。
做非洲数字商业的使能者
从成立之初开始，Kilimall就将自身定位于非洲数字商业的使能者，看似宏伟远大的目标背后，Kilimall其实也有着自己内心的底气和不为人知的实践经历。
由于非洲的基础设施相对比较落后，因此在进行业务拓展的过程当中几乎没有任何第三方公司可以进行合作，所有遇到的关于支付以及物流等问题都需要自行解决。
经过八年的实践与创新，Kilimall当前80%的订单来自于移动App，在移动电商领域当中，Kilimall已经成为了中资企业在非洲的头部公司，并且已经跻身东非电商类排名领头羊的位置。在为非洲提供超过一万多个工作岗位的同时，Kilimall通过运用数字化系统有效实现了对业务、人员、组织、技术等多维度实现高效协同化管理，有效提升了企业的运转效率。
至于Kilimall为何要主动拥抱数字化应用，Kilimall创始人、CEO杨涛告诉笔者，在非洲市场当中，企业的交易风险非常高，中国客户与非洲客户之间的信任度非常低，如果没有一个可靠的中间平台提供服务，那么两者之间的付款和发货将会受阻。
同时，由于非洲的电商市场目前还并不是标准化的，整个市场的透明度很低，对于亚马逊上涨1%，宣布推出亚马逊基岩和亚马逊泰坦两大语言模型我们平时说的端到端服务也无法保证，这就使得不同角色之间的交易成本大大提高，此外，在销售、物流等不同环节的把控力搏岩型度也相对缺乏，这些都导致了实际消费者用户的体验感很差。
正是缘于上述这些阻碍非洲电商市场发展的困扰和问题，Kilimall充分认识到利用数字化技术和平台解决这些问题的重要性，在与亚马逊云 科技 所展开的深度合作当中，Kilimall则找到了推动自身业务进行数字化创新与实践的方向和途径。
与亚马逊云 科技 的双剑合璧
基于亚马逊云 科技基猜 全球化的云计算基础设施优势，Kilimall依靠亚马逊云 科技 稳定可靠的云服务平台逐渐开启了自身的数字化创新之路，在领先的AI与大数据服务加持之下，Kilimall每个订单的IT单位成本节约了30%以上。
通过使用Amazon Personalize服务，Kilimall的下单转化率提升了15%，由于非洲没有本地的生产能力，因此90%的商品需要贸易进口，其中80%则来自于中国的进口，杨涛告诉笔者，Kilimall作为一家中国背景的电商企业，在很多长尾品类、长尾SKU等方面都是自身发挥优势的地方，目前Kilimall的SKU数量已经超过了数百万，因此就需要依靠亚马逊云 科技 的Amazon Personalize服务来帮助Kilimall更加有效地实现精准推荐。
随着自身业务的快速增长，Kilimall在非洲市场当中的流量增长非常迅速，尤其是在一些商品促销活动的时间段当中，其增速则更加明显。亚马逊云 科技 所带来的Amazon EKS服务则帮助Kilimall能够适应自身的业务增长，同时有效降低成本和业务当中所遇到的风险问题枣兆。
杨涛指出，在非洲市场当中会经常面临库存断货的问题，由于当地没有本地化的商品生产能力，从中国进行运输整个过程和时间并不能够得到有效保证，因此对于Kilimall来说，是相当考验规划能力与商品的补货计划的，单纯的依靠人工经验肯定不行，Amazon Forecast有效帮助Kilimall实现了仓库补货计划，这使得Kilimall在大数据领域的体验感大大提升，同时未来还将会在数据分析等众多技术领域当中加大投入力度。
提到亚马逊云 科技 的数字化创新，笔者之前的很多文章当中都有提及，在面对越来越多中国企业对于出海数字化的应用需要过程中，亚马逊云 科技 从云厂商的角度从基础架构到广泛应用的服务类型进行深刻的客户需求洞察，从而满足出海企业实现数字化创新能力的需要。
详细来说，首先是基于全球化的业务运营，不可否认，当今出海企业客户对于云厂商的全球基础设施覆盖能力存在着非常大的需求，这点从亚马逊云 科技 自身的 探索 和落地过程中就不难发现。
其次，针对改善非洲用户的实际应用体验的维度当中，云计算厂商首先需要能够弹性应对大促等活动和应用场景下的业务流量，同时还需要能够具备快速的创新能力，这种能力需要包括合规、语言翻译、本地化、个性化推荐等等一系列的业务创新过程。
第三， 很多电商企业都希望通过尽可能地积累电商运营数据从而更加精细化地实现电商的运营，这就要求云计算厂商要能够针对各种资源和海量数据进行存储与分析，同时帮助企业获得数据的深刻洞察，进一步达到降本增效的目的。
这三点对于亚马逊云 科技 来说，在通过与Kilimall所开展的深度合作过程中均得到了深入的落地。依托于亚马逊云 科技 全球的基础架构优势，支持了Kilimall全球化的业务拓展，这其中Kilimall不仅仅需要支持非洲的终端用户，同时还需要针对中国的供应商进行支持，对于一些优势品类的商品Kilimall还希望能够扩展到中东等一些其亚马逊上涨1%，宣布推出亚马逊基岩和亚马逊泰坦两大语言模型他地区。亚马逊云 科技 依托自身覆盖全球26个区域、84个可用区，以及亚马逊云 科技 自己的骨干网络帮助Kilimall实现了上述诉求。
来自Kilimall的另一大主要诉求就是希望能够更加敏捷地应对业务流量的增长，从而更好地提升用户体验。亚马逊云 科技 通过现代化的应用设计进行了微服务改造，通过微服务的方式帮助到Kilimall在大促场景当中可以更好地应对流量的波峰波谷，同时能够以微服务的方式进行敏捷的扩展。
此外，通过微服务改造对软件更新实现了端到端流程的自动化能力提升，通过丰富的容器环境，Amazon EKS和Amazon ECS都帮助Kilimall实现了灵活扩展与自动化扩缩容，并且根据Kilimall自身的实际负载进行按需扩展，从而更加高效地应对业务流量的不断变化。
在应用AI技术能力的过程当中，亚马逊云 科技 同样赋能Kilimall实现AI能力的创新与实践。亚马逊云 科技 大中华区产品部技术专家团队总监王晓野告诉笔者，在亚马逊云 科技 的AI服务当中包括了很多偏向于技术归类的创新点，比如语音语义视觉、聊天机器人、文字处理等众多核心技术的SaaS化API，同时也包括了面向场景化应用的AI SaaS服务。
针对Kilimall的业务领域创新特点，通过应用Amazon Personalize来构建个性化系统，可以使得Kilimall在不需要提前具备机器学习专业知识的基础之上就能够根据实际的数据来实现模型训练，并且给出相应的推荐能力。
此外，在同一分析的理念之下，Amazon Athena也对自身的查询能力进行了扩展，客户可以通过联邦查询的方式不仅可以直接查询Amazon S3数据湖当中的数据，同时也可以直接查取到Amazon DynamoDB或Amazon Redshift数据仓库等不同分析引擎当中的海量数据，这对于像Kilimall这样的电商企业客户来说是日后持续进行精细化运营的坚实保障。
坚持助力中国企业出海的理念不变
王晓野向笔者强调指出，亚马逊云 科技 在与像Kilimall这样的中国企业合作的过程当中，真正从客户的实际业务出海诉求出发，将亚马逊云 科技 自身基于全球化思考和本地化运营的一系列创新优势与客户的实际业务进行深度融合，将数据的能力、AI的能力以及个性化推荐的能力等诸多维度内容渗透到客户业务场景当中，在满足合规性的基础之上帮助客户适应全球市场，挖掘全球商机。
的确，中国企业的出海过程需要创新，更需要助力，亚马逊云 科技 不只是在非洲市场持续助力中国企业的出海，在全球众多国家和地区当中我们都能够看到亚马逊云 科技 赋能企业实现出海数字化的实践。
囊括了全球基础设施能力在内的底层技术底座使得亚马逊云 科技 的运营团队和供应商团队能够形成合力，从而在企业出海的各个环节帮助客户、赋能客户的业务，通过将亚马逊云 科技 自身多年以来的技术经验与行业经验带给客户，从而有效帮助出海企业在网络、稳定性以及扩展性等诸多方面可以得到持续的创新。
此外，值得一提的是，在安全合规方面，亚马逊云 科技 一直以来都非常重视，虽然在本地化运营的过程当中安全合规的落地难度巨大，但是亚马逊云 科技 仍然持续将自身的实践经验与客户业务进行贴合，从产品能力到实践经验等方面利用Amazon Rekognition等服务主动识别违规内容，从而带给客户更加高效的安全合规检测能力。
不可否认，在全球数字化技术快速发展的今天，让业务实现全球化的布局与发展已经成为了越来越多中国企业正在寻求的发展轨迹，在推进业务全球化的过程当中，如何让企业的业务出海更加安全、更加高效、更加智慧，对于这些内容亚马逊云 科技 有经验，更有能力。
微软 亚马逊 谷歌 苹果：广告营收刷新纪录 有哪些硬核支撑？
过去的一年，大型 科技 公司面对不确定事件时，可谓韧性十足。
在新一季的财报中，美国四大 科技 巨头MAGA（微软、亚马逊、谷歌、苹果），甚至享受到了黑天鹅事件催生的红利，均表现出了强势增长的态势，刷新营收记录。
在漂亮业绩的推动下，MAGA股价几乎每天都在创新高。尤其是苹果市值皮尘已超过2万亿美元，缔造着另一个里程碑：该公司在标准普尔500指数中的权重达到6.7%，打破了“蓝巨人”IBM在35年前创下的记录，成为40年来对标普500指数影响最大的成分股。
那么，缘何MAGA业绩能够如此高歌猛进？什么在支撑爆发式增长？ 科技 巨头们吃到了哪些红利？未来全球 科技 又将呈现怎样的发展趋势？
微软：
季度营收首次突破四百亿 广告业务表现超行业预期
微软对外发布截至2020年12月31日的2021财年第二财季财报。数据显示，营收431亿美元，同比增长17%，高于分析师预期的402亿美元；净利润为155亿美元，同比增长33%。
从部门业绩来看，微软智能云业务部门在该财季营收总计146亿美元，其中包括Azure公共云、Windows Server、GitHub等服务器产品和企业服务，同比增长23%。
微软生产力和业务流程部门，包括Office、Dynamics和LinkedIn等，营收为133.5亿美元，同比增长13%。其中，LinkedIn、Dynamics 365分别取得23%、39%的收入同比增长。
个人计算部门，包括Windows、 游戏 、设备和搜索广告，营收为151.2亿美元的收入，同比增长了14%。
受益于企业数字化转型浪潮，云业务高速增长
韦德布什证券公司曾指出，微软80%-90%的估值来自Azure和其他一些核心服务。这其实间接反映出Azure对于微软股价的意义，也是投资市场对微软未来潜力的预期。
上个季度，Azure收入增长了48%。从Azure收入的同比增速上能够发现，企业云服务相关的IT费用在经历放缓后逐渐回升。这对于微软未来的表现，是一个较为积极的信号。
Forrester首席分析师Andrew Bartels表示：“微软一定程度上已经成为AWS的首选替代选择。”AWS的战略是“不惜一切代价实现增长，这意味着他们不像Azure那样用户友好，因此Azure被视为一个威胁较小的对手。”
广告业务表现超行业预期 客户们纷纷转投LinkedIn
微软广告业务的表现超出了行业的预期。微软表示，子公司LinkedIn的市场营销部门12月的广告收入突破25.8亿美金，同比超过23%，大幅超出微软之前对LinkedIn整体增长的预计。
在致分析者的电话会议中，微软表示：“LinkedIn的广告部门第四季度的营业收入创 历史 新高，占公司全年收入的1/3。LinkedIn广告部门同比去年，增长超过50%，这都归功于广告客户们的支持和信赖。”
广告客户们纷纷转投LinkedIn，主要由于LinkedIn明确地与政治问题划清界限的举动以及对于广告投放实操表现出来的专业性深得客户们的青睐。
微软的搜索广告业务，也显示出了复苏的迹象。广告业务是疫情早期落后的少数几个部门之一。在经历了前两个季度营收两位数百分比的同比下滑后，最近一顷衫个季度，搜索广告收入增长了2%。
展望未来十年 持续投资数字化能力
从某种角度看，2020年疫情造就了数字化转型的雀握腔拐点——疫情之前，多数企业对于数字化转型的态度只是“锦上添花”；疫情之后，数字化转型甚至成为企业生死的关键选择。
疫情加速了企业业务从线下向线上的转移，实现数字孪生的企业，能够提升抗脆弱性，并更能敏锐发掘商机实现弹性增长从而实现高成长性。因此，企业开始从早期的利润经济指标衡量走向了数字化指标衡量。
微软CEO萨提亚·纳德拉（Satya Nadella）就认为：“对 科技 的重视程度，会直接影响到企业本身的韧性，有效地建立自己的数字化能力是一家企业能否更快地从这次的疫情中恢复过来的关键，甚至会通过这次危机进行蜕变，变得更强大。”
亚马逊：
季度营收首次突破千亿 广告收入同步增长超50%
亚马逊发布截至2020年12月31日第四季度财报。财报显示，该季度净营收为1256亿美元，同比增长44%，这是亚马逊单季营收首次突破1000亿美元；净利润为72亿美元，同比增长121%。
在营收组成方面，AWS业务已经逐渐成为继电商业务后又一主要收入来源，该季度AWS净销售额已达127.42亿美元，相比去年同期的99.54亿美元增长28%。
电商业务始终是亚马逊较为稳固的基本盘。电商业务营收为664.51亿美元，同比增长46%；包括全食超市在内的实体店业务营收为40.22亿美元，同比下降8%；第三方卖家业务营收为273.27亿美元，同比增长57%。
包括广告收入在内的其他业务，营收为79.52亿美元，同比增长66%。
AWS扛起“飞轮效应”增长重担
对于亚马逊AWS，持续稳健的同比增长，已是足够积极的信号。亚马逊有望在既有的市场份额下产生长期稳定的现金流入。
受到经济疲软的影响，全球企业尤其是受到冲击较大的实体业都减少了IT相关费用，自然会对亚马逊AWS构成一定冲击，云业务增长处于放缓趋势。此外，由于亚马逊布局云服务具备先发优势，业务发展多年加上庞大的体量，使得增长出现自然的放缓。
数据显示，亚马逊AWS占据了31%的市场份额，领先于竞争对手微软、谷歌以及阿里云。而且，目前已经为Facebook，Netflix，Twitter，Disney和政府机构等客户提供服务。
发力广告业务 稳坐海外第三大广告平台
亚马逊本季度广告等其他收入达79.28亿美元，同比增长66%。亚马逊称，广告团队用了新的深度机器学习模型，广告ROI有所提升，商家参与度和广告预算也在持续快速恢复。
2020年，亚马逊对广告业务进行了加码，推出不少新的工具与产品，来吸引平台对广告主的吸引力。
赞助产品广告更新定位功能 ：产品定位，广告主可以按特定的ASIN或通用类别定位客户，并可以通过价格范围、品牌名称或星级评分对目标客户进一步细分；自动定位，允许卖家选择产品自动定位或关键词自动定位。
赞助品牌广告推出创意功能： 允许卖家发布视频内容；扩大赞助品牌的位置，包括产品详情页；自定义图片广告素材可在移动设备上使用；新增广告素材编辑功能；新的语言首选项允许品牌创建和管理多语言内容。
利用DSP Audience Builder创建受众： 亚马逊推出了一项名为DSP Audience Builder的自助式服务工具，卖家可以基于查看过产品的买家、购买过产品的买家、同类产品、产品搜索来设置广告受众范围，并向受众推送产品广告。
更多创意工具来建立品牌形象： 鼓励卖家在其平台上通过内容（例如赞助品牌广告中的视频、赞助品牌自定义形象、A+内容、亚马逊帖子、亚马逊OTT等）展示来讲述其品牌故事并建立品牌资产，同时引入和采用了“New-to-Brand”广告活动指标，来跟踪这些工作的影响。
衡量亚马逊外部流量有效性的新工具： Amazon Attribution的出现，使卖家首次能够对各个广告渠道的有效性进行分析，了解各个渠道广告对销售的影响；卖家还可以通过Amazon Attribution回顾各广告渠道表现，分析相关的亚马逊细分受众，来规划未来的营销策略。
谷歌：
营收同比增23% 将停止根据个人浏览记录投放广告
谷歌母公司Alphabet公布了截至2020年12月31日的第四季度。财报显示，Alphabet第四季度营收为569亿美元，同比增长23%，这比去年同期17%的增长率更强劲，表明谷歌广告业务在第二季度大幅放缓后正在迅速复苏；净利润152亿美元，同比增长42%。
具体来看，谷歌服务收入为529亿美元，与上年同期的432亿美元相比增长22%。
谷歌云收入为38亿美元，同比增长了46%，基本符合分析师的预期。
包括生命科学子公司Verely和自动驾驶 汽车 子公司Waymo在内的“其他押注”，收入1.96亿美元。
广告业务增长强劲 YouTube带动作用显著
谷歌广告业务是其主要收入来源，四季度广告业务贡献了超8成的收入：广告收入为462亿美元，高于上年同期的379.3亿美元；搜索相关业务收入增17.4%至319亿元；YouTube第四季度的广告业务增长也十分显著，收益为68.9亿美元，较去年同期的47.2亿美元增长了46%。
其中，“直接响应广告”表现突出，它可以鼓励消费者立即采取行动，例如下载应用程序或从购物网站直接购买商品。谷歌的首席商务官菲利普·辛德勒（Philipp Schindler）说：“三年前，我们在YouTube上的直接响应业务几乎不存在。现在，它是我们在YouTube上规模最大，增长最快的广告产品之一。”
随着美国电商渗透率的提升，YouTube正在尝试和购物结合，尝试在用户搜索、广告投放上接入电商领域，特别是在建立品牌认知、热点话题制造以及视频播主卖货渠道上，可以建立更加稳固的商业闭环。
面临监管机构的反垄断及内容审查危机
在第四季度，谷歌在美国遭遇三起政府反垄断诉讼，另外还有几起可能威胁未来的监管诉讼。其他国家的监管机构也对谷歌的竞争做法提出了异议，比如澳大利亚。如果澳大利亚政府继续实施新的法规，迫使谷歌向媒体公司支付使用其内容付费，它将在澳大利亚撤下搜索引擎。
在该季度，YouTube也面临着对与国会骚乱相关内容处理的质疑，这引发了两党重新推动修订第230条规则的努力，该法案允许社交媒体提供商托管内容，而不需要对其承担责任。
此外，该公司还面临着对雇佣做法和条件的新审查。美国劳工委员会已经对谷歌提起诉讼，指控谷歌报复和对员工进行间谍活动。该公司还因对知名人工智能研究员、谷歌道德人工智能团队技术联合负责人蒂姆尼特·格布鲁（Timnit Gebru）的处理方式而受到审查。
谷歌将停止根据个人网络浏览记录投放广告
谷歌主要收入来源是广告，而谷歌正要改变通过追踪使用者网页浏览记录而投放目标式广告的做法，而且更表示，未来也不会开发追踪特定使用数据的工具。
这重大的决定，也与谷歌自己宣布取消在Chrome浏览器支持第三方cookies技术有关。这做法，也会阻碍到其他广告主和网站追踪使用者数据，因此广告商和平台日后都需要另觅新的广告投放机制，大大改变网络广告业的生态。
谷歌广告隐私和信任团队的产品管理总监David Temkin表示，人们不应该接受被跨网站的追踪，以借此被投放目标式广告，而广告主也不需要追踪个别用户在跨网页的活动而进行广告投放。
Temkin也透露，他们正计划应用可保护用户隐私的API，包括FLoC来投放关联式广告。这方式只会把用户归类为有相似兴趣的一群，并投放广告，不会针对用户个别的行为而产生广告。
苹果：
营收首破千亿美元 搜索广告业务增长趋势良好
苹果发布2021财年第一季度业绩，营收首次突破千亿美元大关，至1114.4亿美元，同比增长21.37%，创下纪录新高；净利润287.55亿美元，同比增长29%。
按照产品业务线划分，iPhone、iPad、Mac业务线均实现双位数增速。iPhone业务营收为655.97亿美元，同比增长逾17%；Mac业务营收为86.75亿美元，同比增长逾21%；iPad系列设备收入为84.35亿美元，同比增逾41%。
可穿戴设备、家居产品和配件这些其他产品的收入，达创纪录的129.71亿美元，同比增近30%。
服务业务包括流媒体Apple Music、Apple TV +、 游戏 Arcade、支付Apple Pay以及云服务iCloud等，收入达157.61亿美元，同比增近24%。
iPhone销售额飙升，大中华成为苹果第三大营收区
下一步要造车？“我们喜欢软硬件服务结合布局”
搜索广告增长良好 未来将进一步拓展广告业务
亚马逊的人工智能之路
The learning machine
学习机器
The online commercial empire rests on a low-key approach to artificial intelligence
这家互联网商业帝国在人工智能的发展上选择了一条低调的路
Amazon’s six-page memos are famous. Executives must write one every year, laying out their business plan. Less well known is that these missives must always answer one question in particular: how are you planning to use machine learning? Responses like “not much” are, according to Amazon managers, discouraged.
亚马逊的六页备忘录十分出名，执行官们每年必须按要求写一页，详细阐述自己未来的商业计划。但不太出名的一点是，每一封信函必须回答一个具体的问题：你打算怎么利用机器学习？如果你的回答是“没什么可说的”，根据亚马逊管理层的态芹说法，这种答案是不允许出现的。
Machine learning is a form of artificial intelligence (ai) which mines data for patterns that can be used to make predictions. It took root at Amazon in 1999 when Jeff Wilke joined the firm. Mr Wilke, who today is second-in-command to Jeff Bezos, set up a team of scientists to study Amazon’s internal processes in order to improve their efficiency. He wove his boffins into business units, turning a cycle of self-assessment and improvement into the default pattern. Soon the cycle involved machine- learning algorithms; the first one recommended books that customers might like. As Mr Bezos’s ambitions grew, so did the importance of automated insights.
机器学习是人工智能的一种实现途径，它主要包括特定类型的数据挖掘，主要目的是对未来趋势进行预测。1999年当杰夫·维尔克（Jeff Wilke）加入公司的时候，这一想法就开始落地了。维尔克先生是亚马逊公司的第二把交椅，他组建了一个人工智能专家组，主要负责亚马逊内部工作流程的研究，目的在于提高员工的工作效率。他将科学家们安排在各企事业部门，将不断循环的自我评价和提高过程固定为一个默认模式，很快这个循环就加入了算法；第一代算法可以向顾客推荐他们喜欢的图书。随着贝佐斯先生的野心越来越膨胀，这种全自动的算法推荐模式也显得越来越重要。
Yet whereas its fellow tech titans flaunt
其橡乎他科技巨头有什么可炫耀的
their ai prowess at every opportunity—Facebook’s facial-recognition software, Apple’s Siri digital assistant or Alphabet’梁闭悉s self- driving cars and master go player—Amazon has adopted a lower-key approach to machine learning. Yes, its Alexa competes with Siri and the company offers predictive services in its cloud. But the algorithms most critical to the company’s success are those it uses to constantly streamline its own operations. The feedback loop looks the same as in its consumer-facing ai: build a service, attract customers, gather data, and let computers learn from these data, all at a scale that human labor could not emulate.
科技巨头们抓住一切机会展现自己在AI方面的实力：脸书推出了面部识别软件，苹果拥有语音助手Siri，谷歌推出了无人驾驶和阿尔法Go。和这些公司相比，亚马逊在机器学习上选择了一条低调的路。Alexa（亚历克斯）是亚马逊公司推出的一项人工智能服务，它的主要竞争对手是苹果的Siri。依靠Alexa的云平台，亚马逊可以为用户提供预测服务。这款人工智能背后的算法颇具特色，它能够不断将自己的操作流程精简处理，但这款AI服务的反馈回路和其客户端AI类似：发起一项服务，吸引目标客户，收集用户信息，让计算机学习这些数据，并且处理的数据规模是人力无法企及的。
Mr Porter’s algorithms
波特先生的算法
Consider Amazon’s fulfilment centers. These vast warehouses, more than 100 in North America and 60-odd around the world, are the beating heart of its $207bn online-shopping business. They store and dispatch the goods Amazon sells. Inside one on the outskirts of Seattle, package shuttle along conveyor belts at the speed of a moped. The noise is deafening—and the facility seemingly bereft of humans. Instead, inside a fenced-off area the size of a football field sits thousands of yellow, cuboid shelving units, each six feet (1.8 meters) tall. Amazon calls them pods. Hundreds of robot shuffle these in and out of neat rows, sliding beneath them and dragging them around. Toothpaste, books and socks are stacked in a manner that appears random to a human observer. Through the lens of the algorithms guiding the process, though, it all makes supreme sense.
我们可以了解一下亚马逊的“执行中心”。它们其实是大型的仓库，在北美地区超过100座，还有60多座分布在世界各地。可以说这些仓库就是这家公司强有力的心脏，它们驱动了亚马逊价值2070亿美金的在线购物贸易。这些仓库用于存储和调配货物，亚马逊再把它们卖给顾客。位于西雅图市郊的一座仓库里，传送带以机车的速度传送着包装用品，你很难听到一点儿噪音，并且这些设施基本实现了全自动操作。在围栏围住的一个区域，一块差不多足球场大小的地方存放着一些黄色方块状货架，每一个货架的高度约为1.8米，亚马逊把它们称为“小型货仓”。这些“货仓”们整齐排列成一排，数百个机器人穿梭其中，把它们移出来又移进去。在人类看来，这些货品，比如牙膏，书籍和袜子被随机地放置在货架上，着实让人难以理解。但是在算法的引导下，这一过程又显得极其合理。
Human workers, or “associates” in company vernacular, man stations at gaps in the fence that surrounds this “robot field”. Some pick items out of pods brought to them by a robot; others pack items into empty pods, to be whirred away and stored. Whenever they pick or place an item, they scan the product and the relevant shelf with a bar-code reader, so that the software can keep track.
人类员工，或亚马逊公司所称的“人类伙伴”，主要为机器人提供辅助服务，他们的工作场所位于围栏间的站台处，围栏内部就是所谓的“机器人地带”。机器人不停地搬运小型货仓，有的员工从上面取下货物，有的又把货物放回空的货仓。但无论员工是取出还是放回，他们都会使用条形码仪对商品以及对应的货架进行扫描，这样软件系统就可以记录该商品的运行路径。
The man in charge of developing these algorithms is Brad Porter, Amazon’s chief roboticist. His team is Mr Wilke’s optimization squad for fulfilment centers. Mr Porter pays attention to “pod gaps”, or the amount of time that the human workers have to wait before a robot drags a pod to their station. Fewer and shorter gaps mean less down time for the human worker, faster flow of goods through the warehouse, and ultimately speedier Amazon delivery to your doorstep. Mr Porter’s team is constantly experimenting with new optimizations, but rolls them out with caution. Traffic jams in the robot field can be hellish.
布拉德·波特（Brad Porter）是这些算法背后的主要开发者和管理者，同时也是亚马逊公司的首席机器人科学家。他组建的团队是维尔克先生队伍的优化版本，主要服务对象是执行中心。波特先生主要关注如何缩小小型货仓间的间隙，以及如何减少人类员工在他们站台等待机器人运送货物的时间。对人类员工而言，更少以及更小的间隙意味着更短的装卸时间，更加迅速的货物运输流程，以及更加快捷的配送服务。一直以来，波特先生的团队都在对新型优化策略进行试验，但每一次的推广都十分小心谨慎，因为“机器人地带”的交通堵塞是一个非常严重和可怕的问题。
Amazon Web Services (aws) is the other piece of core infrastructure. It underpins Amazon’s $26bn cloud-computing business, which allows companies to host web- sites and apps without servers of their own.
亚马逊网络服务（AWS）是其核心基础设施的另一个组成部件。它的存在维持了亚马逊价值2600亿美元的云计算业务。利用这一网络系统，公司们可以在没有服务器的基础上开设自己的网站或开发自己的应用程序。
aws’s chief use of machine learning is to forecast demand for computation. Insufficient computing power as internet users flock to a customer’s service can engender error and lost sales as users encounter error pages. “We can’t say we’re out of stock,” says Andy Jassy, aws’s boss. To ensure they never have to, Mr Jassy’s team crunches customer data. Amazon cannot see what is hosted on its servers, but it can monitor how much traffic each of its customers gets, how long the connections last and how solid they are. As in its fulfilment centres, these metadata feed machine- learning models which predict when and where aws is going to see demand.
AWS在机器学习方面的主要用途是预测计算需求。当互联网用户涌入客户端时，计算能力缺乏就会产生很多错误，比如用户进入错误页面，交易只好被迫取消。“我们不能说我们没有存货。”安迪·杰西（Andy Jassy）是AWS的老板，他表示，为了保证这一网络系统永远不出错误，他的团队收集并分析了大量顾客的数据。虽然亚马逊方面无法得知服务器上的内容，但它可以检测到顾客获取了多少流量，他们与服务器间的连接持续了多长时间，以及这一连接的质量如何。在亚马逊公司的执行中心，机器学习模型依靠这些元数据的输入继而运转起来，这些模型的功能主要是预测AWS系统在何时何地有可能产生计算需求。
One of aws’s biggest customers is Amazon itself. And one of the main things other Amazon businesses want is predictions. Demand is so high that aws has designed a new chip, called Inferentia, to handle these tasks. Mr Jassy says that Inferentia will save
Amazon money on all the machine-learning tasks it needs to run in order to keep the lights on, as well as attracting customers to its cloud services. “We believe it can be at least an order-of-magnitude improvement in cost and efficiency,” he says. The algorithms which recognize voices and understand human language in Alexa will be one big beneficiary.
AWS最大的客户之一就是亚马逊自己。同时，亚马逊其他业务对于AWS的需求也集中在它的预测能力这一块。由于计算量巨大，研究者为AWS设计了一款新的芯片来处理这些任务，它被称为Inferentia。杰西先生表示，这款芯片将为亚马逊在机器学习的各类任务上节省不少钱，同时又能吸引更多的客户选择其云服务。杰西先生还表示“Inferentia将给公司的成本效率带来数量级的提升。”能够辨识声音，理解人类语言的Alexa将为其本身的算法发展带来无穷的好处。
The firm’s latest algorithmic venture is Amazon Go, a cashierless grocery. A bank of hundreds of cameras watches shoppers from above, converting visual data into a 3d profile which is used to track hands and arms as they handle a product. The system sees which items shoppers pick up and bills them to their Amazon account when they leave the store. Dilip Kumar, Amazon Go’s boss, stresses that the system is tracking the movements of shoppers’ bodies. It is not using facial recognition to identify them and to link them with their Amazon account, he says. Instead, this is done by swiping a bar code at the door. The system ascribes the subsequent actions of that 3d profile to the swiped Amazon account. It is an ode to machine learning, crunching data from hundreds of cameras to determine what a shopper takes. Try as he might, your correspondent could not fool the system and pilfer an item.
在算法探索方面，这家公司最新成果是亚马逊Go，它是一家不设置收银员的杂货店。店内数百台摄像头无时无刻地从上方监控着顾客行为，并将采集到的视觉数据转换成三维用户信息，这些数据的用途是跟踪顾客在拿取货品时的手臂动作。如此一来，这一算法系统就可以知道顾客拿了哪些商品，并在顾客离店时，把这些商品的账单自动发送到顾客的亚马逊账号中。迪里普·库玛（Dilip Kumar）是负责亚马逊Go项目的老板，他强调这个系统的目的是追踪顾客的身体动作，并没有使用面部识别来辨识顾客信息以连接其亚马逊账户。这个系统就是机器学习的“颂歌”，它从数百台摄像头那里采集信息，从而断定顾客究竟拿了什么。也许你打算偷拿一件商品，但这些摄像头系统可不会被轻易骗到。
Fit for purpose
量体裁衣
ai body-tracking is also popping up inside fulfilment centres. The firm has a pilot project, internally called the “Nike Intent Detection” system, which does for fulfilment- centre associates what Amazon Go does for shoppers: it tracks what they pick and place on shelves. The idea is to get rid of the hand-held bar-code reader. Such manual scanning takes time and is a bother for workers. Ideally they could place items on any shelf they like, while the system watches and keeps track. As ever, the goal is efficiency, maximizing the rate at which products flow. “It feels very natural to the associates,” says Mr Porter.
人工智能动作追踪在执行中心内部也有用武之地。亚马逊公司推出了一项试验计划，在公司内部，它被称为“耐克意图探测“系统，它在执行中心的运转原理和亚马逊Go一样：追踪货物在货架上取出和放回的轨迹。这一想法主要是为了淘汰以前的手握条形码扫描仪，因为这样的录入工作很浪费员工的时间，操作起来也十分麻烦。理想情况是，在系统的监控和追踪下，员工可以把货物放在任何货架上。亚马逊的目标总是提高效率，最大化产品的流通速率，用波特先生的话说，“我们所有人类员工都觉得这一过程十分自然。”
Amazon’s careful approach to data collection has insulated it from some of the scrutiny that Facebook and Google have recently faced from governments. Amazon collects and processes customer data for the sole purpose of improving the experience of its customers. It does not operate in the grey area between satisfying users and customers. The two are often distinct: people get social media or search free of charge because advertisers pay Facebook and Google for access to users. For Amazon, they are mostly one and the same (though it is toying with ad sales). Where regulators do raise concerns is over Amazon’s dominance in its core business of online shopping and cloud computing. This power has been built on machine learning. It shows no signs of waning.
在数据采集方面，亚马逊选择了一天十分谨慎的道路，因此，和脸书以及谷歌相比，政府相关部门对于亚马逊的审查力度要小很多，有些部分甚至可以免除。主要原因在于，亚马逊采集和处理的用户信息仅仅用于提高用户的操作体验，在满足使用者和消费者的需求之间并没有什么灰色地带。数据使用者和制造者（消费者）之间的差异通常很明显：人们能够使用社交媒体或免费的搜索引擎，那是因为广告商通过向谷歌和亚马逊支付广告费，使得他们的广告可以接触到消费者。对亚马逊而言，这两者基本上是同一个人（尽管亚马逊不是很在乎广告收益）。但亚马逊也面临一些监管层面的担忧，比如它在线上购物和云计算这两大商业领域的垄断地位。但这一地位的确立正是建立在强大的机器学习基础上的，没有迹象表明，它们处于衰退之中。
亚马逊上涨1%，宣布推出亚马逊基岩和亚马逊泰坦两大语言模型的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于亚马逊河惊现泰坦巨蟒、亚马逊上涨1%，宣布推出亚马逊基岩和亚马逊泰坦两大语言模型的信息别忘了在本站进行查找喔。
