市场占比不到1% 亚马逊将退出中国市场

有消息称，亚马逊将在本周宣布退出中国市场，确切时间待定。据悉，今后亚马逊在中国仅保留两项业务，一是kindle，二是跨境贸易，其他业务将全部撤出。

另据路透社引述消息，亚马逊将于今年7月中旬关闭在中国内地的国内市场业务，把在华业务重点放在更具盈利能力的跨境贸易和云服务上。报道引述一位知情人士称，亚马逊将在未来90天内关闭物流中心，并逐步减少对中国内销商户的支持，但中国消费者仍可购买kindle电子阅读器和在线内容。

作为全球电商霸主，亚马逊对中国市场一度踌躇满志。2004年，亚马逊收购卓越网，为进军中国市场作准备。亚马逊花了三年的时间用自己的数据库系统替代卓越网以前的系统，将亚马逊中国的IT系统打造成为当时行业最为领先的系统。2007年，卓越改名为“卓越亚马逊”，开始在中国市场开疆拓土。当时，阿里巴巴和京东都非常弱小，亚马逊之于他们就是个巨无霸。2008年，亚马逊在中国B2C市场的份额一度达到15.4%。2011年，“卓越亚马逊”再次改名为亚马逊中国。2015年，亚马逊在中国启动了跨境电商业务。2016年，亚马逊将在美国取得成功的Prime会员服务带到了中国。

令人遗憾的是，近年来，中国电商市场增长迅猛，以阿里巴巴、京东为代表的中国电商在短短的十年多时间里高歌猛进，迅速成长壮大，经验丰富、优势明显的亚马逊在中国市场却逆势下行，一路走低，市场份额不断缩小。据Analysys易观去年发布的数据显示，亚马逊中国的市场份额已经滑落至0.6%。

今年2月，据《财新》报道，网易考拉将合并亚马逊中国海外购业务，双方或采取换股方式。但亚马逊和网易方面对此均回复“不予置评”。

亚马逊的AI帝国

最新一期的《经济学人》撰文介绍了亚马逊的AI帝国，依赖于其低调的人工智能策略，不起眼但功能强大的机器学习功能可以满足从物流中心到云的各种需求。

亚马逊的“6页备忘录”早就名声在外。高管们必须每年用备忘录而不是PPT来撰写一个商业计划，开会时提交团队阅读，然后陈述并接受提问。有一个鲜为人知的细节是，在这个“6页备忘录”的计划陈述中，主管们必须特别回答一个问题：你打算怎样利用机器学习?如果答案是“很少”，大家就都觉得不大满意。

机器学习作为AI的一种形式，现在被用于处理大规模数据，并以此对未来做出预测。1999年，Jeff Wilke加入亚马逊后，AI开始成为亚马逊的根基之一。Jeff Wilke组建了一个科学家小组研究亚马逊的内部流程，目标是提高运行效率。他把研究员安排到各个业务单元里，构建了一套“自我评估和促进循环”体系，不久之后，这套体系应用了机器学习算法，首先用于预测亚马逊网站上的书籍推荐系统(猜你喜欢)。随着亚马逊业务的扩展，这套自动化见解系统的重要价值日益彰显。

当其他科技巨头纷纷向公众炫耀自己的AI武器库时，亚马逊却选择了一种低调得多的方式。对亚马逊来说，AI不仅仅驱动着面向消费者的Alexa智能语音系统，更重要的是，它驱动着公司自身的运转，而且渗透到各个环节。和面向消费者的AI系统一样，基于机器学习的内部反馈系统在公司各个运行环节中搜集数据，然后交给机器去学习，最后获得想要的结果。这种大规模的数据处理是人类无法做到的。

亚马逊物流中心(Amazon fulfilment centres)的那些巨大的仓库是其价值2070亿美元在线业务的核心，存储、发送和管理着亚马逊销售的商品。在这里你会看到这样的景象：包裹沿着传送带快速流动不息。在一个围栏围起来的足球场大小的区域中，摆放着数以千计的黄色长方形搁架单元，每个单元高达1.8米，亚马逊称其为pods。数百个机器人在货架下方穿梭，拖曳着货架来来去去。这些货架看似随机摆放着，实际上它们经由监测镜头记录行踪，在中心AI系统控制下，秩序井然。

人类工人——亚马逊内部称他们为“associates”，他们的工位在机器人区域之外的特定位置上(亚马逊称之为gap——间歇)，他们的职责是，从机器人拖过来的pods上捡出包裹，或把其他包裹放进pods的空档中去。每次操作，他们都要扫描一下包裹的条码，以便让机器记录该包裹的行踪。

AI控制下的亚马逊仓库

在亚马逊，Brad Porter主管着这套系统的算法开发。他关注的焦点是工人处理包裹的那段时间，即所谓间歇(gap)。间歇越短，意味着分拣包裹的效率越高——这取决于机器人工作的效率，如果机器人遇到“交通拥堵”那就麻烦了。通过AI控制，解决机器人塞车现象，也就减少了工人等待货架过来的时间，提升了中心仓库的存储和分发效率，最终让消费者可以更快拿到自己订购的商品。

亚马逊云服务(AWS)是公司的另一项核心基础设施，它支撑着亚马逊价值260亿美元的云计算业务，为各类大大小小的公司提供网站和应用程序托管服务。AWS也在使用机器学习，主要应用集中于在一个方面：对纷繁复杂的各类计算需求做出预测，以便更有效地调配系统资源。当客户的web请求大量集中涌现时，一定会出现计算能力不足的现象，这会导致各种错误，比如网页无法访问，或是电商网站的某样商品显示缺货(事实上可能不缺)。AWS的任务是通过监控每个客户的流量状况，将所有这些数据交由机器去学习，然后预测出未来的流量行为，从而让AWS可以预先做好资源管理方案，在峰值出现前就做好充分的准备，最大限度避免各种宕机风险。

毫无疑问，AWS最大的客户之一，就是亚马逊自己。作为电商巨头，亚马逊商业行为的主要内容之一就是要做出预测。AWS特别设计了一款名为Inferentia的芯片来处理这些任务，来支持亚马逊网站要求极高的业务需求。Inferentia为亚马逊的机器学习运算节省了大笔开支，而且吸引了其他客户使用其云服务。

亚马逊在机器学习应用上的最新的挑战，来自其无人值守商店Amazon Go。通过遍布商店顶部的摄像头阵列，顾客的每一个行为都被录制为视频，这些视频信号被转化为3D轮廓数据，通过它们来跟踪用户的手臂动作。根据这些动作，系统会知道购物者离开商店时拿了那些商品，然后将账单自动计入该顾客的亚马逊账户。Amazon Go的总经理Dilip Kumar强调，这套系统只追踪客人的肢体动作，不采用面部识别技术去辨认客户。客人在扫码进门后，相当于推走了一辆虚拟的购物车，机器学习会根据3D动作记录数据来自动追踪虚拟购物车的内容变化。没有人可以欺骗机器，想偷走商品是不可能的。

Amazon Go采用的肢体动作追踪系统证明非常有价值，这套系统也将应用于亚马逊的中心仓库。亚马逊启动了一项代号为Nike Intent Detection的实验系统，将应用于Amazon Go的肢体追踪方法应用到中心仓库工人的动作追踪上：当他们拣出包裹或放入包裹的时候，无需再进行手动扫码记录，所有的记录都通过这套系统来自动完成。很明显，这将进一步提高工人工作的工作效率。

在人工智能处理大数据方面，亚马逊显然比Facebook或Google们谨慎得多。亚马逊的方式是，只针对特定的、单一的目标去搜集特定客户数据，开发针对性的AI工具，来提升工作效率和优化体验。当然，相比谷歌们的广告业务，融IT服务和电商为一体的亚马逊有足够的理由这么做。

不论如何，机器学习正在帮助亚马逊变得更加强大，而这种强大并没有任何减弱的迹象。