，是一家紐約的創業公司，這家成立不到兩年的公司要單挑的不是別的，正是讓全世界的實體零售店都無法忽視的亞馬遜無人商店Amazon Go。
如大家所知的，Amazon Go採用相機和雲端機器學習系統，消費者只需要掃描手機上APP的條碼就可以進入商店，拿取完要採購的商品後只要直接走出商店即可，之後會收到消費清單，費用也直接從與亞馬遜帳號連結的信用卡或簽帳卡扣除。對應國內，阿里也實現了類似的無人售貨系統。
以現行系統來說，目前在全美只有八家分店的Amazon Go解決了消費者排隊結帳的痛點，比起歐美超市已經行之多年的DIY結帳系統更進一步。就目前幾家Amazon Go分店來說，可以看到都市上班族川流不息地刷碼進入商店，選購完後怡然自得地走出商店。Amazon Go誕生至今只花短短兩年就成功訓練出一種全新的消費者行為，也難怪在加拿大皇家銀行市場分析部（RBC Capital Markets）的一份報告中，他們預測計劃到2021年為止開設三千家分店的Amazon Go，將可以實現一年高達45億美元的營業額。
目前市面上可以看到的Amazon Go店面，多半為130平米的大小，也就是便利商店的尺寸。加拿大皇家銀行市場分析部的分析報告採用了國家便利商店協會（National Association of Convenience Stores）的數據，以130平米（1200平方尺）的商店來說，他們認為一般便利商店每平方尺的年營收是落在低端的$850左右，換算成一年營收約為一百萬美元，而結帳零時差的Amazon Go每平方尺則可以產生高端的、將近$1300營收，一年最高可以達到170萬美元營收，以三千家店來說，要產生40億到50億美元的營收並不困難。
而就像創立二十四年的亞馬遜線上商店先後打趴實體連鎖書店和電子商城，Amazon Go的快速竄起也攫取了大量的新聞頭條，以至於印象中依賴傳統（懶惰而昂貴的）勞力的實體超市和超商似乎風雨飄搖，隨時都會被打掛的感覺。
但印象終究是印象，實際上Amazon Go是不是單騎對打傳統超商，必須要回到基本面來看。
舉例來說，Amazon Go採購從走出店門到收到帳單為止，時間大約在五分鐘到四十分鐘不等，這裡面其實凸顯了現有Amazon Go的自動結帳系統一個很大的挑戰：以雲端機器學習為根基的自動結帳系統遠遠還沒到理想中的效率。
為什麼這麼說呢？很簡單，如果亞馬遜的雲端機器學習系統已經到達最佳效率，那麼出帳時間的長短不會有這麼大的分佈區間，單純以店裡的人流和消費量高低峰來看，一個已經優化完成的、可信賴的自動結賬系統，似乎要能夠穩定地在一個很短的時間區間內出帳成功，例如十分鐘到十五分鐘之類的。
那麼為什麼Amazon Go現在還會有那麼大的出帳時間差異呢？
要分析箇中原因，我們首先要了解：一個神經網絡的複雜度，在第一階上（to the first order）取決於彼此間關聯性低的輸入變數的數量。以Amazon Go來說，一家店採用了數百臺的攝影機，所以最少有數百個彼此大致獨立的視頻輸入，但不只如此，一家店隨時可能有二十到五十個消費者不等，每個消費者會在不同時間點從不同貨架上取下不同數量的產品，並且在不同時間點改變心意將部分商品放回貨架上（而且還不一定是原本的貨架），中間夾雜著不同時間長度的無行為區間，並在不同時間點決定完成購物走出商店。
這些取樣點和時間點的不定性，代表的是Amazon Go的機器學習系統必須要處理相當高維度而且密度高低變化的輸入變數。亞馬遜自然是沒有公開其神經網絡的設計，但我們可以想象這個系統結合了大量的次級網絡以及多層的宏觀網絡，最後才能順利完成出帳。
因此Amazon Go這個自動結帳系統出帳時間分佈之廣，其實並沒有什麼意外的地方，因為變數的數量不定而且各自夾帶一個時間軸的變異性。從另一個角度來說，Amazon Go也認定消費者並不在乎帳單何時抵達，只在乎自己有沒有被多收錢。儘管一開始遲遲收不到帳單時人都會焦慮，但多幾次經驗後也就習慣了，所以等待不是問題。
但是這個優異的用戶經驗反映出來的卻是Amazon Go現行系統一個很大的問題——儘管是由過去三十年來最成功、成長速度最快的科技公司之一所開發，這個系統卻有根本的擴張可行性（scalability）問題。
我們可以用簡單的模型來解釋Amazon Go的擴張可行性挑戰。首先我們假設神經網絡各個輸入變數為互相完全獨立，如果一家店裡有五百種商品，並且隨時固定有二十個客人，單一客人結帳平均為三個商品，那麼這裡面可能的組合數量就是：20 * C(500,3) = 414,170,000
總共超過四億種可能組合。
如果一家1300平方尺的店總共有兩百隻高清攝影機，每隻高清攝影機無壓縮視頻數據量約為3Gbps，假設客人平均停留十五分鐘，平均每五分鐘拿取一樣商品（數量為一），花十五分鐘取完三種商品，那麼上面這四億種組合的判斷就必須在：200 * 3Gbps * (15 * 60) = 540,000 Gb = 67.5TB
也就是將近70TB的視頻數據上完成分析。
要了解這樣的系統在擴張可行性的困難，我們假設把1300平方尺商店增加10%面積，並假設商品數、平均客戶數和攝影機數量都各增加10%，單客採購數量不變，但停留時間因為商店變大拉長為20分鐘，那麼上面計算出來的兩個數字分別會變成：22 * C(550,3) = 606,718,200 （增加50%） 以及 220 * 3Gbps * (20 * 60) = 792,000 Gb = 99TB （增加約50%！）
可以看到儘管只是把商店增加10%大小，但不管是必須要做出決定的組合數量，或者是需要判斷出這些組合數量的數據量，都出現暴增50%的現象，這其實並不是什麼魔術，單純就是增加獨立變數必然會對系統造成的指數成長壓力。
當然真正的Amazon Go神經網絡系統不會這麼小白，一定會採用大量的數據壓縮和網絡設計技巧。但儘管如此，底層數據量根本的指數特質是不會改變的，這大概也是為什麼現有的Amazon Go將商店尺寸訂為在零售據點中最小的一種。
而我們甚至還沒談到經營這樣商店需要的成本。事實上一家Amazon Go光是硬件系統成本就超過一百萬美元，因此亞馬遜光是要建置目標的三千家分店就得花上$3B！而如果考慮到目前雲端出帳仍然有驚人的時間差，我們可以想像後端動用到的機器學習資源也是相當驚人，營運成本不可小覷——我們當然也可以想象Nvidia公司負責亞馬遜的商務現在正笑得合不攏嘴。
而上述的這一切技術障礙、建置成本和運營成本，對日進斗金的亞馬遜來說可能都不是問題，但卻對於其他已經被亞馬遜逼到退無可退的實體零售商卻是“不可承受之輕”，這也是為什麼許多自動結帳系統的創業公司都不值得投資的原因，因為它們大多采用類似亞馬遜的解決方案，雖然實體零售商客戶們大家火燒屁股都恨不得立刻全面自動化，但這類系統建置成本和運營成本都過高，讓一切只能停在紙上談兵。
Amazon Go或者類似系統的最大挑戰，是在於開放的環境中，客戶、商品和時間軸的所有變數互相影響，因此呈現指數成長的複雜度。開發這樣的高度複雜系統就跟開發谷歌Alpha Go一樣，是所有機器學習工程師的夢想，但根據不同場景實際上到底有沒有這樣的必要，其實有探討的空間。
但是為何一定要這麼複雜呢？Caper Labs的解決方案就直接反向思考：如果開放空間的各種變數互相影響導致系統過於複雜，與其花一大多腦筋和運算能力去把數據壓縮和降維（dimension reduction），不如一開始就限制可能的數據變易度和維度。根據這個簡單直覺的想法，以及現有美國超市和超商的使用情境，Caper Labs開發出了以購物車為根基的自動結帳系統。
在Caper Labs的思考中，在超市中購物車是美國消費者幾乎都會使用的工具，一個消費者推一臺購物車，因此只要在該購物車上搭載機器視覺系統，追蹤放入和移出該臺購物車的商品，就能夠輕鬆判斷該消費者採購的商品。
如果以上面數學運算的例子來看，相較於Amazon Go用一個龐大系統試圖判斷組合超過四億組的“哪個客戶總共拿取了哪三種商品”，Caper Labs的購物車結帳系統移除了客戶的變異數部分，只需解決從五百種商品中擷取三種的、總數為兩千萬種的組合。
尤有甚者，Amazon Go的單一客戶三種商品，可能會在不同地點取下貨架，但又在不同地點放上貨架，而且未必是原本的貨架，追蹤單一客戶的位置和貨架，分析其行為（取和放），都是運算非常沈重的任務。反觀Caper Labs的系統，因為將分析空間限制在單一購物車內，機器視覺系統只要分析被丟入和移出購物車的商品外觀來判斷出商品種類和數量就可以，不需要考慮到其他的客戶行為的變異性，這也讓這樣的神經網絡遠比Amazon Go的宏觀網絡小很多，可以直接在購物車的硬件上執行。而在這樣的系統下，客戶推著購物車走出門就可以立刻收到帳單，不會有五分鐘到四十分鐘不等的差異，這部分用戶經驗當然會較Amazon Go好。
當然和Amazon Go的全方位“監視”系統比起來，這樣的系統讓用戶有可能作弊，比方說部分商品不丟入購物車，而是夾在腋下或者放入自己攜帶的購物袋，又或者故意阻擋攝影機鏡頭等。但這些“偷竊”行為在傳統超市本來就存在，零售產業的術語稱為縮“水”（shrinkage）。取決於不同的零售業差異，零售縮水可能介於1%到 3%，對於淨利率長年盤旋在低個位數百分比的零售業來說，的確是一個恨不得除之而後快的痛點。
但是就算不能完全消除縮水現象，和毫無追蹤設備、只能靠結帳櫃檯時薪人員的傳統商場比起來，Caper Labs的購物車系統因為全時追蹤紀錄各個客戶的消費行為，顯然已經有降低縮水率的功效，如果結合一些低成本的貨架庫存追蹤設備，未來可能進一步降低縮水的百分比。
而對於所有被亞馬遜逼到牆角的零售商來說更重要的是：這個系統建置成本和Amazon Go比起來少了好幾位數，不用改裝，不用增加布線，也不用傷腦筋整合庫存電腦系統和雲端機器視覺系統，只要購入足夠數量的Caper Labs購物車，使用其垂直整合的雲服務，就可以開店運營！
更重要的是，不同於Amazon Go的系統因為擴張可行性的問題，似乎會被限制在小型店面，Caper Labs的系統可以順利擴張到大型商場以及大賣場。
這一切的種種，都讓Caper Labs的解決方案在零售業者享有很高的接受度。對於貝佐斯而言，也許未來最應該擔心的不是自己長年的伴侶，而是從各個角落中冒出來的年輕創業公司吧。
閱讀更多 孫志超說 的文章
