早在2019年，亚马逊就举办了首届re:MARS活动，这里的“MARS”代表机器学习、自动化、机器人和太空。

在过去的两年中，由于疫情的影响，该活动一直处于暂停状态，但在上个月的拉斯维加斯，“火星行动”(re:MARS)全面恢复，重点介绍了Alexa和购物、辅助编程以及天基数据处理的应用。

物理零售购物

在过去的十多年里，亚马逊开展了越来越多的实体零售试验，其中最著名的可能是Amazon Go商店，这些商店利用该公司的“Just Walk Out” （直接走出去）技术来跟踪顾客在购物篮或购物车中放入了什么，并在他们走出商店时自动收费——不需要排队结账。在re:MARS上，亚马逊详细介绍了计算机视觉和机器学习的发展，这些发展使Just Walk Out这样的项目得以推进。

亚马逊表示，“Just Walk Out”技术已经扩展到许多亚马逊门店、全食超市甚至第三方零售商，以及一家亚马逊风格(Amazon Style)的新服装门店。通过减少“Just Walk Ou”工作所需的摄像头数量，并让这些边缘设备强大到足以在本地运行必要的深度神经网络，而不是来回传输数据来实现的。在检测运动中的物品方面，计算机视觉和传感器融合算法取得了进一步的进展。

亚马逊还强调了合成数据在提升实体零售体验方面的作用。亚马逊负责实体零售和技术的副总裁迪利普·库马尔(Dilip Kumar)解释说:“当我们的团队开始为客户重新设想店内购物体验时，我们面临的一个挑战是为我们的人工智能模型获取不同的训练数据，以确保高准确性。为了应对这一挑战，我们的研究团队构建了数百万套合成数据，这些机器生成的逼真数据帮助构建和完善我们的算法，包括可以模拟不同的购物场景和不同商店的照明条件，并提供无缝的客户体验。

“环境”人工智能

“环境智能”（AMI：ambient intelligence）是一个越来越流行的术语。亚马逊表示，这指的是“嵌入我们环境中的任何地方”的人工智能的想法，利用各种各样的传感器，它既能被动(响应请求)，又能主动(预测需求)。当然，用亚马逊的话说，这与一个名字有关:Alexa。亚马逊Alexa AI高级副总裁兼首席科学家罗希德·普拉萨德(Rohid Prasad)在re:MARS大会上指出，环境智能是实现通用智能的最实用途径。

广义智能并不意味着无所不知、无所不能、可以完成世界上的任何任务。亚马逊定义更务实，有三个关键属性:

1、完成多个任务;

2、迅速进化以适应不断变化的环境;

3、用最少的外部人力投入去学习新的概念和行动。

普拉萨德说，最让他兴奋的是Alexa的“对话探索”功能。他解释说:“我们正在使环境设备上的对话探索成为可能，所以你不需要拿出手机或笔记本电脑来浏览网上的信息。相反，Alexa会在你感兴趣的话题上引导你，提取网上各种各样的可用信息，并将繁重的研究内容从你身上转移到Alexa上。”

这一进步得益于Alexa深度学习支持的对话流预测和网络尺度的神经信息检索。当然，在以片段的形式总结检索到的信息时，深度学习再次发挥了作用。

机器学习辅助编码

在re:MARS上，亚马逊发布了Amazon CodeWhisperer，他们将其描述为一个基于机器学习（ML）的服务，“它可以根据开发者的自然注释和之前的代码提供代码建议，从而帮助提高开发者的工作效率。

CodeWhisperer可以用简单的英语处理定义特定任务的注释，该工具可以识别完成任务的理想服务，并编写必要的代码片段。通过生成整个函数和代码块而不是单个单词，超越了传统的自动完成工具。为了实现这一点，它接受了“大量公共可用代码”的训练。CodeWhisperer是通过Amazon Web Services (AWS) IDE工具包扩展合并的。一旦启用，它会自动开始推荐代码，以响应已编写的代码和注释。

在太空!

亚马逊展示了AWS如何与航空航天公司Axiom Space合作，远程操作国际空间站(ISS)上的AWS的SSD设备。随着数据收集的增加，边缘计算已经成为太空旅行和太空实验中越来越优先考虑的项目，但带宽仍然很难获得，并且太空环境继续使电子设备遭受折磨。AWS和Axiom Space合作分析了Axiom Ax-1任务的数据，这是第一次对空间站的全私人任务。在Ax-1任务中，私人宇航员大部分时间都在参与几十个研究和技术项目，包括使用AWS的“Snowcone”(雪锥) SSD设备。这些实验有时每天产生数TB的数据，这在地球上很容易处理，但在太空中就麻烦多了。

“Snowcone”虽然是为艰苦的环境而设计，但并不是为太空设计的。AWS与Axiom和NASA合作了7个月，为太空旅行准备SSD设备。在任务中，返回地球的团队成功地与该设备进行了通信，并完成了使用“一个复杂的基于ML的物体识别模型来分析一张照片，并在不到三秒的时间内输出结果。”亚马逊表示，他们能够无限地重复这个过程，为未来的任务展示了有希望的结果。

“AWS致力于消除太空环境中遇到的传统障碍，包括延迟和带宽限制，”AWS航空航天和卫星主管克林特·克罗西尔(Clint Crosier)说。“在轨道上进行接近数据来源的图像分析是一个巨大的优势，因为它可以改善响应时间，让机组人员专注于其他关键任务。这次演示将帮助我们的团队评估如何使边缘处理能力为未来的太空任务提供服务。”