關於 零階通路舉例 ，我們在網路上蒐集到這些相關的討論、資訊與評價

從火星探測系統到輔助工業製程，美國工業用 AI 新創 Beyond Limits 如何在台灣做到技術在地化應用？

李佳樺 2021/08/13

從2012 年美國太空總署成功將探測車「好奇號」送上火星至今，已經過了3000多個「火星日」，肩負著火星探測的重要任務，8年來好奇號傳回許多對火星的重要觀察與發現。背後更不為人知的，則是好奇號的 AI 運算系統，其實是由美國新創 Beyond Limits 的團隊建立的，公司發展至今也將觸角伸到能源、先進製造等產業，建立 SaaS 服務，為產業提供 AI 輔助平台，2020 年更獲得 1.3 億美元的投資，拓點到台灣、日本、新加坡、香港等地。

Beyond Limits 將 AI 應用到產業製程的契機，源自於當時跨國石油集團 BP 在墨西哥灣發生的漏油事件，企業希望導入 AI 優化決策過程，合作中也發現了石化能源產業的痛點，研發出石油配方建議系統、石油製程操作檢引系統等 SaaS 產品，不僅受到美國石油公司歡迎，日本市場也買單。

有了日本的先例，這套美國研發出的產品，照理說要拓展到亞洲市場應該不成問題，不料到了台灣卻窒礙難行，甚至需要重新開發不同的產品。

Beyond Limits 的台灣團隊究竟面臨了什麼挑戰？

台灣市場與美國差異大，Beyond Limits 台灣團隊必須如創業般從頭研發產品

台灣分公司總經理張中宜說明，台灣產業的先天特性，讓美國母公司已開發的產品都面臨市場可行性低落的問題，以石油產業的產品舉例，在台灣只有中油、台塑兩個客戶，且台灣的石油公司並不做研發工作，多半直接向國外公司購買配方，因此團隊必須在美國 SaaS 模式 的技術基礎下，研發出符合台灣市場、針對不同產業需求的商品。

「Beyond Limits 在台灣設立公司時的處境，跟重新創業差不多。」張中宜表示，AI 應用產品的開發不僅需要能夠從零開始寫演算法的工程師，也要有懂產業製程的專家團隊，龐大的研發費用與對產業專家的需求，讓每一次產品開發都像募資活動，團隊必須透過產業訪談做足市場研究找到痛點，說服製造公司與他們合作開發能解決產業問題的軟體。

然而開發全新市場對張中宜來說並不陌生。

她曾經在孟加拉創立幫助偏遠地區孩童課輔的非營利組織 e-Education ，第一年就讓偏鄉學子考上孟國最高學府卡達大學，更順勢搭上鼓勵企業與 NPO 合作的開放式創新風潮，讓卡西歐、 AI 新創、安永都找她擔任顧問，執行戰略布局或開發新通路的工作，面對 Beyond Limits 在台灣的難題，團隊選擇了電動車電池研發、面板機器手臂維修與人流異常預警系統等三個產業切入。

延伸既有美國產品技術，尋找合適的台灣在地產業切入開發產品
選擇電動車電池產業與 Beyond Limits 在美國石油產業的經驗有關，研發電池的過程與石油廠研發機油的邏輯相似，痛點都在於漫長的研發過程，就像做菜時要多次嘗試才會知道多少的鹽與油才是最佳的調配一樣，電池配方更要經歷至少半年的實驗，且實驗設計也要在無數次團隊與客戶的交鋒後才能成型，溝通成本相當高昂。

使用 Beyond Limits 導入認知 AI 架構的電池配方建議系統，研發人員只要以自然語言輸入期望的電池規格、價格與電車轉速，系統即可在 43 分鐘內提供數百種配方與實驗方式供選擇，縮短約 2 千倍的研發時間。

Beyond Limits 也在 7 月 29 日宣布與日本的三井物產公司進行策略結盟，以其認知 AI 的核心技術，協助三井投資的液化天然氣廠進行巨量資料分析，並整合作業人員專業知識與數位化作業模式，制定出精簡有效率的解決方案。日本三井整合數位策略部部長常務董事真野雄司氏說，透過與 Beyond Limits 的合作可以改善與再造營運流程，更有效率執行現有事業群的高附加價值項目。

另外，Beyond Limits基於公司在美國既有的輔助風電機維修平台，投入面板機器手臂維修建議系統的開發，「雖然也想在台灣用同一套產品幫助風電產業，也與風電廠陸續接洽，但台灣的風電仍在建設階段，缺乏營運經驗，目前的維修需求也不高。」張中宜談到，市場開發的大方向是要在台灣尋找具備預測維修需求，且市場密集、成熟的產業，公司在與投資人仁寶電腦的合作中，發現光電面板產線中機器手臂的維修概念與風機維修類似，而且痛點也類似：包含高昂的維修成本、未經標準化的維修流程，以及依賴經驗的維修決策。

目前輔助維修系統正與日本機器手臂原廠合作開發，由廠商提供維修資料與產業專家， Beyond Limits 透過 AI 分析維修數據，建立資料背後的邏輯推演，系統最終能判斷機器損壞的原因，並建議耗材種類與維修方式。從管理者的角度能降低維修、備料倉儲成本，對維修人員來說也有可依循的維修建議，長遠更能累積產業知識 ( domain know-how ) ，促進升級。

以邊緣運算技術，與北捷合作開發人流異常預警系統

而將技術從太空拉回到地面，Beyond Limits 也能在大眾運輸犯罪預警上有所發揮。他們與北捷合作，使用等同於在火星探測時、消弭與地球時差的邊緣運算技術，原理是透過分散式的運算提升效率，達成在監控系統的邊緣節點就進行異常人流的辨別，降低反應時間落差。

張中宜舉例，正常的人流像是乘客擠進車廂內的固定位置，開始滑手機，異常的人流可能是人群往四面八方散去，產生快速移動的樣態，異常訊息可以在 10 秒內將送到中控室，大幅縮減以往需要 4 分鐘以上的訊號傳輸時間，也能避免踩到人臉辨識的紅線，未來希望擴張應用到大樓監控，或是銷往他國的大眾運輸系統。

源自NASA，認知型AI成為技術優勢與門檻

與其他單純使用機器學習技術分類數據並預測結果的數值 AI 系統不同，Beyond Limits 的 AI 服務融合了數值 AI 與符號 AI ，前者的數值 AI 是透過大量數據讓模型認知「此為何物」，而符號 AI 則是藉由邏輯定義數值 AI 判斷的結果是好還是壞，並加以做出決策與判斷，以電池配方為例，將實驗室過去的實驗數據導入數值 AI 系統後，會得出樹種配方組合，再藉由符號 AI 判斷個配方辦法的優劣，並給予客戶回饋與建議。藉由結合數值 AI 與符號 AI 兩大系統的結合，讓人工智慧的每項建議都能以人類可理解的思路解釋，輔助人類做最後決策，也使人機協作的製程模式成為可能。

對於這項技術，張中宜表示這其實是源自於 NASA 將探測器「好奇號」送上火星後，由於火星與地球之間的數值傳遞有時間差，人類基本上不可能遙控好奇號，而且火星上的數據在這之前是 0，所以數值 AI 也無法運作，為了能夠讓好奇號自行在火星上探測與行動，勢必須要模擬人類大腦的認知型 AI 系統，當時才會開發出符號 AI。

根據研究報告，2025 年工業用 AI 規模將達 160 億美元，其應用開發仍具高度可能性，Beyond Limits 在台灣也希望更全面地研發產品打進該市場。除了正在培養市場的風電產業外，未來也希望協助優化晶圓半導體產業的製程，團隊更積極與社會、產業溝通，讓社會了解 AI 進入產業能讓人類更有餘力進行創意發想與決策，也讓產業正視轉型需求，近期將與台灣新創基地合作舉辦 AI 科普講座，持續促進製造業的人機共榮合作。

創業快問快答

Q：服務的創意來源，是因為發生甚麼事情而有這樣的想法？

A：台灣數位轉型瓶頸

Q：創業至今，做得最好的三件事為何？

A：用國際薪資招聘頂尖人才、台灣市場國際定位清楚、客戶分潤共創模式的商業模式

Q：要達到下一步目標，團隊目前缺乏的資源是？

A：能見度

附圖：BeyondLimits 台灣總經理 張中宜
Beyond Limits 以數值AI及符號AI兩大關鍵技術，達到人機互補智能
圖片來源 : Beyond Limits
擠捷運
圖片來源 : diGital Sennin on Unsplash
圖說：BeyondLimits Hybrid AI導入流程說明
BeyondLimits Hybrid AI導入流程說明
圖片來源 : BeyondLimits

資料來源：https://meet.bnext.com.tw/articles/view/47993?fbclid=IwAR2HbB5FrPIBoV9kDL27OnhNF-JDNzfYdsoLoVKn85yAA7GUjzDzI3y5Lw0

七月的第一天，虹安在線上參加了第十屆工程、技術與STEM教育研討會，今年主辦單位是宜蘭大學資訊工程學系、協辦單位是成功大學工程科學系、IEEE台北分會 Young Professionals Group，研討會主題為「結合跨領域的工程教育」。虹安從資訊學碩士再到機械博士，現今又在立法院服務，橫跨了三個領域，當天的演講主題是「數據科學與國家治理」，由於疫情的關係，只能在線上跟各位老朋友、學界伙伴相見。

💡 科普時間：什麼是STEM教育？
✒ STEM，是四個英文字的第一個字母結合而成--科學（Science）、科技（Technology）、工程（Engineering）、數學（Mathematics）--是近年相關產業最喜歡用的關鍵字，歐美也有許多STEM教育的相關計畫，希望未來教育能從「知識傳遞」進化為「學以致用」，著重於科學、科技、工程、與數學的跨領域資訊整合，使知識成為可用資源的思維。

虹安首先以自身的學習、工作經歷作為開場，就讀資訊工程系所時的虹安，也跟你我的學生時期一樣，熬夜寫程式debug、拼命K書📚、做研究；到了機械博班的階段，要在博士班的過程一口氣弄懂機械系學生四年學到的內容，結合自身的資工背景，激發出insight 💡變成博士論文。過程中也曾經怨嘆過為什麼想不開，為什麼要跨領域讓自己這麼累；再到了科智的創業時期，獲得了 #全球創業賽第一名 的殊榮，跨領域的學習逐漸展現出成果；接著又到了鴻海集團擔任工業大數據辦公室主任貢獻所學，同時也擔任郭台銘創辦人的特助，命運的際遇讓我來到了立法院擔任第十屆立法委員。這次跨離了工程領域，虹安仍然戰戰兢兢，但過往累積的經驗與能量，使我能把立委的角色擔任好，虹安的大數據專長讓我問政時更能以事實和邏輯分析為根據，以數據避免政治口水，也為立院帶來了不同的科技思維。

#而且立院的同事跟科技業的很不一樣

接著，虹安以「數據思維的重要性」作為切入，說明了零售業龍頭Amazon建立了「線下」實體通路的用意是什麼、又如何決定什麼商品該在架上展示，現今的一切，不再用經驗法則決定，而是 #大數據驅動的結果，「妥善用數據分析就能看到別人看不到的價值」。在2011年，發源於辛辛那提的奇異(GE)公司，發表了GE Industrial Internet System，舉例說明了 Product (or Service) Data Life Cycle，強調了數據收集、數據比對與分析、決策改善等三個要素的Life cycle，這Life cycle適用於各領域的大數據分析和應用，重點是，以數據驅動需求的首要原則是：From gut feeling To data agility，將主觀意識下有限的數據來源，轉變到客觀心態下更大更完整的#開放式數據來源，如此一來，養成數據化的工作模式，就能得到洞察數據敏感力，看到別人看不到的價值。

而在 #國家治理方面，虹安舉了去年質詢陳時中部長的 #口罩地圖 為例，說明了大數據分析用於口罩分配的成果😷，並可解決城鄉口罩用量不同的物流輸送問題，使每個需要的人都可以買到口罩。各縣市的口罩分配不應該只是齊頭式平等；而我用的方式，就是上述的「數據收集、數據比對與分析、決策改善」三要素；虹安才能以明確的數據質詢蘇院長，7600萬片口罩到底去了哪裡。除此之外，虹安在立院密切關注的，還有 #數位發展部 的成立。數位發展部源自國家對於數位科技產業及發展的重視，成立數位發展部以進行國家數位發展政策之規劃、協調、推動與法規擬定及執行，並著重國家資通安全政策、法規、重大計畫與資源分配之擬定、指導及監督，這會是虹安在立院第四個會期的重要工作項目。

值得一提的是，會後教授們的提問十分精闢，虹安大致整理如下：
①女性工程師的教育環境、社會支持的情況
②科研成果的產出，凝聚成政策推動的的能量，再從政策回到高等教育的增進，形成正向循環的方式
③數位發展部的角色對於高等教育的影響，是否與科技部/國科會有所不同
很謝謝學界朋友的交流，這次的演講讓我暫離政治圈回到本業，虹安將會從這些面向進行研議與推動，希望我的分享也能給予學界跨領域的交流與互動。

#回歸自己的本業既熟悉又開心
#跨領域最難的是要花很多時間讀書
#想了解虹安的歷程可看面試郭台銘

為了活下去，全球最大的零售商沃爾瑪變身數據公司

文：王茜穎 / 若水 Flow AI Blog 編輯團隊

【本文重點】：

1. 今天，人工智慧不再是一種選擇，而是生存下去的基本必須品。
2. 為了預測消費趨勢、提高供應鏈和營運效率，沃爾瑪張開數據網，即時監控2000億筆的內部交易數據，200 個外部數據。
3. 從行銷、採購、品管、上架、庫存管理到配送，AI 正在改寫超市地景和運作方式。

零售業是一個國家最古老的行業。但你發現了嗎？全球最大的零售業龍頭沃爾瑪 Walmart，正在把自己變成一家數據公司。

它不得不。它最大的競爭對手，吃下線上零售市場一半江山的電商龍頭亞馬遜，不斷探索線下經營。繼實體書店、無人便利店 Amazon Go、收購全食超市（Whole Foods Market）之後，2019年再度推出 Amazon 4-star，銷售在亞馬遜網站上獲得4顆星以上評價的商品，準備對線下零售市場攻城掠地。

「今天，人工智慧不再是一種選擇，而是生存下去的基本必須品。」知名暢銷作家Bernard Marr 說。《華爾街日報》形容這是一場「不斷升級的科技地面戰」。

如何確保對的產品在對的時機，放在對的位置，做出對的定價，以方便對的人購買，是競爭白熱化的零售業的致勝關鍵。

即時監控2000億筆的內部交易數據，200個外部數據
為了抓出客戶需求、提高供應鏈和營運效率，沃爾瑪阿肯色州本頓維的總部設立了@WalmartLabs 和 Data Café（Collaborative Analytics Facilities for Enterprise，企業協作分析工具），監控過去幾週高達2000億筆的內部交易數據，以及氣象、經濟、電信、社交媒體、油價、鄰近沃爾瑪的重大事件（如：體育賽事）、美國最大評論網站Yelp、信用徵信網站Experian等200個外部數據。

沃爾瑪每週預測全美4700家店，共500億件商品需求，「我們每個週末都提出一套新的預測，」「我們有12小時完成所有的預測，約3天完成所有的訓練。」@WalmartLabs 傑出數據科學家和數據科學主任John Bowman說。

但沃爾瑪的規模實在太大了，Bowman說原有的開源軟體，「隨著我們擴大演算法規模，加入愈來愈多的數據，涵蓋愈來愈多的類別，開始遇到嚴重問題」，目前其預測模型是由內部改寫和開發的機器學習演算法組成，每項商品的預測，都建立在350個數據特徵上。

除了預測消費風向，最基本的，「用來確保門市和配送中心的庫存水位，足以滿足預測的需求。它不只幫沃爾瑪控制庫存成本，也確保架上的庫存足以應付來客或網路訂單。」前@WalmartLabs印度班加羅爾主任Nitin Sareen指出。

沃爾瑪 Walmart 同時收集所有顧客的消費紀錄、住在哪裡、並從店內的免費無線網路追蹤其產品喜好。2017年的報導指出，沃爾瑪掌握了6成美國成人，近1.45億人口的詳細資料。「我們想知道世界上所有的產品，我們想瞭解世界上每一個人，然後我們想要擁有連結兩者，促成交易的能力。」前沃爾瑪全球電子商務與科技執行長Neil Ashe曾說。

它的「社會基因體計畫」（Social Genome Project）監控社交媒體上的公開對話，參透消費者的社交DNA，藉以預測消費趨勢。沃爾瑪開發的Shopycat禮品推薦APP，「透過社會基因體計畫，分析朋友的臉書上的讚、分享、發文等動態，解除送禮壓力，提高送禮樂趣。」

當人們在線上展現我們的喜怒哀樂時，沃爾瑪就從分析臉書和推特的對話，在趨勢轉成需求前，成功預測棒棒糖蛋糕機、電動榨汁機的需求，立刻進貨、鋪貨。

數據讓沃爾瑪（Walmart）能預測未來趨勢，抓出過去錯誤

除了預測未來，即時數據和分析，讓沃爾瑪從異常銷售數字中，立即抓出定價失誤，或發覺特定門市根本未將商品上架的問題。機器學習把解決問題的時間從2～3週，大幅縮短為20分鐘。「若你得花上一週或一個月分析你的銷售數字，才能獲得洞見，你那段時間的營收已經蒙受損失。」沃爾瑪資深統計分析師Naveen Peddamail說。

為了收集消費者資訊，沃爾瑪甚至在2012年推出了自己的搜尋引擎Polaris。今年2月，沃爾瑪再度收購以色列科技新創Aspectiva，利用其自然語言處理功能 (Natural Language Processing)，讓電腦擁有理解人類語言的能力，分析客戶的產品評論等用戶生成內容，並結合其瀏覽行為，以提供個人化的產品推薦。

沃爾瑪每小時產生約美國國會圖書館館藏167倍的數據，這些通通餵給雲端。沃爾瑪和微軟聯手建立全球最大的私人雲，每小時從百萬名消費者身上收集2.5 petabytes非結構化的數據，做出行銷、採購、鋪貨、庫存管理等各種決策。有一說，此舉是要和亞馬遜的Amazon Web Services (AWS)一別高下。

衝刺電子商務戰場，營造個人化體驗、用AI 工智慧鞏固生鮮市場

電子商務上，沃爾瑪仍看不到 Amazon 亞馬遜的車尾燈。

為此，沃爾瑪接連併購 Jet.com、Bonobos、中國電商 JD.com、及砸160億美元買有「印度亞馬遜」之稱的 Flipkart，去年沃爾瑪亦翻新官網，挾其龐大的數據能力，用消費者的所在地、瀏覽和購買歷史，加強區域與個人的個人化體驗。

例如，顯示當地熱門商品、通常一起合購商品、「我的門市」生鮮配送服務；提供「輕鬆續訂」功能，類似亞馬遜網站上的快速按鈕（Dash button）。去年第四季，沃爾瑪的電子商務營收成長43％，eMarketer並預測今年底沃爾瑪將分食4.6％的市場，較去年成長4％，居全美電商第三名。

沃爾瑪抓緊數據，苦苦追趕，有其苦衷。根據Accenture 2016年的調查，58％的消費者傾向在有個人化推薦的網站購物，一旦沒有，最快60秒就會失去興趣；SmarterHQ的報告則指出，在這樣的情況下，47％的消費者會直接轉往亞馬遜，便宜了沃爾瑪的頭號競爭對手。

為了拉抬線上銷售，沃爾瑪祭出廉價生鮮優勢。去年底全美有1600家門市提供生鮮配送，3100家門市設提貨中心。亞馬遜迅速回防，今年4月，旗下的全食超市推出第三波降價，以及2小時生鮮配送，1小時店內提貨，要挖沃爾瑪牆角。

這是一塊沃爾瑪輸不起的戰場。不同於亞馬遜，生鮮佔沃爾瑪全美近6成營收。金雞母保衛戰，沃爾瑪用AI和相機打造「新鮮度演算法」，名之「伊甸園」（Eden），用AI檢查蔬果缺陷和新鮮度，預測腐壞日期，確保蔬果從農場到貨架全程新鮮，終結食物（成本）浪費。在全美43個配送中心試用6個月，已替沃爾瑪省下8600萬美元，預計5年內將省20億美元。

在此之前，沃爾瑪必須派員在配送中心先目視檢查送進來的生鮮，接著再手動檢查是否符合美國農業部和沃爾瑪內部的食品標準。

「伊甸園源自我們生鮮營銷團隊工程師間的一場駭客松。」沃爾瑪部落格說。在6個月內，他們量化了美國農業部和沃爾瑪內部的食品標準，並發給稽查員一支iPhone，用Eden的APP記錄各種蔬果在不同生命週期時的樣貌，是否符合各項食品標準。這百萬張照片的資料庫，成了人工神經網絡進行深度學習最佳教材。

當稽查員在現場拍下照片時，機器將比對資料庫中的圖像，經過一層層，千百萬個神經元的數值運算後，評估蔬果新鮮度，預測保存期限，最後決定接受或退貨。沃爾瑪還把iPhone送到農夫手上，讓他們在農產品運送前先拍照，通過伊甸園把關再上路，從頭減少因品質而被退貨所衍生的成本。

「這代表（我們）能更有效率地催熟香蕉，當番茄還長在藤上時，就預測出它的保存期限，或依此調整蔬果上架的優先順序。」沃爾瑪供應鏈技術副總工程師Parvez Musani分析。販賣生鮮是一場和時間賽跑的賭局。時間，就是金錢。

除了產地和配送中心的品管，他們發現運輸過程中的溫度，也會影響蔬果新鮮度。為此，伊甸園即時監控蔬果在貨車裡的溫度，若發現溫度飆升導致蔬果「短命」2天，則立刻重新安排貨車路線，送到較近的配送中心，減少損失。

Musani舉例，沃爾瑪的明星商品香蕉，來自7個拉丁美洲國家，鋪貨到全美4千多家門市。不久的未來，在跨洲、跨國、跨州的長途運送過程中，伊甸園會重新估算「新鮮度」，決定香蕉運到哪裡。「最後香蕉會運到較近的門市，確保最新鮮，消費者樂於買一串美味香蕉，人人皆大歡喜。」

跟 Amazon 亞馬遜搶食 AI 語音購物市場

眼紅於亞馬遜語音助理Alexa登堂入室，開口即可在亞馬遜下單，沃爾瑪也想搶食語音購物市場。

近來的專利申請，透露沃爾瑪打算在產品中內建物聯網電子標籤，以監控家用品的使用情況，例如追蹤保存期限，或你提起洗潔精的次數，藉此推測何時需要補充，自動加入你的購物清單，並為沃爾瑪提供顧客行為的龐大數據，包括產品使用的時間和頻率。

今年4月起，直接呼喚Google Assistant也能在沃爾瑪下單，可在全美超過2100家門市提現貨，800家門市領取網購商品。由於語音下單容易指示不清（例如：買2罐洗衣精），為求準確，沃爾瑪顧客的消費記錄將和Google Assistant帳號綁定，以判斷脈絡。

儘管目前語音購物對營收的貢獻很小，分析師紛紛預測這是未來趨勢。為了「不落人後」，沃爾瑪甚至投資一家針對上流社會的個人購物服務新創Jetblack，會員可用簡訊「遠端遙控」購物員幫他們購物，年費要價600美元。

簡訊的文字，是絕佳的機器訓練素材。「沃爾瑪正在利用Jetblack的大批人力來訓練其AI，盼其有朝一日能提供自動化的個人購物服務，為搜尋欄消失，聲控購物成為主流的那一天，提早做好準備，」Jetblack執行長Jenny Fleiss告訴《華爾街日報》。該報分析，沃爾瑪將該投資視為AI和語音購物的研究中心，打算用它來打造和亞馬遜Alexa抗衡的秘密武器。

而JetBlack正是從沃爾瑪位於矽谷的科技孵蛋器Store No.8孵出來的新創公司。為了尋找下一代的零售科技，沃爾瑪透過Store No.8來孵化、投資新創，與創投和學術界合作，開發機器人、虛擬實境、機器學習和AI技術。

AmazonGo會是沃爾瑪的未來嗎？

自去年10月底，沃爾瑪旗下的倉儲式商店Sam’s Club宣布將在德州開第一家無結帳員的超市後，大家都在揣測沃爾瑪超市何時會跟上AmazonGo的無人店。

4月底，沃爾瑪公布了它的「未來超市」。它改造了紐約州Levittown的門市，化身「零售智能實驗室」（Intelligent Retail Lab），在真實運作的超市裡，裝滿感應器、攝影機、並建有龐大的數據中心。「這些硬體佈線之長足以爬聖母峰5次，處理能力之強大每秒能下載3年份的音樂（27000小時）。」沃爾瑪的部落格寫著。

5萬平方呎，3萬件商品，超過百名員工，可以確定的是，沃爾瑪的未來藍圖，不是AmazonGo。

具有人工智慧的攝影機，並非用來分辨消費者拿了什麼，好自動結帳，而是用來監控貨架上的存貨。機器「看見」架上商品，準確辨識品項和數量，並對照預測銷售需求的量，即時通知員工哪些商品空了，立刻補貨，或哪些放太久，立即下架。如此一來，確保架上永遠有貨，而且絕對新鮮。

這不是沃爾瑪第一次用AI來即時盤點庫存。

走進今天的沃爾瑪，你可能會碰到Auto-S貨架掃描機器人，穿梭在繁忙的貨架間。

自駕車的感應器和人工智慧，讓它能即時辨識路徑中的障礙物，優遊於樑柱、顧客、店員之間，避免碰撞。身高2英尺（約60公分），機器手臂最高可達8英尺高，裝有高解析度相機可快速掃描架上存貨、標價標籤和商品位置，而且免傳雲端，運用卡尼基美隆大學研發的Hawxeye人工智慧，機器人可現場用機器學習進行圖像辨識，加快分析速度，減少無用數據。

不到1小時，機器人就掃完數十個貨架，找出缺貨、庫存過低、沒有標籤、標價錯誤和錯置的商品，通知店員處理。在過去，這得花上一群人數天時間才能完成。

目前全美有50家沃爾瑪使用Auto-S貨架掃描機盤點架上商品。目前總里程650英里（近1千公里），尚未發生任何事故。來源：KPIX CBS SF Bay Area / 沃爾瑪
這提升了顧客的便利性，確保他們總能在對的貨架上找到想買的東西。對沃爾瑪而言，這能降低人事成本，減少貨架空間的浪費，但它還有更重大的意義：「驅動這類新科技的動力，是走向全通路零售的必要性。為了提供當天、低價或最後一哩運送，你必須以這些門市做為配送中心。但要實現這個目標，他們真的需要即時掌握架上有什麼，」Auto-S的製造商Bossa Nova執行長Bruce McWilliams接受Venturebeat採訪時說。

入口處的自助提貨塔就是明證，只要掃描你的網路訂單條碼，45秒內你的貨就會出現在輸送帶上，取貨變得跟「高科技自動投幣機」一樣方便。自駕車配送也進入測試階段。

去年11月，沃爾瑪宣布與福特合作，用自駕車宅配；7月，和Waymo（Alphabet旗下子公司，專門研發自駕車）聯手，在亞利桑那州小規模試點，「http://xn--walmart-6p3l44vn4ljhs1l8c981cucbz07isk0a.com/grocery下單，選擇到店取貨，我們的個人購物助理便會依據取貨時間，細心準備訂單上的商品。剩下的就交給Waymo。Waymo會接送顧客往返門市取貨，你可以利用這段時間完簡訊、小睡、工作，隨心所欲。」沃爾瑪部落格如此描述。

這一切聽起來，像是科幻小說？

沃爾瑪可不這麼認為，「今天，變化的速度很快。10年前，多數客戶還在讀第一代iPhone的消息，懷疑是否實用。現在，他們用手機上買東西，就期望宅配到府或店裡取貨 – 而且通常是當天，幾小時內，甚至幾分鐘內，」沃爾瑪執行長董明倫（Doug McMillon）說，「零售商得適應這些變化 – 在某些領域甚至引領潮流 – 不然就會落後並消失。」

附圖：圖說：去年改版後的沃爾瑪網站，新功能包括當地熱門商品、快速追蹤訂單、快速續訂、我的當地門市服務等，強化區域及個人化體驗。來源：沃爾瑪
圖說：伊甸園的APP介面，機器藉由照片的圖像辨識和比對，預估蔬果新鮮度。來源：沃爾瑪

圖說：只要45秒，16英尺高的自助提貨塔，就會準備好你訂的商品。來源：沃爾瑪

資料來源：https://ai-blog.flow.tw/walmart-ai-data-retail