20 * C(500,3) = 414,170,000
總共超過四億種可能組合。
如果一家1300平方呎的店總共有兩百隻高清攝影機，每隻高清攝影機無壓縮視訊資料量約為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的影像資料上完成分析。
要了解這樣的系統在擴張可行性的困難，我們假設把1300平方呎商店增加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%）
220 * 3Gbps * (20 * 60) = 792,000 Gb = 99TB （增加約50%！）
大家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資料量，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類神經網路系統不會這麼陽春，一定會採用大量的資料壓縮和網路設計技巧。但儘管如此，底層資料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光是硬體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間分店就得花上$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——我們當然也可以想像恩威迪亞負責亞馬遜的業務現在正笑得合不攏嘴。
而上述的這一切技術障礙、建置成本和營運成本，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」，這也是為什麼我們雖然談過許多自動結帳系統的新創卻都沒有投資的原因，因為它們大多採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營運成本都過高，讓一切只能停在紙上談兵。
