当今的“智能家居”类似于过去家庭中的“家电”：每家每户几乎都会拥有几种。现在我们逐渐明白了哪些设备真正有用，哪些则不然。每家都有面包机或搅拌机，但没有人会去买电开罐器。同样的道理也适用于智能家居设备，我们仍然在探索哪些设备真正有用。

机器学习面临着很多挑战：我们如何将这些设备整合起来，使它们在家庭、平台和智能手机上发挥最大作用？机器学习不仅需要解决实际问题，还需要找到合适的方式展示这些问题给用户。

例如，我们只需要简单地说这是“人工智能”，就能吸引大众的关注。在过去，我的祖父母可以告诉你家中有多少个电机，比如车上的、冰箱里的、吸尘器里的等等。但现在，这个数字已经难以统计，这个问题也失去了意义。现在我们更关心自己家中有多少联网设备，这个数字同样难以统计，但这并不重要。

这两个例子都表明，组件的进步推动了产品的创新。家庭电气化是通过廉价的直流电机（DC motors）、加热元件等实现的，而当前流行的“智能家居”设备则是由廉价的低功耗摄像头、Wi-Fi芯片、麦克风等（大多来自智能手机供应链）驱动开发的。

同样，在这两个案例中，都存在一个发现阶段：我们已经有了这些组件，但仍然需要找到合适的组合方式。因此，人们提出了各种家用电器的设计方案，通过共同研究和合作，找到可以应用这些设计的地方。例如，在英国，几乎每家都有水壶；在美国，大多数家庭都有搅拌机，但很少有人购买电开罐器。

如今，“智能家居”也出现了类似的情况。有许多处于试验阶段的产品设计，有的可能成为“水壶”，有的只能成为有意义的“电开罐器”。只有经过试验，才能确定哪些产品真正可行。

这个试验过程还涉及到公司价值方向的确定——哪些是现有的制造商（如烤箱公司、锁具公司等）已经生产过的商品，哪些是来自深圳的新产品，还有哪些是创业公司可以尝试的机会。

这些试验与机器学习中的创造和发现过程非常相似，特别是在消费品类别中。同样，越来越多的组件帮助我们研究计算机视觉、语音识别和自然语言处理（NLP）以及更广泛的机器学习模式识别。

许多组件已经成为商品，或者很快将成为商品。我们也在研究如何将这些组件组合成产品，添加到其他产品中，并展示给消费者。

因此：

1. 通过应用电动机和加热元件，我们可以构建什么？
2. 通过应用Wi-Fi芯片、摄像头和麦克风，我们可以构建什么？
3. 通过应用图像识别、自然语言处理和模式识别，我们可以构建什么？

同时，这些机器学习组件本身就是智能家居的一部分（如网络摄像头或智能恒温器），反过来，智能家居设备（如智能扬声器）也可以作为语音助手的终端。

当然，“智能家居”在发现阶段面临的挑战之一是：有多少设备可以实现互联？这是“物联网”还是“网联物”？

语音助手同样面临挑战，能否通过语音控制所有设备？

我喜欢用韦恩图（Venn Diagrams）来思考这个问题。例如，通过语音将烤箱预热到350度，而智能门锁和防盗报警器之间的对话也能带来便利，但这两者是否需要结合呢？

也就是说，我们有一系列扩展点解决方案（有些设备的使用寿命很长，用户不会为了语音助手而更换烤箱）。同样，人们需要考虑：机器学习如何突破这些扩展点解决方案，成为连接不同设备的纽带。

硅谷普遍认为，每个独立的人工智能类别就像是一个单独的数据库。我们不会要求所有的照片、电子邮件、短信和Instagram更新都存储在一个统一的数据库中——即使这些应用程序使用相同的底层技术，但它们毕竟是不同的应用。

同样，机器学习适用于各种不同的场景。例如，电池优化和谷歌的夜间模式都使用了机器学习，但两者显然使用了完全不同的代码段，用户在使用时也不需要“人工智能”这样的标签。即使一些产品显然是人工智能产品，甚至使用相同的核心技术，产品之间也可能完全不同。

如果我在Google Photos中上传一张狗狗在海滩上的照片，Google Photos的用途是：找到狗狗在海滩上的照片。但如果我把这张照片上传到视觉搜索软件Google Lens，软件告诉我是海滩上的狗就没什么意义了。我们不会单独购买电机，而是购买电钻。同样，我们不会单独购买芯片或人工智能标签。

机器学习不仅需要解决实际问题，还需要找到合适的方式向用户展示这些问题。如果我的iPhone在电子邮件中检测到航班确认信息，它会将相关行程添加到手机日历中，并提示“Siri发现了航班”。

Siri并不是一个单一的应用程序（在这个情况下，Siri甚至没有使用机器学习），苹果赋予Siri的含义是：“手机正在进行观察，并提供相应的建议。”这里涉及到很多关于信息传递和用户沟通的问题，特别是隐私问题。

通常情况下，系统无法验证其观察结果，更多的是表达一种可能性。但对于语音助手或图像分析工具如Google Lens，如何表达它们的能力和局限性呢？

也许人工智能的作用就是向用户传达这样的信息：它具有机器学习的特性，帮助用户调整期望值。换句话说，人工智能降低了用户的期望值。也许有些人工智能产品需要贴上“人工智能”的标签才能被理解，而有些产品则可能不需要这个标签，因为它们与人工智能无关。