A16Z合夥人：發展智能家居與機器學習的新思路

• 今天的“智能家居”在家庭的地位跟一、二代前的電子產品是一樣的：每個人都會有一些，但我們正在設法弄清楚哪個行得通。人人都有烤麵包機或者攪拌機，但沒人有電子開罐器，智能家居也一樣。我們還處在發現模式。

• 機器學習有很多相同的問題：我們如何將這些商品化組建組合成有意義的產品——不僅在家庭行得通，而且在平台和智能手機上也行得通的產品呢？

• 機器學習的部分挑戰在於不僅要弄清楚要解決什麼樣的問題，而且還要弄清楚如何將之呈現給用戶。部分可能是通過品牌術即可——我們也許需要說“這個就是’AI’”來設定預期（同時也起到降低預期的作用）。

我的祖父祖母可以告訴你他們擁有多少個電機。汽車裡面有一個，冰箱裡面也有一個，真空吸塵器裡面有一個，總計可能會有十幾個。對此今天的我們卻不知道，但這個並不是一個有意義的問題，不過我們的確知道有多少自己的設備是有網絡連接的。再次地，我們的孩子和孫子對此也不知道，而且這也沒關係。

在這兩種情況下，一波商品化組件促進了一波產品的創造。廉價直流電機、加熱組件等促進了家庭的電氣化，而目前的這波“智能家居”設備則是由廉價且低功耗的攝像頭、wifi芯片、麥克風等促進的。（基本上是出自智能手機供應鏈）

同樣地，在兩種情況下，都有一個發現階段：所有的部件我們都有了，但是仍然需要弄明白該怎麼去組合。因此，大家提出了各種針對家用的電子設備，我們共同去弄清楚哪些行得通，在什麼地方行得通——英國每個人都有一個熱水壺，美國大多數人都有攪拌機，但沒人有電子開罐器。同樣的事情正發生在“智能家居”身上。很多產品點子都試過了——其中一些是熱水壺，但也有的是開罐器，但這些只有事後才會看起來很明顯。這個進程部分也正在弄清楚公司的價值去往何處——那些是現有製造商的商品（烤箱公司，鎖具公司等），哪些屬於來自深圳的商品，而哪些是創辦新公司的機會。

所有這些都跟同時在機器學習領域（尤其是消費者產品）發生的創造和發現存在著非常直接的重合。再次地，在計算機視覺、語音以及NLP之類的東西上我們有著種類不斷壯大的各種部件，以及更廣泛但沒那麼明顯的基於機器學習的模式識別。再次地，這些部件很多現在都商品化了，或者正在迅速成為商品。再次地，我們正在弄清楚怎麼去組合它們，把它們開發成產品，或者添加到其他產品裡面，然後呈現給用戶。

那麼：

• 用電機和發熱元件我們可以做什麼東西呢？

• 用wifi芯片、攝像頭和麥克風我們可以做什麼東西呢？

• 用圖像識別、自然語言處理以及模式識別我們又可以做什麼東西呢？

與此同時，這些機器學習部件本身也是智能家居的組件（ML讓聯網攝像頭或者智能恆溫器變得有用），反之亦然（智能音箱往往只是語音助理的一個端點）。

當然，“智能家居”的發現挑戰部分在於這些設備相互之間的互聯程度應該如何——應該是“物聯網”呢？還是“連接到互聯網的物”？

語音助手（基於機器學習）顯然是這個難題的一部分——我要用語音控制一切嗎？也許。我往往會用維恩圖來思考這個——用語音告訴烤箱加熱到350度是很好的做法，如果不需要我說任何東西智能門鎖就能跟防盜報警器對話也不錯，但是門鎖並不需要連接到烤箱。也就是說，我們有一系列的擴張點解決方案（除非是部分設備已經用了10年，否則的話你不大可能會只是為了獲得語音助手支持而換個烤箱）。

同樣地，你也可以想想看ML在多大程度上可能會變成超越一系列點解決方案的東西——也就是是不是應該有更多的結締組織。

矽谷的普遍觀點是想要一個大一統的“AI”層就像是要一個大一統的“數據庫”層一樣。我們不會指望我們的照片、郵件、短信以及Instagram更新都共處著一個統一的的“數據庫層”——因為那些都是不同的軟件部分，即便他們使用的是同樣的底層技術。同樣地，機器學習也會出現在各種不同的地方做完全不一樣的的事情。電池優化用ML，Google的夜晚模式用ML，但那些顯然是完全不同的代碼塊，而且用戶在使用的時候永遠都不需要聽“AI”的。甚至在某個東西明顯是“AI”的時候，甚至在使用同樣的核心技術的時候，產品也可能是完全不同的。如果我給Google Photo一張狗仔海灘邊的照片，用例是“給我看我的狗在海灘邊”的照片。但如果我把照片交給Google Lens，告訴我這是一條在海灘的狗並沒有用處。我們買的不是電機——我們買的是鑽頭。我們買的不是wifi芯片組，我們也不會買’AI’。

另一方面，機器學習的挑戰部分在於不僅要弄清楚要解決什麼問題，而且還要弄清楚如何呈現給用戶。當你的iPhone檢測到郵件中有航班確認消息並添加到你的日程裡面時，它會說Siri“發現了航班”——Siri不是軟件的某一塊（這裡的情況下它甚至都沒有使用任何的機器學習），但是蘋果卻用來宣傳成“手機正在觀察並且做出建議。”這裡有很多的消息傳遞和用戶溝通問題（尤其是隱私問題）。系統經常未必能夠確定自己看到的是什麼——那麼你會說“也許是X？”尤其是，對於語音助手或者像Google Lens這樣的知識圖譜來說，你怎麼去溝通可以做什麼不能做什麼呢，不確定性又應該怎麼溝通呢？也許“AI層”關乎的完全就是把消息傳遞給用戶說這具備了ML特徵，以及設定好可行的適當類型的預期。換句話說，我們也許會說這就是AI來降低預期，而不是提高預期。可能其中部分AI需要對進行“AI”的宣傳好讓大家理解它，也許那個“AI”品牌還會包括一些根本就不是AI的東西。

本文經授權發布，不代表36氪立場。
如若轉載請註明出處。來源出處：36氪