原文來自Ben Evans’s blog，作者Benedict Evans
原文鏈接：https://www.ben-evans.com/benedictevans/2019/4/3/tu4vs2tioi24biufgot7agru2lgbkh
-如今的“智能家居”就好比父輩或祖輩家裡的“電器”：每個人家裡都有幾樣。現在我們漸漸知道哪些實用哪些沒用。每家都有面包機或攪拌機，但沒人會買電開罐器。智能家居同理，依然需要探索。
-機器學習有很多相同的問題：我們如何組合這些商品，使其在家庭、平臺和智能手機上都能夠發揮作用？
-機器學習的挑戰不僅在於要找出問題，還在於如何向用戶展示問題。
比如貼標籤，我們只要說，這是“人工智能”就能吸引關注。
以前，我的祖父母都能告訴你家裡有多少臺電機：車上、冰箱裡、吸塵器等等。
但是現在已經數不過來了，這個問題也失去了意義。我們更清楚自己有多少臺聯網的設備，以後可能又數不過來，但這無傷大雅。
這兩個例子都證明了商品組件的進步會推動產品的創新。家庭電氣化是通過廉價的直流電機（DC motors）、加熱組件（heating elements）等實現的，而目前流行的“智能家居”設備則是由廉價的低功耗攝像頭、Wi-Fi芯片、麥克風等（大多來自智能手機供應鏈）推動開發的。
同樣，這兩個例子裡都存在一個發現階段：我們已經擁有了這些組件，但依然需要找到正確的組合方式。
因此，人們提出了各種各樣家用電器的設計，共同研究、一起做出可行性設計方案，找出可以應用這些設計的場所，比如：在英國，人人都有水壺；在美國，大多數人都有攪拌機；但沒人有電開罐器。
現在，“智能家居”也出現了同樣的情況。有很多試驗中的產品設計，有的會成為“水壺”，有的只能是無意義的“電開罐器”，只有試驗以後才能知道產品到底是否可行。
這一試驗過程還包括確定公司的價值走向——哪些是現有製造商（烤箱公司、鎖具公司等）已經生產過的商品，哪些商品出自深圳，哪些是創建新公司的機會。
這些試驗與機器學習中創造和發現的並行過程（parallel process）非常相似，尤其是在消費品領域。
同樣，越來越多的組件幫助我們研究計算機視覺、語音和自然語言處理（Natural Language Processing，NLP），以及更廣泛、更深層的機器學習模式識別（譯註，pattern recognition，通過計算機用數學技術方法來研究模式的自動處理和判讀）。
許多組件現在都已經成為商品，或很快會成為商品。同樣，我們正在研究如何組合它們、將它們構建成產品、將它們添加到其他產品中、以及展示給顧客。
因此：
1. 通過利用電動機和加熱組件，我們可以構建什麼？
2. 通過利用WiFi芯片、攝像頭和麥克風，我們可以構建什麼？
3. 通過利用圖像識別、自然語言處理和模式識別，我們可以構建什麼？
同時，這些機器學習組件本身也是智能家居組件（網絡攝像頭或智能恆溫器），反之亦然（智能揚聲器是語音助手的終端）。
當然，“智能家居”在發現階段面臨的挑戰是：有多少設備能夠實現互連？這到底是“物聯網”還是“網聯物”？
語音助手一樣面臨挑戰，是否能通過語音控制所有事物？
我喜歡用維恩圖（Venn Diagrams）思考這個問題，通過語音將烤箱預熱到350度，無需指令智能門鎖可以和防盜警報器進行對話，這些都能為生活帶來便利，但門鎖與烤箱之間需要聯結嗎？
也就是說，我們有一系列擴展點（譯註，expanding point，可以利用擴展向平臺添加新功能）解決方案（有的設備使用壽命很長，用戶也不會為了語音助手直接更換烤箱）。
同樣，人們要思考：機器學習怎麼突破擴展點解決方案成為結締組織。（譯註，connective tissue，有連接、支持、營養、保護等多種功能）
硅谷普遍認為，每一個單獨的人工智能分類就像一個單獨的數據庫。 我們也不會要求所有的照片、電子郵件、短信和Instagram更新都歸於一個統一的數據庫——即使這些軟件都使用相同的底層技術（underlying technologies），但它們終究是不同的軟件。
同樣，機器學習適用於各種不同的場合。電池優化使用機器學習，谷歌的夜間模式也使用機器學習，但兩者顯然使用完全不同的代碼段（pieces of code），用戶在使用時也不需要“人工智能”這樣的標籤。即使一些產品明顯是人工智能產品，甚至（與人工智能產品）使用相同的核心技術，產品之間也可能完全不同。
如果我在Google Photos中上傳一張狗狗在海灘上的照片，Google Photos的用例是：尋找狗狗在海灘上的照片。但如果我把這張照片上傳至視覺搜索軟件Google Lens（譯註：Google Lens是Google在2017年Google I/O上發佈的一款應用程序，旨在通過視覺分析提供相關信息），軟件僅僅告訴我這是一隻海灘上的狗是毫無意義的。我們不會單獨買電機，我們要買的是電鑽。同樣地，我們不會買芯片，不會買人工智能這個標籤。
機器學習的挑戰不僅在於要找出問題，還在於如何向用戶展示問題。
如果你的iPhone在電子郵件中檢測到航班確認信息，它會將相關行程添加到你的手機日曆中，並提示說“Siri發現航班”。
Siri不是一個單一的軟件（在這種情況下，Siri甚至沒有用上機器學習），Apple賦予Siri的含義是“手機正在進行觀察，並提出建議”。這裡涉及很多消息傳遞和用戶通信問題（尤其是隱私問題）。
通常情況下，系統無法驗證自己的觀察，更多的表達一種可能性。但對語音助手或圖片分析如Google Lens，要如何表達能做和不能做的意味，又如何表達它們的不確定性呢？
也許人工智能的作用就是向用戶傳達這樣一個消息：它具有機器學習的特性，幫助用戶調整是否可行的期望值。
換句話說，人工智能降低了人們的期望值。也許有些人工智能產品需要貼上“人工智能”的標籤人們才能理解，而也許撕下這個標籤，有些產品和人工智能卻毫無干係。
閱讀更多 久謙諮詢 的文章
