原文来自Ben Evans’s blog，作者Benedict Evans
原文链接：https://www.ben-evans.com/benedictevans/2019/4/3/tu4vs2tioi24biufgot7agru2lgbkh
-如今的“智能家居”就好比父辈或祖辈家里的“电器”：每个人家里都有几样。现在我们渐渐知道哪些实用哪些没用。每家都有面包机或搅拌机，但没人会买电开罐器。智能家居同理，依然需要探索。
-机器学习有很多相同的问题：我们如何组合这些商品，使其在家庭、平台和智能手机上都能够发挥作用？
-机器学习的挑战不仅在于要找出问题，还在于如何向用户展示问题。
比如贴标签，我们只要说，这是“人工智能”就能吸引关注。
以前，我的祖父母都能告诉你家里有多少台电机：车上、冰箱里、吸尘器等等。
但是现在已经数不过来了，这个问题也失去了意义。我们更清楚自己有多少台联网的设备，以后可能又数不过来，但这无伤大雅。
这两个例子都证明了商品组件的进步会推动产品的创新。家庭电气化是通过廉价的直流电机（DC motors）、加热组件（heating elements）等实现的，而目前流行的“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）推动开发的。
同样，这两个例子里都存在一个发现阶段：我们已经拥有了这些组件，但依然需要找到正确的组合方式。
因此，人们提出了各种各样家用电器的设计，共同研究、一起做出可行性设计方案，找出可以应用这些设计的场所，比如：在英国，人人都有水壶；在美国，大多数人都有搅拌机；但没人有电开罐器。
现在，“智能家居”也出现了同样的情况。有很多试验中的产品设计，有的会成为“水壶”，有的只能是无意义的“电开罐器”，只有试验以后才能知道产品到底是否可行。
这一试验过程还包括确定公司的价值走向——哪些是现有制造商（烤箱公司、锁具公司等）已经生产过的商品，哪些商品出自深圳，哪些是创建新公司的机会。
这些试验与机器学习中创造和发现的并行过程（parallel process）非常相似，尤其是在消费品领域。
同样，越来越多的组件帮助我们研究计算机视觉、语音和自然语言处理（Natural Language Processing，NLP），以及更广泛、更深层的机器学习模式识别（译注，pattern recognition，通过计算机用数学技术方法来研究模式的自动处理和判读）。
许多组件现在都已经成为商品，或很快会成为商品。同样，我们正在研究如何组合它们、将它们构建成产品、将它们添加到其他产品中、以及展示给顾客。
因此：
1. 通过利用电动机和加热组件，我们可以构建什么？
2. 通过利用WiFi芯片、摄像头和麦克风，我们可以构建什么？
3. 通过利用图像识别、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也是智能家居组件（网络摄像头或智能恒温器），反之亦然（智能扬声器是语音助手的终端）。
当然，“智能家居”在发现阶段面临的挑战是：有多少设备能够实现互连？这到底是“物联网”还是“网联物”？
语音助手一样面临挑战，是否能通过语音控制所有事物？
我喜欢用维恩图（Venn Diagrams）思考这个问题，通过语音将烤箱预热到350度，无需指令智能门锁可以和防盗警报器进行对话，这些都能为生活带来便利，但门锁与烤箱之间需要联结吗？
也就是说，我们有一系列扩展点（译注，expanding point，可以利用扩展向平台添加新功能）解决方案（有的设备使用寿命很长，用户也不会为了语音助手直接更换烤箱）。
同样，人们要思考：机器学习怎么突破扩展点解决方案成为结缔组织。（译注，connective tissue，有连接、支持、营养、保护等多种功能）
硅谷普遍认为，每一个单独的人工智能分类就像一个单独的数据库。 我们也不会要求所有的照片、电子邮件、短信和Instagram更新都归于一个统一的数据库——即使这些软件都使用相同的底层技术（underlying technologies），但它们终究是不同的软件。
同样，机器学习适用于各种不同的场合。电池优化使用机器学习，谷歌的夜间模式也使用机器学习，但两者显然使用完全不同的代码段（pieces of code），用户在使用时也不需要“人工智能”这样的标签。即使一些产品明显是人工智能产品，甚至（与人工智能产品）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的用例是：寻找狗狗在海滩上的照片。但如果我把这张照片上传至视觉搜索软件Google Lens（译注：Google Lens是Google在2017年Google I/O上发布的一款应用程序，旨在通过视觉分析提供相关信息），软件仅仅告诉我这是一只海滩上的狗是毫无意义的。我们不会单独买电机，我们要买的是电钻。同样地，我们不会买芯片，不会买人工智能这个标签。
机器学习的挑战不仅在于要找出问题，还在于如何向用户展示问题。
如果你的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你的手机日历中，并提示说“Siri发现航班”。
Siri不是一个单一的软件（在这种情况下，Siri甚至没有用上机器学习），Apple赋予Siri的含义是“手机正在进行观察，并提出建议”。这里涉及很多消息传递和用户通信问题（尤其是隐私问题）。
通常情况下，系统无法验证自己的观察，更多的表达一种可能性。但对语音助手或图片分析如Google Lens，要如何表达能做和不能做的意味，又如何表达它们的不确定性呢？
也许人工智能的作用就是向用户传达这样一个消息：它具有机器学习的特性，帮助用户调整是否可行的期望值。
换句话说，人工智能降低了人们的期望值。也许有些人工智能产品需要贴上“人工智能”的标签人们才能理解，而也许撕下这个标签，有些产品和人工智能却毫无干系。
閱讀更多 久謙諮詢 的文章
