很多人將某些“智能”小區的“門禁、可視對講、電梯控制系統和停車管理系統”等理解為AI家居，這明顯是被錯誤引導的——真正的智能家居比這更復雜、更科技化。

一、智能家居階段

智能家居是一個非常火爆熱門的物聯網行業，自從蘋果發布了Homekit和谷歌收購Nest之后，將智能家居徹底引爆。

智能家居行業，按照物物連接可以分為3個階段：單品連接、物物聯動、平臺集成；目前智能家居行業正處于第二階段。

第一階段：單品連接

這個階段涌現了非常多的單品，這類單品更樂意被叫做智能硬件而非單品。

在智能單品時代，小米是佼佼者。

以小米為例，小米先后推出了小蟻攝像頭、小米門窗磁、小米報警器、小米音箱、小米燈泡；其它廠商有推出空氣球（預報天氣）。這個階段智能家居的粘性是非常低的，最開始的新鮮感會在使用幾次之后慢慢消失。

常見的單品有：智能燈、智能門鎖、智能音箱、智能插座、智能冰箱、智能窗簾、智能洗衣機、智能空調、智能插座、智能電飯煲、智能掃地機器人。

這個階段是單純的物人相連。

第二階段：物物聯動

在這個階段中，企業整合自己旗下所有的單品，使得各產品之間能夠聯動。比如當智能門鎖正常打開后燈自動亮起之類。

除了企業自身整合外，智能家居的集成商可以利用某個企業的開放平臺將其它第三方產品整合到該企業的平臺中，并未最終用戶提供定制化的聯動場景；這個階段在某些廠商、集成商的努力下，達成了部分物物相連。

比如A廠商下的所有單品都能夠集成到某個APP下，或者某個集成商能夠將多個公司的產品整合到一個系統下。前者以小米為主的，它的APP能夠控制小米旗下大部分單品。后者是以歐瑞博、Control4等廠商的集成商為代表，將他們旗下的單品和其它公司的單品整合到他們開發的系統中。

第三階段：平臺集成

根據統一的標準， 使各企業單品能相互兼容， 目前還沒有發展到這個階段。即A公司的網關能夠控制B公司的燈，C公司的傳感器能夠指揮D公司的掃地機器人打掃衛生。

這個階段是要求萬物互聯，真正的連接，不是依賴于某個集成商或者某個廠商，而是通過某個協議完成了萬物互聯。

目前并沒有一種通用的協議或者平臺能夠完成萬物互聯或者智能家居產品的互聯。wifi和藍牙雖然是全球共用的，但是由于自身原因還不能一統江湖（前者功耗高、支持的設備有限；后者是最近才支持mesh網絡，還未普及）。

需要注意的是，單品和物物聯動并非是嚴格按時間順序推進的。當我剛入行時，已經存在物物聯動的智能家居系統，而之后才有小米將智能硬件帶到一個新的熱度。

二、國內智能家居現狀

目前國內的智能家居市場是兩極分化：智能家居廠商這邊是熱鬧非凡，地產公司、家電公司、互聯網公司和AI公司紛紛進入到這個行業；但是消費者這邊，卻冷清了很多。

相關數據顯示，目前歐美國家智能家居的滲透率已超過35%，日本和韓國的滲透率超過25%，而在中國，這個數字還未達到5%。

1. 消費者部分

難決策。

眾所周知，硬件產品的購買決策途徑比互聯網產品的購買決策途徑長和復雜，而且一旦選擇某個硬件之后替換成本非常高。這導致了客戶在選擇智能家居產品時，面臨的決策復雜度非常高。

這些并非是能夠通過市場引導和教育能改變的，哪怕很多公司都提供了智能家居樣板間，但依然很難提升成交率。

價格高。

另外一點：智能家居產品的售價目前依然非常高。

國內產品的價格盡管不高但整體價格不低，進口產品單價高整體價格更高。這個原因也變相導致客戶的購買欲下降，導致智能家居變為部分人群的玩物。

消費者難接觸。

國內有一些智能家居產品是借助互聯網渠道銷售，普通消費者能夠接觸到的機會不多。

此外，通過網絡測評了解到的產品信息與真實產品體驗存在較大差距，這讓很多消費者對智能家居產品的了解猶如隔空望月，看得見、摸不著，所以，購買意愿相對較低。

不智能。

消費者不買賬的另外一部分原因，是消費者心智中的智能與市場提供的智能相差甚遠。

比如很多小區都配置了門禁、可視對講、電梯控制系統和停車管理系統，然后標稱自己是智能小區。

——這些離消費者心目中的智能家居相差甚遠，導致消費者心里已經先入為主認為智能家居就是個幌子。

2. 廠家部分

做智能家居的廠商是非常多的，國內巨頭阿里、華為（含榮耀）都有智能家居的產品。

總體來看，可以將廠家分為以小米為代表的智能硬件/單品出身（先做單品，然后做一個超級APP管理所有單品，再進化成系統）和以歐瑞博為代表的以智能家居系統廠商（自建系統/平臺，然后對接第三方廠家產品）。

三、智能家居未來

1. 多模態

必須要承認，智能家居與其它AIOT行業不一樣的地方是，它要求多模態的交互方式和多模態的協作（物物之間）。

下面這段話來自柒靈：

所謂多模態交互即多種本體交互手段結合后的交互，例如將多種感官融合，比如文字、語音、視覺、動作、環境等。

人是一個典型的多模態交互的例子，在人與人交流的過程中，表情、手勢、擁抱、觸摸，甚至是氣味，無不在信息交換的過程中起著不可替代的作用。

顯然，智能家居的人機交互勢必不止語音一個模態，而是需要多模態交互并行。舉個例子，智能音箱如果看到人不在家，那就完全不需要對電視里誤放出的喚醒詞進行響應，甚至可以把自己調到睡眠狀態；一個機器人如果感覺到主人在注視他，那么可能會主動向主人打招呼并詢問是否需要提供幫助。

多模態處理無疑需要引入對多類傳感器數據的共同分析和計算，這些數據既包括一維的語音數據，也會包括攝像頭圖像以及熱感應圖像等二維數據。這些數據的處理無不需要本地AI的能力，也就對邊緣計算提出了強力的需求。

2. 身份鑒別

智能家居系統目前普遍無法識別你是你，反而有一些智能單品能夠識別。

目前，通過智能門鎖或者攝像頭能夠確認身份，但是智能門鎖只在出入口，攝像頭一般用于周界和出入口（雖然也有甲方曾經要求室內安裝大量監控攝像頭的）；而如果在室內，又該如何鑒別身份呢？

人類一般是通過聽覺和視覺去識別人。

在智能家居系統中，是存在不少能夠識別你的設備，比如帶攝像頭的電視機、智能音箱。

與身份鑒別的場景有很多。比如回到家中，背景音樂或者智能音響包括照明都會根據你個人的喜好進行調整，這個調整是根據你的日常行為、性別、愛好、回來的時間、天氣等因素并結合特定日期（生日、紀念日等）經過自我學習完成的，這個的目標是個性化。

另外一個與安防有關的場景。

當晚上布防之后，如果你起來活動，智能家居系統能辨識到你在活動，在你活動區域附近的安防傳感器將自動屏蔽，當你離開該區域后，智能家居系統會解除屏蔽——這樣做的好處是避免你去手動布撤防。

3. 定位

剛剛提到的那個安防的場景其實與定位是有一定的關系，畢竟智能家居系統不僅要認出你還要認出你在哪（臥室、廚房、客廳）。

我個人的一個想法是：可以為智能家居系統賦予3D建模功能，讓其能夠掌握整個家居的結構，可以將這個結構賦予給其它設備，比如掃地機器人、或者智能音箱等可能移動的設備。

相關場景有非常多，以來訪為例：

當你在廚房一邊做飯一邊聽智能音箱播放的音樂，此時智能音箱突然插播了一段語音“前門有陌生人來訪”，并且智能音箱的屏幕上顯示門口監控圖像。你通過監控圖像看到原來是鄰居或者某個朋友，甚至可能是外賣、快遞小哥等等。你對智能音箱說打開門讓他進來或者對智能音箱說“快遞小哥，幫我把快遞放到門口，一會兒我去拿”。此時，智能音箱會將這段話通過門鈴（假定帶語音功能）告知門口等待的人。

同樣，如果在客廳看電視時，客廳電視上將出現一個小窗口顯示門口監控，客廳的智能音箱通過語音提示“門外有人來訪”的提示音，其它房間的電視和智能音箱并不會發出相應提示；甚至當多個電視、智能音箱在使用時，智能家居系統能夠判斷到底讓哪個地方的電視或智能音箱發出提示（比如年輕人優先、其次是老人和小孩）。

如果屋里沒人，那么當有人按門鈴時，無論電視或者智能音箱都不會提供有人來訪的提示。

4. 連接

智能家居是人與物的連接，智慧小區是服務與人、與各家智能家居系統的連接。小區通過各類軟硬兼施設施提供更人性化的服務給小區的業主。

以一個場景為例：

你設定了明天9點到某地與客戶洽談的日程安排。智能系統根據你的日程為你設定了早晨7點起床的鬧鐘，7點30分外賣送到，8點下樓（樓下有車輛送到小區東門），8點10東門上車。智能系統根據住所到目的地距離選擇了乘車出行方式，行程是40分鐘。由于你的車輛限號，于是智能系統根據你的叫車習慣選擇了滴滴出行，并根據你的喜好選擇了專車（不是快車也不是出租）。鑒于小區內提供了免費接送的服務，于是智能系統告知小區8點到樓下等你。依次類推，到鬧鐘設定——原本你設定的鬧鐘是7點30份，那么由于智能系統判斷你需要7點起床才能趕上行程，故智能系統將會屏蔽明天7點30份的鬧鐘（對后天沒有影響）。

5. 去中心化和中心化

根據納什均衡原理，一個組織當中有一個穩定的狀態，這時候群體做出的決策是最優的，任何其他的選擇都會打破這樣的均衡狀態。人類社會恰恰存在著多種的納什均衡——有時偏向集權，有時又偏向分權。

納什均衡其實告訴我們，群體的組織形式會在單一中心和去中心化中找到平衡點，而且這樣的平衡點不止一個。

那么在智能家居行業中，到底是中心化還是去中心化呢？

目前的趨勢還是中心化，就算將來每個設備都是智能設備甚至都有邊緣計算的能力，那將來可能還是有一個中心去負責協調。

為什么這么說？

把每個傳感器、每個終端設備當做一個個人來看，把家居當做一個會議室，每個人都在自說自話；那么，會有結論么？

不會。

這個互相傳遞的命令，就像是鬧市中的各類聲音一般；故很大程度上還是會有一個中心，并且允許其它中心的存在。比如某個傳感器發現地面臟了，可以發送命令給掃地機器人掃地。

另外再舉一個例子說明：

當機器人發現主人不在家后自動進入了休眠狀態。那么問題來了，機器人怎么發現主人不在家的？

方式一：機器人在所有房間里轉了一圈，沒有發現主人在家，于是回到之前位置然后進入休眠并告知其它設備進入休眠。

方式二：機器人在屋里喊了一嗓子“你們誰看見主人了？”（廣播），所有設備告訴它沒有看到或者某個設備告訴它主人外出了（比如攝像頭或者音箱），于是機器人進入休眠。

方式三：智能家居系統發現主人不在家后，將消息告知了機器人，于是機器人進入休眠。

方式一和方式二可以看做是去中心；方式三是中心化。

6. 數據分析

前陣子看了一下熱播劇都挺好，里面有一個情節是：蘇明成在臥室里留意到蘇大強晚上去了好幾次廁所，推斷出蘇大強身體有問題。

那么，如果某個智能馬桶發現某個人最近一段時間每晚都要去好幾次廁所，它能夠推斷出這個人的身體有問題么？

目前的答案是：不能判斷。

原因是：現在的智能馬桶并不能對自己產生的數據進行分析，且目前也不能判定使用者的身份。

但是，一些醫療產品已經具備了基礎的數據分析，他們能夠根據用戶的生理狀態提供一些建議或幫助。

由此推斷：智能硬件或者智能系統有必須主動分析本設備或本系統產生的數據，并提供相關建議給用戶。

7. 隱私和數據保護

上一部分中提及的：智能馬桶發現某個人身體可能有問題的用例，如果智能馬桶將該信息傳到廠家云平臺進而告知相關藥店或者醫院，導致這個人一段時間內看到很多關于如何治好xx的廣告或商品，甚至莫名其妙接到某些推送。

這樣的情況，是否允許發生呢？

此外，由于智能設備或智能系統保有用戶大量的個人數據，并且無論智能設備或智能系統都需要定期與云平臺通訊，如果通訊內容被不法分子獲取，那么可能會被某些別有用心的人利用。

為此，每個廠家都應該切實保護數據——無論是數據傳輸過程中亦或者是存儲數據的云平臺或者是產生的數據的設備。

我們知道：如果想實現智能，需要大量數據；但是出于隱私和數據保護的緣故，智能硬件或者智能系統又不能將個人隱私和數據直接傳遞到某個云平臺，那么該如何進行模型訓練呢？

針對隱私：

個人的數據是隱私，但是一群人的數據特征就不再是隱私。比如某個人喜歡買智能硬件和某個地區80%的男人喜歡購買智能硬件，前者涉及個人，后者不涉及個人（是可以公開的）。因此可以將個人化的數據脫敏后上傳到云端，但是這個過程務必取得消費者的認同。

對于模型訓練的做法：

可以利用邊緣計算，將數據在數據本地進行初步訓練，然后將結果返回到云平臺進行再次訓練，最終將模型下發至相應終端設備或系統。