AI智能家居：从希望到困惑

当前，仍无人真正解决这一难题：如何令大型语言模型（LLM）知晓何时需精准、何时可随机。

这真乃令人瞬间崩溃的清晨。

一位来自The Verge的科技记者晨起，步入厨房，对着装备Alexa的博世咖啡机吩咐道，煮杯咖啡。

未求创新，未提繁复需求，她仅盼机器依循预设程序行事，结果，被拒了。

而且，不止一次。

自升级至Alexa Plus（亚马逊的生成式AI语音助手）后，此类对话几乎成了她的晨间例行公事。

每次吩咐煮咖啡，Alexa皆能给出不同理由，以惊人的创造力告知你，不可。

2025年即将逝去，AI能撰写论文、代码、聊天、教学，却在清晨败给了「煮杯咖啡」。

在社区讨论中，此类吐槽场面颇为壮观，可谓怨声载道。

开灯这一事项，完全成了重灾区。

播放歌曲亦显艰难。

设定时间也变得如此棘手。

彻底心灰意冷的亦有之。

显然，现实与众人对AI的直觉预期形成了鲜明对比。

传统助手虽笨，但高度确定，只要你念对（略显傻气的）「咒语」，结果总是可预期的。

如今，以LLM为核心的生成式AI助手，智商更高，理解更深，表达更丰富，却在其最擅长之事上频频失手：

开灯、设定计时器、播报天气、播放音乐、运行日常例程。

为何会如此？

因为LLM天生引入了大量随机性。它能理解更多含义，也允许更自由的表达，但代价是：解释空间被极大放大了，包括误解的可能性。

你向ChatGPT提出同样的问题，今天与明天会得到不同答案，这正是其价值所在。但当此特性用于控制咖啡机时，便成问题了。

在要求即时、可重复、零容错的控制场景中谈概率，本身即大漏洞。

相比之下，传统语音助手的本质实为模板匹配器。它们并不理解，仅识别关键词，然后填参数。

如你说「播放广播」，系统非常清楚，后面只可能跟「电台名称」。

为弥补生成式模型在确定性上的不足，亚马逊与谷歌皆尝试将LLM与智能家居API深度绑定。但这又引入了新问题。

LLM确实不擅长在每次请求中生成完全一致、语法严格正确的系统调用。

而当它们被要求直接生成API调用、控制真实设备时——哪怕极小偏差，也可能导致操作失败。

这正是为何你的咖啡机有时死活不给你做咖啡。

理论上，让新助手达到旧助手那样的可靠性并非不可能，但需极大工程投入、约束设计与失败兜底。

在资源有限、诱惑足够大的现实里，「做点更刺激、更赚钱之事」的最简易路径便是先将技术推向现实世界，再让它自我修正。

换言之，我们正集体扮演一个角色：AI的长期内测用户。

参考链接