端侧AI如何重塑家电:从“听懂指令”到“做好本职工作”

烤箱会聊天，不代表它会烤；冰箱能推荐菜谱，也不代表它更懂保鲜。判断家电智能化有没有价值，先看它是否把本职工作做得更好。

买烤箱，是想把饭做好；买冰箱，是想让食材存得更妥当；买空调，是想住得舒适；买洗衣机，是想把衣服洗干净、少洗坏。

所以，评价家电智能化，不妨少问一句“它能听懂多少话”，多问一句：它感知到了什么，判断出了什么，又因此改变了什么？

一、什么是端侧AI？先分清“控制”和“判断”

假设你往烤箱里放了一盘鸡翅。

最普通的做法是，你选好温度和时间，烤箱照着执行。腔体温度低了就加热，高了就减少加热——这也是自动控制，但烹饪方案主要由你决定。

另一种做法是，烤箱拍照，把图片传到服务器；云端模型识别食材，再把建议传回来。这用到了AI，但识别发生在云端。

还有一种做法：识别模型就运行在烤箱内部。照片不必先传出去，设备便能在本地判断食材类别、跟踪表面上色，并将结果提供给烹饪控制程序。这就是端侧AI的一种典型形式。

这里的“端”，指承担推理任务的本地设备。对家电而言，它可能是一颗微控制器，也可能是一块算力更强的机内计算板。小型模型并非只能运行在手机或服务器上：面向微控制器的机器学习框架，已经支持将训练好的模型转换、部署到设备上执行推理。训练通常在设备外完成；设备运行时做的是判断，而不是从零开始学习。

还有一个容易混淆的地方：本地运行”不等于“用了AI”。温度超过阈值就开机，是规则；根据已知物理关系估算状态，也未必需要AI。端侧AI更值得讨论的场景，是传统传感器已经采到数据，却难以单靠一条固定规则判断实际状态，于是用经过训练的模型辅助识别、估计或预测。

它的任务不是取代整套控制系统，而是在系统需要作判断的地方，补上一双更会“看”、更会“听”、更会分析信号的眼睛和耳朵。

二、家电AI真正要跨过的一道坎：从“认出来”到“做得好”

让烤箱认出“鸡翅”，只是开始。

同样是鸡翅，一盘和两盘需要的加热过程可能不同；刚从冰箱取出的食材与室温食材也不同。用户想要表皮焦香，控制程序还得考虑现有的加热方式、烹饪进度，以及怎样避免过度加热。

因此，一项有用的家电智能能力，通常要走完这个闭环：

采集信息→判断状态→选择策略→执行动作→检查结果→必要时调整。

以烤箱为例，摄像头可以观察表面上色（我们公司的Camera还能估计重量，厉害吧！），温度传感器测量腔体温度；如果配有正确放置的食物探针，还能测量食物内部温度。模型负责在其支持范围内识别食材、估计烹饪阶段；控制程序负责调节加热；安全保护则负责守住边界。

这也解释了为什么“视觉识别准确率高”，不等于“饭一定烤得好”。识别结果必须进入控制流程，并经得起实际烹饪结果的检验。

安全尤其不能靠“看起来熟了”推断。以禽肉为例，美国农业部建议用食物温度计确认其内部达到74℃（165℉）；表面颜色不能替代内部温度测量。

三、看四种家电：AI应该帮它们做好什么？

烤箱：少猜时间，多关注成品

用户说“外面焦香一点，里面别太柴”，设备不必把这句话机械地翻译为某个固定温度和分钟数。更有价值的做法是：在已验证的食材与烹饪范围内（端侧垂域模型我们从来不以支持上百种食材识别而骄傲，我们骄傲的是能做好十种常用食材），结合食材识别、腔体温度和上色变化，选择程序，并在过程中适度调整。

“更健康”也不是一句经不起检验的万能宣传语。比如，针对切块马铃薯和烤面包，美国FDA建议避免烹饪至过深的褐色，以帮助减少丙烯酰胺形成；这条建议我们的烤箱会自动思考采纳。

冰箱：少一点屏幕花样，多一点保鲜能力

冰箱最核心的工作，是维持适宜的储存环境。端侧模型可以结合温度变化、开门后回温情况及设备运行状态，辅助判断制冷负荷，再与原有控制系统配合调整运行策略。

如果配备食材识别，还可以辅助记录“放进了什么”。结合食材的特性，管理冰箱分区的最佳保鲜温湿度。

冰箱AI的检验题不是“推荐了多少道菜”，而是在相同使用条件下，温度控制、恢复表现和能耗有没有改善。

空调：控制的不只是一个温度数字

两间房都显示26℃，人的感受仍可能不同：湿度、气流、人员位置和设备噪声都会影响体验。有了相应传感器和执行机构，端侧模型可以辅助估计环境变化与使用状态，再让控制系统协调制冷量、风量和送风方向。

空调AI值得追求的不是“替用户频繁改设定温度”，而是少让用户觉得闷、冷或被直吹，尤其是夜间少让用户反复拿起遥控器。

洗衣机与干衣机：不让用户先成为“程序专家”

洗衣机不一定需要一颗新传感器，才能知道更多。电机本来就在工作，其电流变化便可能成为估计衣物负载的线索；运动传感器的数据则可用于判断滚筒碰撞风险。

这类能力的价值，不是向用户展示一个“AI估重”数字，而是把估计结果用于选择合适的用水、滚筒动作或脱水策略。干衣机也类似：预测“还要多久”可以改善时间提示，但最终仍要看衣物是否烘到合适状态、有没有明显过度烘干。

四、为什么放在本地？又为什么不能什么都交给本地模型？

端侧推理的直接好处，是某些判断不必等待数据上传和结果返回，响应实时性更强；断网时，已完整部署在设备内的能力仍有机会继续工作，不必受家庭联网条件的影响。家庭图像、声音等原始数据也可以减少不必要的外传。

但算力也有代价。模型要占用存储和内存，运行要花时间、消耗电力；它不能妨碍设备及时完成基础控制。比较合理的分工是：

模型辅助判断，成熟控制程序执行动作，独立安全机制约束边界；云端按需提供知识服务或更新支持。

这比“把所有环节都交给一个大模型”更接近家电的实际需要。

五、怎样证明这不是又一个“智能化标签”？

产品开发时，先别问“能装什么模型”，先问“要解决什么问题”。

烤箱，是减少成品忽生忽焦，还是减少用户调参数？冰箱，是改善开门后的温度恢复，还是提升食品的保鲜能力？空调，是改善舒适体验，还是在相同舒适条件下降低能耗？目标不同，测试方法也不同。

随后，把新方案与原有成熟方案放在相同条件下比较。除了模型识别得准不准，还要看整机结果：做出的食物是否更稳定、衣物是否洗净、房间是否更舒适、水电是否真的节省。一次演示成功，不能代替不同负载、环境和使用习惯下的验证。

最后，还要测试它“判断错了怎么办”：识别把握不高时能否请用户确认？传感器异常时能否回到可靠的基础程序？模型更新失败后能否恢复？这些设计往往比一场流畅的演示更重要。

结语

端侧AI不是让每台家电都拥有一个能聊天的大脑，而是让设备在必要的地方，更准确地判断正在发生什么，再采取更合适的动作。

烤箱把饭做好，冰箱把食材存好，空调把环境调舒适，洗护设备把衣服照顾好——当这些本职工作有了可验证的改善，“智能”才真正从宣传词，变成了用户能感受到的价值。