即使造價10億美元的機器也無法替代醫生這一存在。但一臺僅25美元的機器卻能夠在人們需要看醫生的緊要關頭告知人們。

1996年，芝加哥庫克縣醫院急診室曾借助一種算法來判斷胸痛患者何時有心臟病發作的危險，以達到供他們及時接受治療的目的。通過使用一種基于流程圖的、系統化的基本測試方法，該算法不僅快速有效，而且相當準確：它將超過70%的患者歸類為低風險類別，并且其判斷心臟病發作案例的準確率高達95%，而人類醫生才僅為75-89%。在當時，這一實踐并沒有涉及任何的深度學習技術。

今年，考慮到全世界約有64億個物聯網設備正被使用，換句話說，幾乎全球一人一個。就算其中只有1%會借助物聯網設備收集來的關于脈搏、飲食或睡眠的數據信息來分析人們的健康狀況，那么這也等同于將全球的醫生覆蓋范圍擴大至五倍之多。

不過，此類設備真正的魔力源于機器學習技術。除了將這種特殊的算法應用到更多的地方以外，即使在連有數十年經驗的醫生都看不出模式的情形下，這種量級的數據收集也已然發現了新模式。例如，Fitbit手環注意到你的脈搏波動，其狀況與心臟病高度相似，因而它便能夠及時提醒你到醫院接受治療。機器學習意味著解決那些家常設備無法解決的問題。

但是，當IBM的Watson和谷歌的DeepMind開始在一些領域(諸如電視智力競賽節目Jeopardy和圍棋)完勝人類時，機器學習已然成為了一個潛在的問題。而如今的問題是：如果Fitbit能夠拯救你的生命，而 Nike+ Fuel Band卻不能，那你會選擇哪一個?

“智能”的真正價值

在形形色色的“智能”設備中，那些配備有機器學習技術的設備成為市場領軍人物，并不奇怪。以Nest為例，作為一款典型的智能設備，人們不會僅僅因為它可以借助手機應用來控制室內溫度而選擇花錢購買。人們入手的原因在于其節能功能，它能夠以一種智能的方法來解決先前無法解決的問題。比如，根據人們的存在和需求來自動調整室內溫度。

不過，大多數制造商都只追求產品的便利性。飛利浦HUE系列電燈雖然設計精美，但其“智能”標簽，也只是因為它支持手機控制。便利性并不是一個需要解決的問題。你不會因為能夠自行打開電燈而認定人類智能。所以，同樣的道理，我們為什么要給這類設備貼上智能標簽呢?

消費者物聯網設備中缺乏的真正意義上的智能特性，也是阻礙他們推廣普及的因素之一。 支持遠程訪問的門鎖或者當人們回家時自動啟動的音響都只是些奢侈品，他們的消費群體幾乎都是上層階級。

機器學習可以將人們的愿景變成必需品：恒溫器既能保持溫暖，又能節能省錢;睡眠或健身的可穿戴設備，給人們個性化的提示;環境監測器可以診斷和對抗污染源，以防止家人受到傷害。

機器學習將成為PK的賽事點

那些具備機器學習功能的產品與并不具備的相比，更有吸引力。但機器學習的本質意味著，在競爭產品中，那些在機器學習領域研究地更加深入的設備會長期地保持自己的競爭優勢。

正是有了云技術的幫助，機器學習技術在設備中的運作既沒有引發設計問題(設備只需要支持聯網)，也沒有引發硬件問題(繁雜的處理任務可以遠程控制)。它所要面臨的是人才問題，因為有才華的工程師是十分罕見的，但只要有足夠的資金，它便可以得到解決。此外，比人才更為重要的是，數據問題。

為了使計算機能夠可靠地研究不同的模式，就需要海量的數據集。它需要考慮諸多因素，從用戶偏好到使用案例，再到環境等。但這些因素很多甚至大多數都是與時間相關聯的：使用頻率、行為頻率、條件頻率、用戶行為隨時間的變化、環境的季節性變化等。

1億個連接穩定的設備部署，并不會使得公司加速取得進展。比競爭對手領先6個月的優勢，也并不會因為對方獲得更多的用戶或者融資而消失殆盡。從根本上來看，你的數據需要遠勝于他們，這不僅要求讀數的準確性，還要求早期支持的功能數量足夠可靠，能夠作為成品推出。只要持續保持活躍狀態，你就能夠一直領先，使得競爭對手望塵莫及。

不只是巨頭們的游戲

然而，目前只有IBM和Google這樣的大公司才能夠時不時地推出機器學習產品。機器學習對于初創公司來說似乎成本過于昂貴。但事實并非如此。

訣竅就在于借助他人的電腦來完成繁重的工作。鑒于云技術的存在，這是十分可行的。 通過合理且可管理的投資，初創公司可以按小時付費，以獲取訪問當下最先進設備的權限。然后借助一些程序代碼，你甚至可以將工作化為眾多批次，進而達到保持高效運行的目的。

更重要的是，為了實現機器學習，設備本身僅需很少的硬件，因此在發布第一批產品時，設計和工藝仍然是重中之重。