在家电 AI 化进程中，为什么清洁电器已进入实用阶段，而健康管理/安防等还在面临数据与算力瓶颈？

清洁电器确实已经进入 AI 实用阶段，但这里的“实用”，并不等于完全不需要人。

而健康管理和家庭安防的瓶颈，也不只是芯片性能不够。

真正的差别在于，清洁电器面对的是一个边界相对明确、结果容易验证、错误成本较低的任务。

健康和安防面对的，却是人体、疾病和风险。

一个扫地机器人把袜子识别成电线，最多绕开一小块区域。

一台健康设备把正常心率判断成疾病，可能让人连续几天焦虑；把真正的异常判断成正常，又可能延误就医。

它们虽然都叫 AI 家电，但承担的责任完全不同。

清洁家电真的进入实用阶段了吗

我自己接触过不少扫地机器人和洗地机。

从早期随机碰撞、满屋乱跑，到现在能够建图、规划路线、识别障碍、自动回洗，清洁电器已经发生了非常明显的变化。

现在比较成熟的扫地机器人，基本能够完成地图建立、房间划分、路线规划、地毯识别、障碍物绕行、沿边清扫、拖布抬升和自动回充。

配合基站以后，还能实现自动集尘、清洗拖布、热风烘干、补充清水以及污水回收。

石头等厂商的公开产品信息，也已经把激光雷达、导航算法和基站自清洁作为扫地机器人的基础能力，而不是实验室概念。

说得直接一点：

以前使用扫地机器人，需要先收拾房间，再跟在机器后面不断“救车”。

现在只要家庭环境相对规整，扫地机器人已经可以独立完成大部分日常地面维护。

这就是进入实用阶段的标志。

不是机器一次错误都不会出现，而是它已经能够稳定减少人的劳动。

其中真正有用的 AI，首先是地图与路径规划。

清洁任务本质上是一个覆盖问题。

机器需要知道自己在哪里，哪里已经清扫，哪里还没有清扫，以及怎样用更短的路径覆盖更多地面。

这个任务的目标非常明确。扫完就是扫完，漏扫就是漏扫，重复路线也能直接统计。所以厂商可以通过大量家庭地图和运行数据，快速优化算法。

其次是障碍物识别。

电线、袜子、拖鞋、桌椅腿、玩具和宠物排泄物，都是扫地机器人比较常见的障碍。

AI 不一定要准确说出地面上放着哪一种品牌的拖鞋，它只需要判断这个物体能不能撞、能不能卷、是否需要绕开。这种识别允许一定程度的模糊。哪怕机器没有认出具体物品，只要能够安全避开，任务就算完成了。

然后是脏污判断和动态清洁。

机器检测到某个区域灰尘较多，可以提高吸力；发现地面污渍较重，可以增加拖地次数；进入地毯以后，可以抬升拖布或者切换清洁策略。

这类 AI 功能的价值很直接。它把原来“一套参数扫完整个家”，升级成了“不同区域使用不同清洁方式”。

再往后，就是基站协同。

机器人判断拖布已经比较脏，就主动回站清洗；电量不足，就先回充再继续任务；某个房间需要重点清洁，就重新规划剩余路径。

从感知、判断、执行到回站维护，清洁电器已经形成了一个相对完整的闭环。

所以判断一项清洁 AI 功能有没有用，标准其实非常简单：

它有没有减少漏扫，有没有降低缠绕和卡困，有没有减少人工清洗，以及一个月能让用户少“救”几次机器人。

相比之下，主动聊天、远程视频巡游、宠物拍照和花哨的语音形象，可以增加使用乐趣，但不是清洁电器进入实用阶段的核心。

清洁电器真正的含金量，不是它能说多少话。而是人在不管它的时候，它能不能把地扫完。

当然，现在的扫地机器人仍然不是满分家务机器人。复杂电线、过低家具、异形门槛、湿垃圾和突然出现的障碍，依然可能影响运行。

仍然需要人去定期清理毛发、更换耗材、处理污水，并且偶尔整理地面。所以它更像一个 80 分的清洁助手，但对于日常维护来说，80 分已经足够改变生活。

为什么清洁 AI 成熟得更快

因为清洁是一个相对封闭的任务。

房间面积有限，障碍类型有限，机器执行的动作也有限。

它需要做的主要是移动、识别、避障、吸尘、拖地和回站。

即使 AI 犯错，代价通常也比较可控。

漏扫一小块地面，可以下次补扫；路线规划不够好，只是多走几分钟；把拖鞋判断成危险障碍，也只是暂时绕开。

清洁任务还有一个很大的优势，就是数据比较容易获得。

机器人每次运行都会生成地图、路线、障碍物和任务结果。哪里发生卡困，哪里出现重复清扫，哪一种路线效率更高，都可以通过运行数据判断。

AI 做对了还是做错了，结果非常直观。

而且家庭地面虽然千差万别，但在机器人看来，大部分仍然可以抽象成墙体、通道、家具、障碍物和可清洁区域。

这让算法具备比较强的复用能力。

目标清晰、数据容易积累、结果容易验证、错误成本较低，这四件事情共同推动了清洁 AI 落地。

健康管理和安防，恰恰在这四个方面都更加困难。

健康管理真正难在哪里

健康管理最难的地方，是人体不是一间可以标准建图的房间。

同样的心率升高，可能来自运动、紧张、发烧、咖啡、药物，也可能来自心律异常。同样是夜间频繁翻身，可能是室温不舒服、床垫不合适，也可能是压力、疼痛或者睡眠疾病。同样是步态变慢，可能只是疲劳，也可能来自关节、肌肉、神经系统或者心肺功能变化。

很多人体信号并不具备唯一解释。

医学判断往往需要结合症状、病史、年龄、用药、检查结果以及长期变化趋势。

而家电能够获得的，可能只有摄像头画面、毫米波雷达、床垫压力、心率、血氧、体温或者活动数据中的一部分。

输入信息不完整，AI 就很容易把“相关性”误认为“疾病原因”。

传感器本身也存在误差。

运动、佩戴位置、皮肤状态、环境光线、衣物遮挡和血液循环情况，都可能影响健康数据。

即使是已经广泛使用的脉搏血氧仪，也需要面对不同环境和不同人群的准确性问题。

FDA 在 2025 年的相关说明中指出，现有科学证据显示，脉搏血氧仪在不同皮肤色素人群之间可能存在性能差异，并要求通过更具代表性的临床数据改进验证。

这意味着家电测出一个数字，并不等于医学上已经得到一个可靠结论。

还有一个很重要的问题，就是误报和漏报。

假设某种疾病在人群中的发生比例为 1%，一套系统的灵敏度达到 90%，特异度达到 95%。

在一万人中，大约有 100 名患者，其中 90 人会被识别出来。

但剩下的 9900 名健康人里，仍可能有 495 人收到错误警报。

这只是一个说明基础概率影响的假设案例，不代表某款具体产品。

但它说明了一件事：

即使算法看起来很准确，当疾病本身比较少见时，警报里仍然可能混入大量假阳性。

用户连续收到几次错误提醒以后，可能频繁就医，也可能彻底关闭通知。

前者造成焦虑和医疗资源浪费，后者又可能让真正重要的风险提醒失去作用。

这就是医学上的“警报疲劳”。

所以健康 AI 不能只追求识别率。

它还要考虑这个结果适用于什么人群、在什么环境下测量、错误以后会造成什么影响，以及是否需要医生进行二次确认。

消费级可穿戴设备在心律异常筛查方面已经展现出价值，但相关医学研究仍然强调临床解释、异常确认以及假阳性管理的重要性。

健康数据的标签也非常昂贵。

扫地机器人识别电线，只需要判断图像里有没有电线。

而要确认一个人是否存在睡眠呼吸暂停，可能需要完整的睡眠监测；确认某种心律异常，可能需要医疗级心电图；判断某种慢性病风险，还需要长期随访和专业医生诊断。

这些数据不仅采集成本高，还涉及隐私、伦理和人群代表性。

健康 AI 缺少的往往不是数据数量。

而是经过专业确认、覆盖不同年龄与身体状况、能够长期随访的高质量数据。

FDA 等监管机构提出的医疗 AI 良好机器学习实践，也强调具有代表性的数据、完整生命周期管理以及安全有效的持续验证。

把算力提高十倍，可以更快处理数据。
但不能把错误的数据变成临床证据。

安防为什么同样困难

安防和清洁虽然都需要摄像头、雷达和目标识别，但两者面对的环境不同。

扫地机器人的椅子不会故意伪装成电线。

攻击者却会主动研究安防系统的判断逻辑。

他们可能利用遮挡、逆光、面具、录音、重放信号、账号漏洞和网络攻击绕过系统。

所以安防不是普通的识别问题，而是一个持续对抗的问题。模型每升级一次，攻击方式也可能跟着变化。家庭环境还存在大量容易误报的情况。窗帘晃动、宠物经过、快递员停留、家人深夜回家和邻居从门口经过，都可能触发提醒。

如果系统过于敏感，用户一天收到几十条通知，很快就会关闭告警。如果系统为了降低误报而放宽判断，又可能漏掉真正的异常。安防系统必须在误报和漏报之间做出非常谨慎的平衡。

而且安防家电本身也可能成为新的攻击入口。

摄像头、门锁、门铃、音箱、扫地机器人和全屋中控接入网络以后，家庭生活就被更多传感器、账号和云服务连接起来。

设备越多，能够被攻击的入口也越多。NIST 针对消费级物联网产品提出的安全基线，强调安全能力应覆盖整个物联网产品，而不只是单台设备或一个 App。

所以安防 AI 不能只做到“看见陌生人”。

它还需要设备身份认证、安全启动、加密通信、权限管理、漏洞修复、日志审计以及长期的软件更新。

识别算法只是其中一层。

算力瓶颈到底是什么

健康和安防的算力压力，主要来自持续运行和多模态数据。

健康管理需要长期采集心率、呼吸、睡眠、步态和生活规律。

真正有意义的往往不是某一分钟的数据，而是几周甚至几个月的变化趋势。

安防系统则需要 24 小时处理摄像头、门锁、雷达、声音和环境传感器的数据。

如果所有视频和健康数据都上传云端，会带来延迟、网络成本、隐私泄露和断网失效问题。

如果全部放在家电本地处理，又会受到芯片算力、内存、功耗、散热和成本限制。

所以算力瓶颈并不只是芯片有多少 TOPS。

它还包括内存带宽、能耗、数据传输、存储成本、响应速度以及离线能力。

清洁机器人偶尔多花几秒识别障碍，通常没有严重后果。

安防系统晚几秒识别入侵，健康系统错过一次真正异常，影响就可能完全不同。

从算力和研发角度应该怎样做

未来健康与安防家电，不能只依靠一个越来越大的通用模型。更合理的方向，是端侧计算和云端计算协同。需要立即响应、涉及隐私的数据，优先在本地完成处理。

例如跌倒检测、门锁异常、烟雾告警和基础生命体征变化，不应该因为网络中断而失效。
云端可以负责模型训练、长期趋势分析和非紧急任务，但不能成为所有功能运行的唯一条件。

模型也要学会表达“不确定”。

当置信度不足时，系统不应该强行给出疾病结论或者确定的安防判断。

健康设备可以提示“检测到持续异常趋势，建议复测或咨询专业医生”，而不是直接告诉用户患有某种疾病。

安防设备可以先进行本地录像、声音确认和多传感器交叉验证，再按照风险等级决定是否通知用户。

低风险事件只保留记录，中风险事件推送提醒，高风险事件才触发更强烈的警报。这样才能减少误报对生活的打扰。

研发阶段也需要从追求漂亮的实验室准确率，转向真实家庭验证。健康数据要覆盖不同年龄、性别、体型、肤色、疾病和用药情况，关键功能还需要多中心、前瞻性验证。

安防数据则要覆盖白天、夜间、逆光、遮挡、宠物、儿童和不同户型，同时进行持续的攻击测试。

罕见事件数据不足，可以借助仿真和合成数据扩充。

但合成数据只能帮助训练，不能代替真实世界验证。

算力优化也不能只靠升级芯片。

模型蒸馏、量化、稀疏计算、事件触发和专用 NPU，都可以减少本地运算压力。

系统没有检测到异常时，不必让所有模型始终满负荷运行；基础传感器发现可疑信号以后，再唤醒更复杂的识别模型。

这就像家庭安防不需要每秒召开一次专家会诊。

先由低功耗传感器值守，发现问题以后再调动更多算力。

最后还要保留人在回路中。

清洁机器人可以自主决定多拖一遍。

涉及健康、门锁、燃气和人身安全时，AI 不能在没有授权的情况下无限扩大执行权限。

高风险判断需要清晰说明原因，并且给用户、医生或安保人员留下确认和接管的空间。

总结

所以清洁电器率先进入实用阶段，并不是因为清洁行业拥有最强大的 AI。

而是因为它率先找到了 AI 真正适合承担的任务。

任务边界明确，数据容易积累，结果可以验证，犯错以后也能够补救。

健康管理和安防则不同。

它们处理的是人体差异、疾病概率、家庭隐私和安全风险。

需要解决的不只是算力，还包括高质量数据、医学验证、算法偏差、误报管理、设备安全和责任边界。

但健康管理和安防，恰恰又是 AI 家电中非常重要的一环。

因为 AI 家电会让家庭生活变得更加开放。

摄像头、雷达、门锁、环境传感器和云端账号不断进入家庭，家电之间的联系越来越多，能够提供的服务越来越完整，可能暴露的破绽也会随之增加。

普通用户不可能每天从科研和网络安全的角度管理 AI。

也不应该要求老人研究模型置信度，要求普通家庭调整医学阈值，或者让用户自己在误报和漏报之间承担专业选择。

真正成熟的系统，应该把复杂留给研发、算法和安全体系。

留给用户的，只需要是几个清楚的结果、简单的操作和随时可以接管的权利。

清洁 AI 帮助人少扫一次地。

健康与安防 AI 未来真正需要做到的，是帮助人少做一轮复杂的风险判断，同时又不替人草率地下结论。

技术越复杂，使用就应该越简单。
机器承担更多计算，人获得更多从容。

这才是 AI 家电从“能用”走向“可信”，最后真正服务于生活的意义。