机器哪怕价值上亿，也无法替代医生来治病救人;但一个25美元的可穿戴设备却知道你什么时候该去看医生。
本文引用地址：http://www.eepw.com.cn/article/201701/342963.htm
1996 年，美国芝加哥的库克郡医院急诊室采用了一种算法来判断出现胸痛症状的患者中，哪些面临更高的心脏病发作风险，是否在医院床位紧缺的情况下有住院的充分理由。该算法严格按照流程执行系统的基础测试，被证明不但快速高效，且及其精准。相比单纯依赖医生的判断，该算法判定的低风险患者数量多了 70%，而高风险患者数量则达到实际数量的 95%(医生判断仅为 75-89%)。这真是让人惊叹——要知道那个年代，深度运算还未问世呢。
想象当前，仅今年在使用的 IoT 设备就几近 64 亿个——全球平均每人一台。这么庞大的数量，哪怕只有 1% 能通过脉搏、饮食和睡眠数据来判断用户健康状况的话，那么全球能够及时治疗的患者数量会是之前的 5 倍。
但真正了不起的还是机器学习能力，它不止广泛应用算法那么简单，而是通过收集的大量数据，觉察出拥有几十年从医经验者都难以发现的症状。想象一下， Fitbit(美国健康追踪器品牌)觉察到用户脉搏异常，显示出强烈的心脏发病征兆，于是提醒用户及时就医。机器学习就意味着居家用品也能解决“不可能解决”的问题。
IBM 的“沃森(Watson)”和 Google 的“深度思维(DeepMind)”在诸多领域(如 Jeopardy 智力问答和围棋)表现超过人类后，机器学习就不再是一个愿景了。现在要问的是：如果 Fitbit 能救命，而 Nike+ Fuel Band 运动追踪器不能救命，你会购买哪一个呢?
“smart(智慧、智能)”的真正价值
“智能”产品层出不穷，也难怪名列前茅的总是那些具备学习能力的。拿 Nest 智能恒温器举例，消费者愿意掏腰包并非因为 Nest 是手机可操控的，而是因为没人在家时可以节能——Nest 以智慧的方式解决了长久存在的问题，既能根据用户所需调整温度，没人在家时又能节能，这比一个简单的定时器高明多了。
遗憾的是，大部分制造商太急功近利。拿 Phillips 的 HUE 无线 LED 灯举例，其外观固然惹人喜爱，但仅仅因为可手机操控开关就贴上“smart(智慧、智能)”的标签难免牵强。开关灯不是个问题，不需要解决——难道你轻易因为一个人会开关灯就称其“smart”吗?那么为什么换做一个灯泡，就心安理得贴上“smart”一词呢?
很多 IoT 产品并不是真正“smart”，这也成了 IoT 市场发展的阻碍。能够远程控制的门锁，还有主人一进家门就自动打开的收音机充其量只是奢侈品，跟米其林大餐和豪华游轮这些只能富人消费的起的东西没什么两样。
机器学习能力将“渴求”转换为“必备”，比如既让你温暖过冬又节省电费的恒温器;比如给予睡眠或健身意见的可穿戴设备;比如在恶果酿成前就察觉污染、追踪来源的环境监视器……
机器学习能力：永远的胜者标杆
“会学习”的设备总是出类拔萃，更具吸引力。但机器学习能力本身则意味着在众多竞争者之中，长久地保持领先优势。
云技术让设备会“学习”，所以机器学习能力不再是设计问题(只要设备能联网)，不再是硬件问题(复杂的数据处理可以远程实现)，更像是人才问题——有能力的工程师少之又少，不过只要薪资够高，这也不是问题。可能将其形容为数据问题是最为贴切的。
要让计算机老老实实学习数据模式(patterns)，需提供大量数据集。计算机要考虑用户偏好、使用案例、环境等诸多因素，而很多，甚至绝大多数因素都是时间相关的——使用频率、行为频率、条件发生频率、用户行为逐渐改变、环境的季节变化以及传感器寿命期内的数据精确性等。
人人都在争分夺秒，而时间是公平的。即便拥有上亿台优质的联网设备，数不清的用户和资金也无法缩小与竞争者之间哪怕仅有 6 个月的差距。而坐拥优质数据则是对手无法超越的强大优势，这就要看数据读取的精确度、设备众多功能，包括早先开发并最终稳定下来的功能。