生成式 AI 让智能音箱更像一个会聊天的助手，却没有自动让它变成一个更可靠的家庭控制中心。

Alexa+ 和 Gemini for Home 都能理解更自然的表达，甚至可以用一句话创建包含多个条件的自动化流程。但在用户最在意的基础操作上，它们仍会失灵：关灯、播放指定歌曲、回答今天是星期几、启动咖啡机例程，甚至保留原有自动化。问题的关键在于：理解请求，与稳定地完成请求，是两项完全不同的工程任务。 167

失败的恰恰是最普通的指令

在对搭载 Gemini 的 Google Home Speaker 进行测试时，助手忽略了播放音乐的要求，在对话中突然转换话题，把星期三说成星期二，还拒绝关闭智能灯，声称自己无法控制或操作家中的照明等实体设备。1

这类故障并非发生在冷门设备或复杂场景中，而是直接击中了智能音箱最基本的用途。

Alexa+ 的表现同样不稳定。有报道称，用户让它启动原本可以正常运行的咖啡制作例程时，系统屡次失败；还有用户反映，升级后原先建立的例程消失了。6734 播放音乐也可能出错：一次测试中，用户要求播放 Charli XCX 的歌曲，却得到了其他艺人的音乐；当用户提出更宽泛的“播放一首 Lucy Dacus 的歌”时，Alexa+ 只是把这句话原样变成搜索词，没有真正完成播放。36

但这并不意味着 Alexa+ 完全没有能力。另一项测试显示，它可以仅凭语音创建一条复杂例程：当运动传感器在特定时间段检测到有人经过时，打开露台灯，并结合 Ring 摄像头完成相应设置。33 这说明问题并非“什么都做不了”，而是同一个系统可能在一次交互中表现惊艳，下一次却连熟悉的命令都无法执行。对于家庭设备而言，这种不稳定本身就足以破坏信任。

会聊天的模型，为什么不适合直接控制家电？

传统语音助手通常采用一条相对固定的处理链路：先进行语音识别，再判断用户意图、识别设备名称，最后调用预先定义好的动作接口。

例如，“关掉厨房的灯”可以被匹配到一个明确意图，再通过固定的设备控制 API 执行。只要设备连接正常，同样的指令通常会触发同样的操作。

基于大语言模型的助手则采用了不同方式。它会结合上下文推断用户想表达的意思，并可能自行生成或选择相应的工具调用。Google 对 Gemini 的描述就是“非确定性”（non-deterministic）：它并不是简单地遵循一套固定脚本，而是利用推理和推断来决定如何回应。15

这种设计在开放式对话中很有价值。用户不必记住严格的指令格式，也可以用日常语言描述包含多个步骤的自动化任务。但当目标结果只有“成功”或“失败”两种状态时，灵活性反而可能变成风险：

• 选错设备或房间；
• 将请求路由到不兼容的集成服务；
• 误解上一轮对话的上下文；
• 生成不正确的工具或 API 调用；
• 花费更多时间判断“应该做什么”。

于是，即便用户说的是几乎相同的话，系统也可能给出不同结果。分析人士认为，这种非确定性与智能家居所需要的可预测执行存在根本冲突：家庭自动化首先要的是每次都做对，而不是回答听起来多么自然。3

对智能家居来说，速度和可靠性比“人味”更重要

目前围绕 AI 智能家居的批评，并不只是“偶尔会犯错”，而是新系统有时比它们要取代的旧系统更慢、更不稳定。一份关于 AI 智能家居市场的分析将可靠性、速度和产品价值列为主要挑战。12

其他测试也记录了 Alexa+ 的延迟、错误回答和指令丢失问题；Gemini for Home 则被认为比旧版 Google Assistant 更慢，并且经常无法控制它本应识别的设备。56

延迟对语音控制尤其致命。用户说“关灯”时，期待的是灯立刻熄灭，而不是先听一段解释、等待数秒，或者被要求重新尝试。Gemini for Home 此后有更新据称将常见语音指令的延迟降低了约 30% 至 40%，但这也从侧面说明，响应速度仍是一个正在解决的产品问题，而不是已经完成的基础能力。11

更稳妥的架构应当是“语言模型 + 确定性控制层”：

1. 由大语言模型理解用户的灵活表达；
2. 由规则或验证层确认目标设备、允许的动作和风险；
3. 对可能造成影响的操作要求确认；
4. 通过可靠、受限制的 API 执行最终命令；
5. 在失败时明确告知用户发生了什么，而不是编造一个听起来合理的解释。

换句话说，大语言模型应该是控制系统的交互入口，而不应成为唯一的控制系统。

Siri 和苹果智能家居也遇到了同样的“准备度”问题

苹果并没有避开这道难题。由于工程问题和软件漏洞，苹果推迟了原本承诺的个性化 Siri 功能；这些功能最初计划随 iOS 18.4 推出，后来被推迟到“未来一年”内。1820 苹果随后将相关升级的内部目标时间指向 2026 年春季，涉及读取个人信息以及更精准控制应用等能力。19

这场延期也影响了苹果的智能家居计划。彭博社报道称，苹果推迟了一款筹备已久的智能家居显示设备，原因之一是需要等待新版 Siri，而 Siri 将是该产品交互界面的核心。17

另有报道将部分延迟归因于现有 HomePod 系列硬件可能难以支持苹果更新后的 AI 目标。不过，这些硬件能力和具体芯片要求仍属于媒体报道或分析，不能视为苹果已经确认的产品规格。2125

苹果的谨慎推进或许令消费者失望，但也凸显了这类产品在上市前必须达到的门槛：日常操作要可靠，响应时间要能接受，失败状态要清晰，硬件也要真正支撑设计中的体验。

从演示到量产，中间隔着一整套工程

生成式 AI 擅长生成听起来合理的语言；智能家居助手则必须反复产生正确的现实结果。

这一区别不只适用于灯光和音乐。未来如果助手要管理日历、购物、消息，甚至门锁和摄像头，它同样需要可预测的行为、安全的回退机制和清楚的权限边界。否则，用户购买产品后才会发现集成故障、例程丢失、延迟过高以及各种难以预料的失败模式。

因此，AI 智能家居的竞争重点并不是谁听起来最像真人，而是谁能把概率性的语言理解能力，与确定性的系统工程结合起来。在这一天到来之前，消费者买到的可能不只是新功能，也是一份尚未完成的可靠性测试工作。

生成式 AI 让智能音箱更像一个会聊天的助手，却没有自动让它变成一个更可靠的家庭控制中心。

Alexa+ 和 Gemini for Home 都能理解更自然的表达，甚至可以用一句话创建包含多个条件的自动化流程。但在用户最在意的基础操作上，它们仍会失灵：关灯、播放指定歌曲、回答今天是星期几、启动咖啡机例程，甚至保留原有自动化。问题的关键在于：理解请求，与稳定地完成请求，是两项完全不同的工程任务。 167

失败的恰恰是最普通的指令

在对搭载 Gemini 的 Google Home Speaker 进行测试时，助手忽略了播放音乐的要求，在对话中突然转换话题，把星期三说成星期二，还拒绝关闭智能灯，声称自己无法控制或操作家中的照明等实体设备。1

这类故障并非发生在冷门设备或复杂场景中，而是直接击中了智能音箱最基本的用途。

Alexa+ 的表现同样不稳定。有报道称，用户让它启动原本可以正常运行的咖啡制作例程时，系统屡次失败；还有用户反映，升级后原先建立的例程消失了。6734 播放音乐也可能出错：一次测试中，用户要求播放 Charli XCX 的歌曲，却得到了其他艺人的音乐；当用户提出更宽泛的“播放一首 Lucy Dacus 的歌”时，Alexa+ 只是把这句话原样变成搜索词，没有真正完成播放。36

但这并不意味着 Alexa+ 完全没有能力。另一项测试显示，它可以仅凭语音创建一条复杂例程：当运动传感器在特定时间段检测到有人经过时，打开露台灯，并结合 Ring 摄像头完成相应设置。33 这说明问题并非“什么都做不了”，而是同一个系统可能在一次交互中表现惊艳，下一次却连熟悉的命令都无法执行。对于家庭设备而言，这种不稳定本身就足以破坏信任。

会聊天的模型，为什么不适合直接控制家电？

传统语音助手通常采用一条相对固定的处理链路：先进行语音识别，再判断用户意图、识别设备名称，最后调用预先定义好的动作接口。

例如，“关掉厨房的灯”可以被匹配到一个明确意图，再通过固定的设备控制 API 执行。只要设备连接正常，同样的指令通常会触发同样的操作。

基于大语言模型的助手则采用了不同方式。它会结合上下文推断用户想表达的意思，并可能自行生成或选择相应的工具调用。Google 对 Gemini 的描述就是“非确定性”（non-deterministic）：它并不是简单地遵循一套固定脚本，而是利用推理和推断来决定如何回应。15

这种设计在开放式对话中很有价值。用户不必记住严格的指令格式，也可以用日常语言描述包含多个步骤的自动化任务。但当目标结果只有“成功”或“失败”两种状态时，灵活性反而可能变成风险：

• 选错设备或房间；
• 将请求路由到不兼容的集成服务；
• 误解上一轮对话的上下文；
• 生成不正确的工具或 API 调用；
• 花费更多时间判断“应该做什么”。

于是，即便用户说的是几乎相同的话，系统也可能给出不同结果。分析人士认为，这种非确定性与智能家居所需要的可预测执行存在根本冲突：家庭自动化首先要的是每次都做对，而不是回答听起来多么自然。3

对智能家居来说，速度和可靠性比“人味”更重要

目前围绕 AI 智能家居的批评，并不只是“偶尔会犯错”，而是新系统有时比它们要取代的旧系统更慢、更不稳定。一份关于 AI 智能家居市场的分析将可靠性、速度和产品价值列为主要挑战。12

其他测试也记录了 Alexa+ 的延迟、错误回答和指令丢失问题；Gemini for Home 则被认为比旧版 Google Assistant 更慢，并且经常无法控制它本应识别的设备。56

延迟对语音控制尤其致命。用户说“关灯”时，期待的是灯立刻熄灭，而不是先听一段解释、等待数秒，或者被要求重新尝试。Gemini for Home 此后有更新据称将常见语音指令的延迟降低了约 30% 至 40%，但这也从侧面说明，响应速度仍是一个正在解决的产品问题，而不是已经完成的基础能力。11

更稳妥的架构应当是“语言模型 + 确定性控制层”：

1. 由大语言模型理解用户的灵活表达；
2. 由规则或验证层确认目标设备、允许的动作和风险；
3. 对可能造成影响的操作要求确认；
4. 通过可靠、受限制的 API 执行最终命令；
5. 在失败时明确告知用户发生了什么，而不是编造一个听起来合理的解释。

换句话说，大语言模型应该是控制系统的交互入口，而不应成为唯一的控制系统。

Siri 和苹果智能家居也遇到了同样的“准备度”问题

苹果并没有避开这道难题。由于工程问题和软件漏洞，苹果推迟了原本承诺的个性化 Siri 功能；这些功能最初计划随 iOS 18.4 推出，后来被推迟到“未来一年”内。1820 苹果随后将相关升级的内部目标时间指向 2026 年春季，涉及读取个人信息以及更精准控制应用等能力。19

这场延期也影响了苹果的智能家居计划。彭博社报道称，苹果推迟了一款筹备已久的智能家居显示设备，原因之一是需要等待新版 Siri，而 Siri 将是该产品交互界面的核心。17

另有报道将部分延迟归因于现有 HomePod 系列硬件可能难以支持苹果更新后的 AI 目标。不过，这些硬件能力和具体芯片要求仍属于媒体报道或分析，不能视为苹果已经确认的产品规格。2125

苹果的谨慎推进或许令消费者失望，但也凸显了这类产品在上市前必须达到的门槛：日常操作要可靠，响应时间要能接受，失败状态要清晰，硬件也要真正支撑设计中的体验。

从演示到量产，中间隔着一整套工程

生成式 AI 擅长生成听起来合理的语言；智能家居助手则必须反复产生正确的现实结果。

这一区别不只适用于灯光和音乐。未来如果助手要管理日历、购物、消息，甚至门锁和摄像头，它同样需要可预测的行为、安全的回退机制和清楚的权限边界。否则，用户购买产品后才会发现集成故障、例程丢失、延迟过高以及各种难以预料的失败模式。

因此，AI 智能家居的竞争重点并不是谁听起来最像真人，而是谁能把概率性的语言理解能力，与确定性的系统工程结合起来。在这一天到来之前，消费者买到的可能不只是新功能，也是一份尚未完成的可靠性测试工作。