Alexa+、Gemini for Home 推出約一年，點解連關燈都未必做到？

問題不在於 AI 唔識傾偈，而在於它未必識得「次次照做」

生成式 AI 智能助手的根本問題，是將一個以機率運作的語言模型，放進一個用戶期望「零偏差」的控制系統。

Alexa+、Gemini for Home 等新一代助手，確實比以往更能理解自然語句，亦可以將多個步驟組合成一個 Routine。不過，當涉及開燈、播歌、校計時器或者執行固定自動化流程時，模型每次推算的結果可能有差異；再加上額外延遲，以及揀錯工具或 API 的可能性，反而令最基本的工作變得不可靠。16

失誤不是古怪例外，而是日常指令都會出事

Google 的 Gemini for Home 測試中，曾經忽略用戶的播歌要求、在對話中途轉移話題、在星期三堅稱當日是星期二，甚至拒絕關閉智能燈，聲稱自己「無法控制或與家居照明等實體設備互動」。對一個主打智能家居的喇叭來說，這些正正是最基本的功能。1

Alexa+ 亦出現類似情況。有報道指，一個以往運作穩定的咖啡機 Routine 在升級後失效；亦有用戶表示，轉用 Alexa+ 後，原本建立好的 Routines 不見了。67

但事情又不是單純「Alexa+ 完全做不到」。測試人員同時發現，Alexa+ 可以只靠語音成功建立一個較複雜的自動化：例如當有人在指定時段經過 Ring 門口鏡頭，就開啟露台燈。系統不但完成設定，還能辨認用戶在 App 裏使用不同名稱的同一批燈具。2 這說明問題更像是表現忽好忽壞，而不是能力根本不存在。

傳統助手是「對應指令」，LLM 卻是在「估答案」

傳統語音助手通常會將辨認到的句子，對應至固定意圖、指定裝置和預先定義的 API 呼叫。用戶說「關掉廚房啲燈」，系統理論上就會穩定地執行同一個動作。

大型語言模型（LLM）則不同。它會按上下文和機率，理解用戶意思，再生成一個可能的工具或 API 呼叫。Google 自己亦形容 Gemini 具有「非確定性」——換句話說，它並非每次都像傳統程式一樣照着同一份腳本執行。15

這種彈性令對話更自然，亦有助處理含糊或多步驟要求；但對家居控制來說，同一句「關燈」，不應該因為前後文、說話方式或者不同一輪對話而被不同解讀。當指令涉及實體設備，尤其是門鎖、暖氣、爐具或警報系統時，這種不確定性就不只是令人尷尬，而是直接影響可靠性和安全。315

真正重要的是速度和可靠性，不是示範時有幾流暢

目前反覆出現的問題，包括回答慢、答錯問題、漏接指令、選錯歌曲，以及升級後遺失既有 Routine。相關報道將可靠性、延遲和產品價值，視為 AI 智能家居要面對的核心難題。5712

因此，較合理的技術架構，應該是由 LLM 負責理解自然語言和整理要求，再交由一層確定式的驗證及執行系統確認：裝置是否存在、指令是否安全、參數是否完整，最後才真正發出控制命令。LLM 不應該單獨決定一個實體設備要做甚麼。

Apple 亦未能避開同一個難題

這並非 Amazon 和 Google 獨有的問題。Apple 亦因工程問題和軟件錯誤，延遲了更個人化的新 Siri 功能；相關延誤更牽連智能家居產品計劃，原定推出的家居顯示器需要等新 Siri AI 準備好才會上市。482

另有報道指，現有 HomePod 類硬件的處理能力未必足以應付 Apple 更新一代的 AI 計劃，這可能是新硬件延遲，以及 Siri 表現不一致的其中一個原因。914

一個好 Demo，不代表產品已經準備好

生成式 AI 示範最容易令人留下深刻印象的，通常是它能夠記住上下文、理解自然講法，或者一次過完成幾個步驟。但對每日都要用的家居產品來說，真正的標準其實簡單得多：

• 指令要可預測；
• 回應要夠快；
• 做不到時要清楚交代；
• 出錯時要有安全而可靠的後備方案。

凡是會控制家庭設備、處理日程、代人購物或發送訊息的系統，都不應只靠一場流暢的產品示範來證明自己已經可以上市。如果可靠性和失敗處理仍未建立，過早推出的代價就會轉嫁給付費用戶——實際上，消費者便成了產品的測試員。