黛安·库克（Diane Cook）是华盛顿州立大学电子工程与计算机科学学院的一名教授。过去数年，她都在调查智能家庭改善老年人生活质量的方式。几年前，库克参观了得克萨斯州博览会，在博览会上她看到了以一系列智能设备为特色的“未来家庭”展。离开时，她却不为所动。“这根本不是智能家庭，只是个联网的家庭，”她说，“这里有一台可以扫描二维码的冰箱，它随后可以为你生成一个杂货清单，并将清单发送到当地的食品店，食品店再送货上门。这个家庭里虽然有很多这样的设备，但拥有‘智能’的仍然还是住在里面的人。这些设备没有逻辑推理能力，只有信息。”
库克运用机器学习的知识，希望建造一个不仅仅只是收集数据的房子。“我认为智能家庭不仅要感知环境中发生的事情，而且还要通过自动化对环境造成影响。”她说道，“它可以对收集到的信息进行推理，使用这些信息并自动选择一种行为。”库克开始着手一项旨在使用这种智能进行推理的工作，从而获得老年人在认知与身体差异方面的早期指标。智能传感器可用于告诉我们一个人在家活动的全部信息。如红外运动检测仪、磁力门窗警报器以及可以记录水龙头和炉子状态的传感器等设备能够显示一个人是在吃饭、睡觉、做饭、看电视还是在外出散步。通过监测这些活动，有意识地提取他们的“统计学活动特征”。库克的算法还可以预测一个人的活动进行情况。比如，一个有记忆障碍的人执行某一任务所花费的时间可能更长。他们可以展现出许多可识别的迹象，如徘徊过多，在具体事情中试图回想起下一步该做什么，反复开关壁橱，或是使用不正确的工具做饭等。孤立地来看，这些行为不一定有什么意义，但从全局来看时它们勾勒出一幅充满启示的图画。
开始的时候，库克和她的团队在华盛顿州立大学的校园测试这项智能家庭技术，随后他们搬至西雅图当地的一家名为“地平线之家”的疗养院。这里共有18位老人，平均年龄至少73岁，他们志愿加入这项研究。他们在老人的公寓里安装了传感器，传感器的外观是白色小盒子，每两英寸安装一个。即使没有摄像头，这些传感器也能够分辨出共同生活的是两个人还是一个人和一只宠物，库克称后者为“基于智能家庭的角度不得不处理的噩梦般的场景”。库克随后将传感器数据与（人类）护工所管理的正常检测数据进行了比较。“这是令人吃惊的成功，”她说，“我们在人类的活动与传感器的健康检查活动之间发现了高度的关联性。因此，我们仅仅依靠他们进行的一些活动，就能够通过机器学习工具，成功地预测他们正在接受怎样的诊断治疗。”
如库克所言，虽然这项技术的应用没有打算代替朋友或家人之间的社交活动，但它能帮助老年人独立生活得更久，这可能意味着他们可以继续待在他们度过了前半生的家里。“即使没有护理人员登门，这也没有问题。如果出现重大的变化，意味着健康状态发生转变，护理人员或者医务人员也可以及时得到警告。这种智能家庭可以发出关于老年人瞬间记忆丧失的警报，如冰箱门敞开或炉子没关等。”
库克的项目已经收到约300万美元的资金，她的下一个目标是扩展自己的研究。“今天我们包里都有智能手机，”她说，“我们可以将所有的传感器、网络、软件以及计算机放入一个小容器里，并将它们送到全球各地的站点。”不久，它就可以用来进行国际研究——随着全球各地数据的流入，机器学习算法会变得更加智能。
许多公司也致力于这个领域。比如：Healthsense公司制造了eNeighbor监控系统，这是一款由大量家用智能传感器强化的可穿戴设备。与黛安·库克在“地平线之家”进行的项目有些类似，eNeighbor可用于检测患者是否跌倒或忘记服药，并通知护理人员。同样，BeClose智能传感器系统可以发现患者长时间不吃饭或错过吃饭，并向指定的家庭成员发送短信、电邮或呼出电话。
拥有智能家庭信息那当然很好，但智能设备的下一波浪潮将涉及疾病的追踪与诊断。以医疗设备厂商AliveCor为例，它生产的智能手机壳可以兼作可移动EKG（心电图）心脏监护器，能够预测使用者是否要中风。这种手机壳通过人的指尖测量来获取心电图，随后由算法分析心跳的规律，并告诉使用者是否应该看医生。
随着我们的环境越来越智能，我们将进入一个持续地进行风险实时评估的时代。这是史上第一次可以针对个体得出大量基因的、生理的、生物的，以及环境的因素之间恒定的关联关系与可能的因果关系。除了空气质量与噪声水平等外部指标，可穿戴设备将持续监测我们的心率、血氧水平、身体活动、呼吸模式、面部表情、肺功能、声音曲线、脑电波、姿势、睡眠质量等指标。运用人工智能的洞察力，这些数据点不仅转化成对整个生活的全面建议，而且转化成能够即时提高健康水平的可执行的建议。在执行预测和诊断的同时，我们可以准确了解特定疾病或症状出现时的必要条件，并且可以制定前瞻式预防措施，从而确保病症不会发生。哮喘患者可能具有导致疾病发作的特殊诱因，例如寒冷、运动、花粉或者其他过敏原，这些诱因可以通过智能设备分析出来。当这些风险反复出现时，患者可以收到警告以提前服药，或者避开特殊的地点。还有一个例子，通过细微的声音颤动和降低音量等这些不易为人耳察觉的方式，一位对此还未察觉的遭受神经退行性紊乱的帕金森综合征患者可能早在医生诊断出来之前就接到了病症即将发作的警告。尽管当前还没有治愈帕金森综合征的方法，但早期诊断可能有助于改善生活质量。
尽管这些案例中的数据可用于所有用户，但对用户来说并不需要看到这些数据，除非有需要关注它们的原因。比如，健康追踪技术的默认模式可能是一条高级命令：“监控我的生命体征，如果它们正常，不要传送任何消息。”如果发现了潜在的重大变化，系统将向用户报警，或者以其他方式向他们的医生报警。
在医疗领域，这是一种全新的技术，但是由于机器学习的普及，它在我们生活中其他领域的应用也再普通不过了。比如，当前银行用于检测欺诈的算法。尽管我们有能力查看自己账户里的每一笔交易，但当银行发出的通知偏离我们的常规使用习惯时，我们就可以得到警告。如果我通常都是定期支付不到100英镑，但有一次突然一次性在线支付了1 000英镑，那么这次支付就很可能被标记为可疑行为。许多电邮系统也使用机器学习，把“垃圾邮件”从我们需要阅读的邮件中清理出来。垃圾邮件过滤器基于一系列内置规则，通过对每一封收到的邮件进行评分来展开工作。由于垃圾邮件过滤器能观察我们对所接收消息的不同反应，经过一段时间后这些评分系统就能构建完善。我们只阅读符合评分标准的邮件，即垃圾邮件过滤器认为值得阅读的邮件。