“我一会儿要开视频会，让书房适合工作，但别把正在充电的扫地机器人停掉。”传统语音助手常把这句话拆成几个关键词，智能家居模型则需要理解目标、找到设备、读取状态、规划动作，再对执行结果负责。
标题里的 Gemini 2 代表大模型进入家庭设备的一段技术时期。按 2026 年的产品命名，更准确的讨论对象已经是 Gemini for Home：它取代了部分 Google Assistant 体验，并与 Google Home 的设备、摄像头、自动化和开发接口结合。它不是把一个 Gemini 2 聊天框直接塞进音箱。
## 家庭不是一串开关
真实家庭包含房屋、房间、设备和关系。Google Home APIs 的数据模型把 Structure 表示为一个家，下面有 Room 和 HomeDevice；设备由类型与 Trait 组成，Trait 再暴露属性、命令和事件。
一盏灯可能有开关、亮度和色温属性；门锁能报告状态并接受有限命令；传感器会发出事件。这个结构化设备图谱让语言模型知道“书房的灯”和“客厅的灯”不是同一个对象，也知道某个插座根本不支持调光。
大模型擅长把含糊话语转成候选意图，设备 API 则提供可执行边界。两者协同后，系统才有机会把“适合工作”解释成开灯、调整色温、降低音箱音量，而不是自由编造一个不存在的设备。
## 从一句话到动作要经过五层
第一层是感知。麦克风、摄像头和设备事件把现实状态变成信号。Gemini for Home 的相机功能可生成事件描述、通知摘要与家庭简报，也支持用自然语言搜索视频历史。
第二层是理解。系统识别用户指的是哪个房间、什么时间和什么目标，并结合对话补全省略信息。
第三层是规划。模型把目标转换成若干候选动作，但必须查询当前家庭有哪些设备、每个设备支持哪些 Trait 和参数。
第四层是确认与执行。低风险动作可直接执行；含糊、不可逆或影响较大的动作应先复述。设备服务真正接收命令，并返回新状态或错误。
第五层是反馈。系统不能只说“好的”，而要检查灯是否真的亮了、恒温器是否接受目标值。执行失败时，应指出具体设备，而不是让整句请求看似成功。
## 自然语言自动化的价值
传统自动化要求用户手工选择触发器、条件和动作。Gemini for Home 的 Help me create 允许用户描述想要的自动化，再生成可编辑版本。
例如“工作日最后一个人离家后，把灯关掉；但有访客时不要运行”包含时间、占用状态和例外。模型可生成草案，Discovery API 则列出家庭中真实存在的设备、命令、事件与参数范围，用户最后检查并保存。
这种模式比完全自主更可靠：模型降低表达门槛，结构化编辑器保留可见规则。出错时也能定位到底是触发器、条件还是动作设置不当。
## 摄像头理解改变了检索方式
普通摄像头通知常只有“检测到活动”。视觉模型可以尝试描述“有人把包裹放在门边后离开”，并把一天事件汇总成 Home Brief。Ask Home 还允许用户搜索“今天有人送包裹吗”。
这不是摄像头突然拥有人的常识，而是视觉、音频、时间和设备元数据被联合解释。描述可能遗漏或误认，因此重要事件仍应回到原视频核对。摘要适合缩小查看范围，不适合被当作绝对证据。
## 延迟决定它像不像家电
聊天晚两秒还可接受，开灯晚两秒就显得迟钝。家庭控制链可能经过唤醒词、语音识别、模型推理、云端设备服务和实际硬件，每一段都增加延迟与失败点。
因此，简单高频命令应尽量走短路径，复杂解释才使用更重的推理。计时器、灯光开关和音量调整需要稳定优先；“根据今晚天气和家人日程建议用电方案”才值得多步计算。
设备本地能力也重要。Matter 设备与 Cloud-to-cloud 设备都可出现在 Home APIs 中，但连接路径、状态更新速度和离线行为不同。好的助手会根据能力降级，而不是假装网络永远在线。
## 三类典型失败
第一类是指代错误。“把它关掉”可能指灯、电视或刚提到的烤箱，系统应在歧义大时询问。第二类是状态过期，应用看到的开关状态与实物不同。第三类是部分执行，一组灯里只有两盏响应。
还有组合目标冲突：用户要求节能，同时要求保持恒温。模型需要说明取舍，或者给出可调节选项，而不是悄悄选择一个目标。
开发者应记录意图解析、候选设备、实际命令、响应和最终状态，用真实家庭拓扑测试别名、同名房间、断网和多人同时操作。
## 真正的协同是什么
Gemini 提供语言和情境理解，Home APIs 提供设备世界的语法，传感器提供事实，自动化引擎提供持续执行。缺少任何一层，智能家居都会退化成会说话但不可靠的遥控器。
最好的家庭 AI 不是尽可能多做决定，而是在低摩擦与可预测之间找到平衡：听懂自然语言，只操作真实能力，执行后核验，在不确定时把选择交还给人。
## 参考资料