“从脑电波还原语音”的故事，必定在能源管理领域发生

许多看起来不相关的事，其实都是相互有关联的。

一个故事是公开的：最新一期 Nature 杂志发表华裔作者论文：通过解码大脑活动提升语音的清晰度，使用深度学习方法直接从大脑信号中产生口语句子，达到150个单词，接近正常人水平。武侠小说中的“传音入密”真的实现了。

另一个故事，来自最近我一个朋友的讲述。他带着准备好的综合能源管理方案，应邀去某个高校进行方案介绍——从水电支付结算、房间能耗管理，一应俱全。

结果对方还没等方案介绍完，就问了一句：你的方案能不能实时发现大功率电器的使用，然后实时预警，或者干脆断电？

这是一个来自高校宿舍管理的真需求。因为传统的能源管理只能监测到用电量等数据，无法判断接入的是哪一种具体的电器。而且，好像判断出是哪一种具体的电器这个功能，并不是什么正经的需求。

可是这才是有些高校进行宿舍综合能源管理的最迫切需求。因为一旦因为接入大功率且劣质的电器，比如电风吹、电水壶等造成火灾安全事故，后果是不可想象的。

同时，对方还告诉他，其实已经有厂商作出了能判断接入的是什么具体电器的方案，只不过报价比较贵。

所以你看，其实原理就是“传音入密”——去识别电力曲线的当中叠加的各种信号，识别出哪个曲线代表着电风吹&电水壶，然后判断是否断电。

它特别像我们在做音频处理时的波形。

而之所以对方的报价比较贵的原因，我只能猜测它有两个步骤。

步骤一：首先需要大量的样本采集，知道哪些电器代表着什么样的波形，以及不同波形的组合之后，又有什么样的规律。这就涉及到算法；

步骤二：有可能它是把上面提到的这些样本，规规矩矩的输入在了本地的数据采集器上。也就是，每一台机器上都存好了这些数据样本。

其实以上步骤一是必要的，而且是核心竞争力。而步骤二并不需要。

这又让我想起一个多年前，参观某品牌家用人形机器人的经历。这个人形机器人能做出很多反应。看起来非常智能。我当时随口就问了一下，它能认出我的名字吗？工程师说，可以，不过我们需要把有关你名字的信息，输入到机器人的存储器上，让它产生关联，然后它就能认出你了。

所以那时候我明白了，这就是一个大号的、离线的、插卡学习机。

一旦离线，深度学习无法在线完成，就需要人工一次又一次的上载数据。而且每一个本地化的机器人，都要配置一套完成的反应机制，一套完整的数据。这都需要成本。

而显而易见的是，在线才能成本最低。

回到我们刚才讲述的那个高校的需求。其实如果将各种电器的数据存储在云端，本地化的数据采集机器就只负责两件事：上传数据到云端，然后根据云端的判断来下一个简单的指令：断电。也就是说，本地根本就不需要算力。

这就是一个非常有趣的，从市场倒推回来的能源管理真实需求。而解决这个需求的真实动作，不是商业模式往前走，而是技术继续往前走。