黛安·庫克（Diane Cook）是華盛頓州立大學電子工程與計算機科學學院的一名教授。過去數年，她都在調查智能家庭改善老年人生活質量的方式。幾年前，庫克參觀了得克薩斯州博覽會，在博覽會上她看到了以一系列智能設備為特色的「未來家庭」展。離開時，她卻不為所動。「這根本不是智能家庭，只是個聯網的家庭，」她說，「這裡有一台可以掃瞄二維碼的冰箱，它隨後可以為你生成一個雜貨清單，並將清單發送到當地的食品店，食品店再送貨上門。這個家庭裡雖然有很多這樣的設備，但擁有『智能』的仍然還是住在裡面的人。這些設備沒有邏輯推理能力，只有信息。」
庫克運用機器學習的知識，希望建造一個不僅僅只是收集數據的房子。「我認為智能家庭不僅要感知環境中發生的事情，而且還要通過自動化對環境造成影響。」她說道，「它可以對收集到的信息進行推理，使用這些信息並自動選擇一種行為。」庫克開始著手一項旨在使用這種智能進行推理的工作，從而獲得老年人在認知與身體差異方面的早期指標。智能傳感器可用於告訴我們一個人在家活動的全部信息。如紅外運動檢測儀、磁力門窗警報器以及可以記錄水龍頭和爐子狀態的傳感器等設備能夠顯示一個人是在吃飯、睡覺、做飯、看電視還是在外出散步。通過監測這些活動，有意識地提取他們的「統計學活動特徵」。庫克的算法還可以預測一個人的活動進行情況。比如，一個有記憶障礙的人執行某一任務所花費的時間可能更長。他們可以展現出許多可識別的跡象，如徘徊過多，在具體事情中試圖回想起下一步該做什麼，反覆開關壁櫥，或是使用不正確的工具做飯等。孤立地來看，這些行為不一定有什麼意義，但從全局來看時它們勾勒出一幅充滿啟示的圖畫。
開始的時候，庫克和她的團隊在華盛頓州立大學的校園測試這項智能家庭技術，隨後他們搬至西雅圖當地的一家名為「地平線之家」的療養院。這裡共有18位老人，平均年齡至少73歲，他們志願加入這項研究。他們在老人的公寓裡安裝了傳感器，傳感器的外觀是白色小盒子，每兩英吋安裝一個。即使沒有攝像頭，這些傳感器也能夠分辨出共同生活的是兩個人還是一個人和一隻寵物，庫克稱後者為「基於智能家庭的角度不得不處理的噩夢般的場景」。庫克隨後將傳感器數據與（人類）護工所管理的正常檢測數據進行了比較。「這是令人吃驚的成功，」她說，「我們在人類的活動與傳感器的健康檢查活動之間發現了高度的關聯性。因此，我們僅僅依靠他們進行的一些活動，就能夠通過機器學習工具，成功地預測他們正在接受怎樣的診斷治療。」
如庫克所言，雖然這項技術的應用沒有打算代替朋友或家人之間的社交活動，但它能幫助老年人獨立生活得更久，這可能意味著他們可以繼續待在他們度過了前半生的家裡。「即使沒有護理人員登門，這也沒有問題。如果出現重大的變化，意味著健康狀態發生轉變，護理人員或者醫務人員也可以及時得到警告。這種智能家庭可以發出關於老年人瞬間記憶喪失的警報，如冰箱門敞開或爐子沒關等。」
庫克的項目已經收到約300萬美元的資金，她的下一個目標是擴展自己的研究。「今天我們包裡都有智能手機，」她說，「我們可以將所有的傳感器、網絡、軟件以及計算機放入一個小容器裡，並將它們送到全球各地的站點。」不久，它就可以用來進行國際研究——隨著全球各地數據的流入，機器學習算法會變得更加智能。
許多公司也致力於這個領域。比如：Healthsense公司製造了eNeighbor監控系統，這是一款由大量家用智能傳感器強化的可穿戴設備。與黛安·庫克在「地平線之家」進行的項目有些類似，eNeighbor可用於檢測患者是否跌倒或忘記服藥，並通知護理人員。同樣，BeClose智能傳感器系統可以發現患者長時間不吃飯或錯過吃飯，並向指定的家庭成員發送短信、電郵或呼出電話。
擁有智能家庭信息那當然很好，但智能設備的下一波浪潮將涉及疾病的追蹤與診斷。以醫療設備廠商AliveCor為例，它生產的智能手機殼可以兼作可移動EKG（心電圖）心臟監護器，能夠預測使用者是否要中風。這種手機殼通過人的指尖測量來獲取心電圖，隨後由算法分析心跳的規律，並告訴使用者是否應該看醫生。
隨著我們的環境越來越智能，我們將進入一個持續地進行風險實時評估的時代。這是史上第一次可以針對個體得出大量基因的、生理的、生物的，以及環境的因素之間恆定的關聯關係與可能的因果關係。除了空氣質量與噪聲水平等外部指標，可穿戴設備將持續監測我們的心率、血氧水平、身體活動、呼吸模式、面部表情、肺功能、聲音曲線、腦電波、姿勢、睡眠質量等指標。運用人工智能的洞察力，這些數據點不僅轉化成對整個生活的全面建議，而且轉化成能夠即時提高健康水平的可執行的建議。在執行預測和診斷的同時，我們可以準確瞭解特定疾病或症狀出現時的必要條件，並且可以制定前瞻式預防措施，從而確保病症不會發生。哮喘患者可能具有導致疾病發作的特殊誘因，例如寒冷、運動、花粉或者其他過敏原，這些誘因可以通過智能設備分析出來。當這些風險反覆出現時，患者可以收到警告以提前服藥，或者避開特殊的地點。還有一個例子，通過細微的聲音顫動和降低音量等這些不易為人耳察覺的方式，一位對此還未察覺的遭受神經退行性紊亂的帕金森綜合征患者可能早在醫生診斷出來之前就接到了病症即將發作的警告。儘管當前還沒有治癒帕金森綜合征的方法，但早期診斷可能有助於改善生活質量。
儘管這些案例中的數據可用於所有用戶，但對用戶來說並不需要看到這些數據，除非有需要關注它們的原因。比如，健康追蹤技術的默認模式可能是一條高級命令：「監控我的生命體征，如果它們正常，不要傳送任何消息。」如果發現了潛在的重大變化，系統將向用戶報警，或者以其他方式向他們的醫生報警。
在醫療領域，這是一種全新的技術，但是由於機器學習的普及，它在我們生活中其他領域的應用也再普通不過了。比如，當前銀行用於檢測欺詐的算法。儘管我們有能力查看自己賬戶裡的每一筆交易，但當銀行發出的通知偏離我們的常規使用習慣時，我們就可以得到警告。如果我通常都是定期支付不到100英鎊，但有一次突然一次性在線支付了1 000英鎊，那麼這次支付就很可能被標記為可疑行為。許多電郵系統也使用機器學習，把「垃圾郵件」從我們需要閱讀的郵件中清理出來。垃圾郵件過濾器基於一系列內置規則，通過對每一封收到的郵件進行評分來展開工作。由於垃圾郵件過濾器能觀察我們對所接收消息的不同反應，經過一段時間後這些評分系統就能構建完善。我們只閱讀符合評分標準的郵件，即垃圾郵件過濾器認為值得閱讀的郵件。