空气净化的裁判员 海尔空气盒子详细评测

简介:
   笔者第一次听到关于空气盒子的信息是在1月份的CES展上。如今4个月过去,海尔空气盒子的团队告诉我们他们的产品在这段时间里又经历了数版的改进。即将和大家见面的空气盒子究竟怎样?来看雷锋网 (公众号:雷锋网) 的详细测评。

外观和硬件

包装采用了牛皮纸盒。据说此次空气盒子的外观设计有大量网友参与,比如这个包装盒的配色方案。
打开包装盒,就能看到黑色圆润的空气盒子了。空气盒子的中心是通透的,便于更好地检测空气成分。
背面同样带有透气小孔。底部是Micro USB的电源接口以及重置用的小孔。
上电后,VOC和PM2.5的指示灯亮,表示进入检测状态。
背面的WiFi指示灯则在上电后闪烁,等待配对。

空气盒子整体的尺寸在11*11*11cm,重量大约是140g,功率5W左右。

软件和使用

初看空气盒子的app(扫描包装背后的二维码下载)比我印象中海尔的形象略萌。

初始配置

先来看初次配置过程,注册登录后即为配置界面。正常大约3步配置完成:等待WiFi指示灯闪烁,输入密码,配置。

如此,首屏就是天气和当前整体的健康空气指数(越高越好),点击上半部分是最近的天气预报;下半部分则是详细的空气指标。

点击界面中的表情,可以看到近期各项指数变化。

空调/净化器的配对

海尔的空气盒子,最初团队的设想就是要做成一个集空调、净化、加湿于一体的组合空调。最后因为种种原因,他们放弃空调方案转而完成了空气盒子。而通过红外与空调/净化器配对就是空气盒子曲线实现家庭空气管理的核心。

配对的过程在目前的版本里已经相当简单:

用遥控器对准空调开机(此时空气盒子会接收并且分析折射回来的红外信号),跟着空调会罗列一系列的品牌——用户只需要选择对应的品牌就能自动下载相应型号的空调红外码。

这样就可以直接在app端遥控空调/净化器了。

这一部分基本上就是简化了空调和净化器的管理,将两者合并并且模式化——不用在“滴滴滴”对着空调一阵按。

不过这部分有两大遗憾:一台空气盒子目前只能控制一台空调和一台净化器;其次是还没有打通IFTTT功能。

场景测试

1. 向空气盒子呵气后,湿度迅速升高

2.靠近点燃的纸条,VOC和PM2.5指数迅速恶化。
app端的数据变化,以及迅速弹窗提示用户通风。
从这个层面来说,空气盒子其实也是一台安全设备。

比检测更进一步

笔者最近一直在用一台跟智能无关的空气净化器,遇到的最大问题是:因为没有任何示数,所以不知道开起来是否有效;也不知道何时应该开,何时不用开。樊佳鑫在前几日笔者去采访时,这么描述空气盒子:简化家里空气的管理,而不是单单作为参数的检测器——从这个角度来说,空气盒子已经比较好地做到了让用户“知情”,app端的管理也比传统的遥控器方式简单地多。如果说要有缺憾的话,那就是还没有IFTTT的功能,相信这个团队能够很快加入。

在检测的数据上,空气盒子还有一个小小的缺憾:没有二氧化碳检测——很多的用户喜欢在关窗情况下开启净化器,但此时室内的二氧化碳浓度也会升高——所以好的空气始终是良好的通风跟净化的平衡。

对整个大的空气管理领域,空气盒子是一个较早的开端——也是一个相当不错的量产案例。就像此前我们在“肺话”中提到的,空气净化领域一直缺少一个裁判员——那么从空气盒子开始。

  
  
 
  本文作者: 吴德新

本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
数据可视化 数据挖掘 Python
数据分析案例-往届世界杯数据可视化
数据分析案例-往届世界杯数据可视化
835 0
数据分析案例-往届世界杯数据可视化
|
9月前
|
存储 关系型数据库 数据库
极简开发,极速上线:构建端到端大模型应用
本文将以一个经典的 RAG(检索增强生成)知识问答系统为例,详细介绍从智能体设计到最终应用部署的全流程。
1390 82
|
9月前
|
存储 机器学习/深度学习 人工智能
【AI系统】微分计算模式
本文深入探讨了自动微分技术,这是AI框架中的核心功能。自动微分分为前向微分和后向微分两种模式,主要通过雅克比矩阵实现。前向模式适用于输出维度大于输入的情况,而后向模式则更适合多参数场景,广泛应用于现代AI框架中。文章还详细解释了这两种模式的工作原理、优缺点及应用场景。
270 2
【AI系统】微分计算模式
|
11月前
|
人工智能 JSON 自然语言处理
开源模型+Orchestrating Agents多智能体框架,易用、强大且可控
本文采用开源Qwen2.5-14B-instruct-GGUF来体验多智能体编排和交接,希望在体验多智能体编排和交接框架的同时,一起评估中小参数规模的模型(14B)能否较好的完成多智能体任务。
|
机器学习/深度学习 存储 移动开发
贝叶斯优化实战(三)(4)
贝叶斯优化实战(三)
227 0
|
Kubernetes 固态存储 调度
在K8S中,如何在指定节点上部署Pod呢?
在K8S中,如何在指定节点上部署Pod呢?
|
编解码
FFT_频谱分析(数字信号处理)
用FFT对信号作频谱分析是学习数字信号处理的重要内容。经常需要进行谱分析的信号是模拟信号和时域离散信号。对信号进行谱分析的重点在于频谱分辨率及分析误差。频谱分辨率D和频谱分析的点数N直接相关,其分辨率为2π/N 。因此2π/N≤D,可以据这个公式确定频率的分辨率。 FFT分析频谱的误差在于得到的是离散谱,而信号(非周期信号)是连续谱,只有当N较大时,离散谱的包络才能逼近于连续谱。因此N要适当选择大一些。 周期信号的频谱是离散谱,只有用整数倍周期的长度作FFT,得到的离散谱才能代表周期信号的频谱。如果不知道信号周期,可以尽量选择信号的观察时间长一些。 对模拟信号进行谱分析时,首先要按照
925 1
FFT_频谱分析(数字信号处理)
|
负载均衡 Java Nacos
spring cloud nacos整合gateway(一)
spring cloud nacos整合gateway
834 1
|
消息中间件 ARouter 安全
「性能优化系列」APP启动优化理论与实践(下)
● 启动耗时监测实战:手动打点以及AspectJ方式对比; ● 启动优化实战:有向无环图启动器、IdleHandler启动器以及其他黑科技方案; ● 优化工具介绍。
530 0
|
存储 数据采集 分布式计算
大数据治理系列:6 如何保护大数据的安全和隐私
从安全和隐私的角度来看,大数据与其他传统数据不同,需要不同的方法。但是可以扩展许多现有的方法和实践,以支持大数据的安全和隐私模式。
大数据治理系列:6 如何保护大数据的安全和隐私