「聽得懂哭聲」的嬰兒監視器，和那個「懂」字
開發者的 agentic AI 育兒題目
我在 Claude Taiwan 社團看到張修齊分享的一則貼文，介紹自己做的一個開源專案 crywatch——一台「聽得懂哭聲」的 AI 嬰兒監視器。
會被吸引，是因為它處理的是一個很實際、很生活的問題。用張修齊在貼文裡的話說：
起因很簡單：市售嬰兒監視器 App 都得繞原廠雲端，畫面又卡、又擔心隱私。剛好家裡有一台在跑 AI 的小伺服器，那……不然自己來吧。
於是他把兩台網路攝影機接上自架的 go2rtc 串流伺服器，畫面完全走自己的機器、不碰任何原廠雲端，手機再透過 WireGuard VPN 連回家看。
而且整套幾乎不是「硬幹」出來的。在不用上班的週末、一邊育兒，他一邊把研究和實作交給 Claude Code 這個 agentic AI 去跑——就用平常講話的口氣講「這邊卡到」「這個按鈕擋到畫面」，它就自己改 code、開一個看不見的瀏覽器截圖比對、翻 log 驗證。用他自己的話說，一個週末就上線了。
但真正讓我停下來的，是標題那四個字：聽得懂哭聲。我想知道，這個「懂」，到底懂到哪。
他怎麼定義「聽得懂」：分辨真的在哭，還是只是大聲
先講他實際做了什麼，因為這跟我後來的反應是兩件事。
他一開始用最笨的方法：夠大聲就通知。結果半夜吸塵器、電視、大人講話、寶寶開心尖叫全部在狂噴通知。他抓到的關鍵是這句——「大聲」根本不等於「在哭」。
於是他把問題從「偵測音量」換成「辨認聲音種類」，用上 Google 的 YAMNet。這個模型不是聽音量，是分類「這是什麼聲音」，裡面本來就有專門的「嬰兒哭、啜泣」類別。每兩秒抓一小段丟進去，只有被分類到「哭」才推播。他在 repo 裡放了實測數字：真的嬰兒哭聲分數落在 0.5 到 1.0，講話大約 0.27，而咳嗽、拍手、狗叫、還有吸塵器（全場最大聲的那個）都被壓在低分、直接無視。
他自己在專案說明裡把這件事講得很白：這是一台「actually knows the difference between crying and just being loud」的監視器。他點出市面上號稱「智慧」的通知，其實多半只是音量門檻，所以什麼大聲都會響——他要修的就是這件事。
所以他定義的「聽得懂」，範圍很明確：分辨這段聲音是不是「嬰兒哭」這一類。不是音量，也沒有要去解釋哭的原因。
但我被「聽得懂」勾住的時候，想的是另一種懂
只是，我第一眼看到「聽得懂哭聲」，腦子裡自動補上的，是另一種「懂」。
因為我想起了林軒田《機器學習基石》的第一堂課。那堂課花了不少篇幅講一件很基本的事：什麼時候「適合」用機器學習？他給了三個條件——你要有某種潛藏、可以學的規律；這規律確實存在，但你不知道怎麼把它寫下來（寫得出來，你就直接寫死、根本不用機器學習了）；而且你手上得有資料。
講完他出了個小測驗，還拿自己女兒開玩笑：能不能預測她「下一次哭是在偶數分鐘、還是奇數分鐘」。答案是不適合——用他的原話，「她什麼時候會哭、是奇數分鐘哭還是偶數分鐘哭，是沒有什麼規則可以預測的」。沒有 pattern，機器再強也學不出來。他建議的正解反而是另一題：銀行要不要發信用卡，因為那有規律、規則難手寫、又有一堆歷史資料。
林老師那個玩笑，反例的重點其實是想「預測、讀懂」寶寶什麼時候哭、為什麼哭——那一側的規律要模糊得多，難抓、也難寫成清楚的規則。而「聽得懂哭聲」這幾個字撞進我腦裡，我自動就把它接到了這一側，好像有人真的去解「讀懂寶寶」這道難題了。
我帶著這個期待點進去，才發現他解的是另一側，而且定義得乾乾淨淨：不是去理解「這次哭是餓、是尿布、還是想抱」，而是先分辨「寶寶到底有沒有在用哭聲提出需求」。前者比較接近林老師說的那種難有規律可循的題目，後者才是規律清楚、學得起來、也做得出來的題目。他的「懂」是「聽得出寶寶正在提出需求」，我以為的「懂」是「理解那個需求是什麼」——根本不是同一件事。
腦補的我，處理問題的他
這個落差其實很單純：他講的是一件事，我自己讀成了另一件。「聽得懂」這三個字，撞上我腦子裡那套關於機器學習的東西，我就順著把它想成了另一個方向的題目——跟他實際在解的，根本不是同一個問題。他從頭到尾都講得很清楚——「大聲不等於在哭」，一句話就把自己在做的事交代明白了；往另一個方向想過去的，是我自己。
想通這件事，我反而對這個專案更有興趣了。它就是把一個真實的育兒困擾，用手邊的工具老實地解掉——問題定義得剛剛好，然後好好做完。這種東西我一直很喜歡。
如果要往下做，我會想試的
偵測「有沒有在提出需求」，是一個很好的起點。往下走不必一步跳到「讀懂寶寶」——可以每次哭、大人過去看了，順手記一下這次是餓、是尿布，用日常照護慢慢把標註累積起來。有了這些紀錄，下一次哭時就能試著給「這次比較可能是這幾種」的候選，最後判斷還是留給人；甚至連原因都不用知道，光看哭的頻率是不是比平常密集，就能提醒今天大概要多留意。
說到底，這些加上去的東西，比較像在替家裡的 VIP 做客服——每一次哭都是一通進線，記下來、慢慢摸清這位貴客的需求，下次就能回應得更快、更貼近一點。
最近剛好看到一支影片，完美演出了這個「按服務鈴」的畫面（而且巧的是，這位貴客也姓張）：