緊跟著 5 月份谷歌開發者大會（Google I/O）上 Jeff Dean「To Be Helpful」的主題分享，這位 Google AI 的總負責人，又在 7 月份來到東京，面對整個亞太的確的媒體與開發者，以「Solve with AI」為主題進行了一次「成果匯報」。

（Jeff Dean 與 Google AI 團隊部分成員 | Google）

　　兩次分享中間隔的 6 月，恰好距 Google 公布自己的「人工智能原則」（AI at Google: our principles）一年。在 2018 年的初夏，Google 發布了這一系列原則，其中的條目直指近年來人們對于人工智能技術應用倫理的擔憂，其中包括了：

　　· 對社會有益（Be socially beneficial）

　　· 避免建立或加劇不公與偏見（Avoid creating or reinforcing unfair bias）

　　· 保障建立與測試中安全性（Be built and tested for safety）

　　· 對人類負責（Be accountable to people）

　　· 建立并體現隱私保護原則（Incorporate privacy design principles）

　　· 支持并鼓勵高標準的技術品格（Uphold high standards of scientific excellence）

　　· 提供并保障上述原則的可操作性（Be made available for uses that accord with these principles）

　　一年之后，那些集中體現了上述原則的典型應用案例被 Google 歸納在了名為 AI for Social Good 的項目之下，其背后的邏輯是一家技術公司如何將公司使命、技術價值觀，和技術先進性合而為一。

　　學習模式

　　很早公布過的聯盟學習 (Federated Learning) 模式，在這次的分享中被 Jeff Dean 再次強調。其講述重點也從效率傾斜到了數據安全性。

　　這種區別于傳統數據集中學習模式的新方法，由 Google 在 2016 年提出，并與今年開源了 TensorFlow Federated，優勢在于多終端和計算節點互通下的高效學習效率，以及龐大數據傳輸中的終端數據安全保障。在聯盟學習模式下，不需要從設備上收集原始數據，用戶可以通過手機終端下載現成的模型，在本地完成訓練，迭代完畢后加密上傳更新，然后不斷循環，最大限度地兼顧了效率與安全。

　　醫療與健康

（糖尿病成為一個全球性的健康重癥 | Google）

　　在醫療健康領域，Google AI 典型的應用案例代表，包括了肺癌篩查、乳腺癌檢測，以及糖尿病檢測。

　　肺癌在所有癌癥中的致死率一直高居榜首，全球范圍內甚至可達到 3%。相比傳統醫療手段中 80% 的肺癌病例未能在在早期被檢測到，最迫切的需求集中在早起篩查領域。目前，人工智能解決方案的臨床應用，將初期檢測到的病例增加了 5%，而假陽性誤診病例卻降低了 11%。

　　乳腺癌的傳統篩查方法是在一張 10 億像素的幻燈片中，大海撈針似的尋找癌細胞在淋巴組織中的擴散痕跡。人工智能模型在這一領域的應用，可以達到 22% 的檢測發現率，但是同肺癌篩查狀況不同，這其中也增加了假陽性的誤診比例。因此目前被鼓勵的方向，是人工智能同醫生人工檢測的相互結合與互助互證。

　　目前，全球超過 4.15 億的糖尿病病例幾乎都伴隨著視網膜病變，并可能直接導致失明，醫療水平欠發達地區甚至缺乏人力進行初期檢測。Google 通過與外部公司的合作建立了針對糖尿病視網膜病變的視覺識別系統，并且已經在今年達到了同眼科專家相持平的檢測水平。在印度和態度，這套系統已經進入臨床試用階段。

　　環境保護

（座頭鯨叫聲與船舶噪音的分辨 | Google）

　　通過聲音識別和視覺識別，Google AI 已經在海洋瀕危物種保護、雨林非法砍伐監控，以及垃圾回收識別和農業害蟲鑒別方面進入了實際應用階段。

　　美國國家海洋和大氣管理局 (NOAA) 通過水下音頻收集，已經積累了 19 年的龐大數據庫。通過與 Google 的合作，NOAA 已經可以在繁雜多變的水下聲音世界中，識別出瀕危物種座頭鯨的叫聲，并通過自動識別鯨魚叫聲的神經網絡繪制成了座頭鯨海洋活動軌跡的動態地圖，使得對于特定海洋物種的追蹤和定向保護成為可能。

　　在陸地上，Rainforest Connection 公司在南美和東南亞的雨林利用安卓系統手機在樹木頂端搭建起雨林聲音采集和監控系統，并基由 TensorFlow 實現了對于電鋸聲和伐木工程車轟鳴聲的實時識別，目前藉由這個方案得到保護的雨林面積已經超過了 2000 平方公里。