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）
· 避免創建或加劇不公與偏見（Avoid creating or reinforcing unfair bias）
· 保障創建與測試中安全性（Be built and tested for safety）
· 對人類負責（Be accountable to people）
· 創建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，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創建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，目前借由這個方案得到保護的雨林面積已經超過了 2000 平方公里。
類似于中國上海北京等城市最新出現的垃圾分類和回收難題，印尼作為世界上第二大塑料垃圾污染國，已經開始使用一種基于 Google AI 所實現的手機拍照識別塑料垃圾種類的應用，照片經過識別后，除了種類，還能顯示出不同塑料垃圾品類的回收和再利用價值。
（利用舊安卓手機制作的雨林聲音采集裝置 | Google）
對殘障群體的幫助
聽力或語言障礙，占據了目前全球殘障人士總數的相當比例。在針對聽障人士的人工智能應用中，語音識別技術目前不但可以將人際對話轉錄為視覺文字實時呈現，是的聽障人士可以參與日常交流，還可以將生活中的聲音，比如體育比賽中的歡呼、公路上汽車的鳴笛、焰火騰空后的爆破等，一并實時轉錄為文字，以盡可能的為這一殘障群體提供無差別的現實世界感知和交互。目前 Google AI 在這一應用上可支持的語言已經超過 70 種。
而反向的，對于因中風、漸凍癥，或帕金森等神經系統疾病造成的語言障礙人群，Google AI 創建起了能夠識別他們模糊發音，以及手勢，甚至眨眼等方式聲音和視覺模型，幫助他們實現實時文字轉錄，甚至語言發聲。這是一種比當年史蒂芬 · 霍金博士使用的交互系統更加高效和便捷的解決方案，最終能夠實現每一位語言障礙人員的輕松使用。
從上述已經進入實用階段的 AI 應用案例之中凝練抽離出來的，是對于目前全球科技商業領域對于技術先進性搖擺迷惑的最佳解答：真正的技術先進性，終究只能通過技術價值觀作為表達，那些技術路徑和商業化之中的困頓，大多來自于將兩者的剝離甚至對立。
就像 Jeff Dean 說到的：在這個時代，機器已經能夠做到看、聽、說和理解。然而如何看？聽什么？為誰說？理解誰？才是需要不斷回答的終極問題。
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）
· 避免創建或加劇不公與偏見（Avoid creating or reinforcing unfair bias）
· 保障創建與測試中安全性（Be built and tested for safety）
· 對人類負責（Be accountable to people）
· 創建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，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創建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，目前借由這個方案得到保護的雨林面積已經超過了 2000 平方公里。
類似于中國上海北京等城市最新出現的垃圾分類和回收難題，印尼作為世界上第二大塑料垃圾污染國，已經開始使用一種基于 Google AI 所實現的手機拍照識別塑料垃圾種類的應用，照片經過識別后，除了種類，還能顯示出不同塑料垃圾品類的回收和再利用價值。
（利用舊安卓手機制作的雨林聲音采集裝置 | Google）
對殘障群體的幫助
聽力或語言障礙，占據了目前全球殘障人士總數的相當比例。在針對聽障人士的人工智能應用中，語音識別技術目前不但可以將人際對話轉錄為視覺文字實時呈現，是的聽障人士可以參與日常交流，還可以將生活中的聲音，比如體育比賽中的歡呼、公路上汽車的鳴笛、焰火騰空后的爆破等，一并實時轉錄為文字，以盡可能的為這一殘障群體提供無差別的現實世界感知和交互。目前 Google AI 在這一應用上可支持的語言已經超過 70 種。
而反向的，對于因中風、漸凍癥，或帕金森等神經系統疾病造成的語言障礙人群，Google AI 創建起了能夠識別他們模糊發音，以及手勢，甚至眨眼等方式聲音和視覺模型，幫助他們實現實時文字轉錄，甚至語言發聲。這是一種比當年史蒂芬 · 霍金博士使用的交互系統更加高效和便捷的解決方案，最終能夠實現每一位語言障礙人員的輕松使用。
從上述已經進入實用階段的 AI 應用案例之中凝練抽離出來的，是對于目前全球科技商業領域對于技術先進性搖擺迷惑的最佳解答：真正的技術先進性，終究只能通過技術價值觀作為表達，那些技術路徑和商業化之中的困頓，大多來自于將兩者的剝離甚至對立。
就像 Jeff Dean 說到的：在這個時代，機器已經能夠做到看、聽、說和理解。然而如何看？聽什么？為誰說？理解誰？才是需要不斷回答的終極問題。
