針對目前廣泛應用在Google Search、Google翻譯、Google Photos、語音辨識等服務的人工智慧系統，Google除說明藉由客製化處理器TPU縮減學習訓練時間，更進一步說明背後運作的類神經網絡構成學習模型設計原理，藉由從持續學習過程累積衍生全新學習經驗，讓人工智慧系統變得更為「聰明」。
隸屬Google Brain團隊的研究科學家Quoc Le說明，為了模擬人腦神經元連接所產生思考模式，Google內部研究團隊藉由積層式類神經網絡交疊構成1010組 (100億組)網絡交結組合，並且透過可進化式演算法及強化學習演算法使系統能從學習過程中累積經驗，進而達成從學習經驗中學習的成效，一如人類會從經驗法則內學習不同想法的情況。
就目前Google所採用方式，主要是藉由主控類神經網絡推導子集學習模型架構，並且藉其進行特定模式的學習訓練，同時評估最終訓練結果，最後再將訓練結果傳回主控類神經網絡，過程中則會依照學習情況判斷是否修正資料。
新的學習模型已經用在支援CIFAR-10的圖像辨識，以及用於自然語言處理的Penn Treebank資料集語言模型內，並且作為許多Google服務的應用基礎，例如以更快方式識別圖像內容為「熊貓」，以及在輸入法中即時顯示下一個備選詞彙。
人工智慧已經從幾年前仍處於實驗室階段，短時間內大量進入一般生活，幾乎包含手機、網路服務等應用均包含人工智慧技術成分，並且帶來相比傳統更高的運算效率，因此成為全新電腦運算發展模式，同時也因為目前每天所產生數據資料越來越多，透過傳統演算模式已經無法合乎效益，因此導入人工智慧的分析演算模式將成為日後主流。而在Google將TensorFlow學習模型開源之後，目前此項學習模型也在短時間內被廣泛使用，幾乎多數的人工智慧系統均藉由TensorFlow框架進行深度學習訓練。
不過，雖然目前藉由新設計讓人工智慧系統能以更具效率方式學習，甚至自行產生全新學習經驗法則，但依然無法讓系統本身了解目前所在處理內容的本質，亦即無法像人類般有情感般思考，因此也無法在學習過程中判斷資料是否有誤，僅能仰賴持續學習過程發現錯誤而重新修正，或是透過人為方式進行調整。
如此一來也能藉由知曉系統如何運算，進而掌握資料如何被使用、運算，避免系統產生「踰矩」現象，讓使用者能善用人工智慧運算模式帶來更便利且具效率的使用體驗，同時也因為人工智慧系統仍無法自行判斷內容本質，即使人工智慧技術以相當迅速角度發展，作為最終結果判斷、使用的「人」依然扮演重要角色。
藉人工智慧推動全新醫療系統
除了將人工智慧系統應用在旗下服務，Google也說明越來越多科技應用已與人工智慧息息相關，例如利用人工智慧分析預測各類病症，包含協助臨床醫師檢測淋巴結內的乳腺癌轉移情況，或是篩選判斷糖尿病視網膜病變，同時也進一步將人工智慧系統與各類醫療輔助設備結合，藉此實現各類疾病早期預防效果，甚至未來可進一步協助判斷病患是否需住院觀察，以及判斷未來病症影響身體健康情況，同時也能藉由病例資料深入了解病患可能需求。
目前Google已經與加州大學舊金山分校醫學院、史丹佛大學醫學院、芝加哥大學醫學院等醫療研究人員合作，構思如何結合機器學習技術及臨床診斷專業知識，藉此改善醫療成效、降低不必要的額外醫療花費與醫療疏失情況，同時協助臨床醫師運用更準確的分析判斷做出更好的診斷結果。甚至針對醫療人力資源較為短缺的偏遠地區或發展中國家，結合雲端分析運算資源也能協助醫師做出更正確的醫療診斷。
但在推行此項發展之前，Google也面臨不同醫療機構採用數據記錄格式差異所形成資料取用的困難，因此目前將藉由醫療開放數據標準FHIR (Fast Healthcare Interoperability Resources)讓病例等記錄資料格式統一，如此才能讓人工智慧系統取用，並且用於深度學習分析，但對於現有醫療數據資料仍須花費大量人力與時間統合。
而其他的挑戰則包含如何推廣至臨床，並且建立醫師及病患對於分析數據結果的信賴，另外也包含如何將人工智慧系統分析應用落實在醫療工作流程。
