繼去年宣布開放學習框架TensorFlow，讓更多開發者可藉此加快人工智慧技術發展之後，Google將進一步藉由TensorFlow學習框架讓電腦系統更容易「理解」圖像內容，並且能透過流利字句描述圖像情境，甚至可針對複合圖像重組成不同描述內容。
對於人工智慧相對重要的一環，便是讓電腦學習如何藉由圖像識別，進而將圖像內容轉化成合適描述文字，藉此達成電腦視覺應用目的，讓系統能順利透過文字轉換成執行指令完成動作，例如讓自動車識別前方有行人路過，進而告知系統啟動煞車，避免撞擊路人。雖然透過趨近感應元件偵測前方是否有障礙物，藉此讓系統判斷是否該啟動煞車也是一種辦法，但配合電腦視覺作為判斷輔助，將可讓自動車能更加正確地判斷前方路況。
而類似的技術，其實先前包含微軟、Qualcomm、Nvidia等廠商都已經投入發展應用，而Google過去以來其實也已經有相當長久的發展時間，甚至近期也配合與Nvidia合作，藉由顯示卡技術加快資料學習效率。從Nvidia稍早展示技術來看，目前圖像識別已經可以成功判斷動態影片內容，藉此讓系統更容易了解影片內容，甚至可快速判斷即時播放影片適合給哪些觀眾觀看。
在去年宣布開放學習框架TensorFlow之後，Google除在今年3月下旬的Cloud Platform NEXT 2016宣布開放更多TensorFlow延伸學習框架，讓電腦系統可藉由不同框架學習各類資料，稍早更針對圖像識別後的文字敘述判斷，同樣也開放名為「Show and Tell」學習框架，讓更多開發者可藉此訓練系統各類圖像認知效能。
根據Google公布數據，先前「Show and Tell」學習框架準確率約在89.6%-91.8%，目前累積學習成果則已經達成93.9%準確率，甚至已經可以在學習圖像重新作組合構成全新內容時，系統仍可給予合適的場景敘述字句。同時，就先前Google訓練流程來看，每個學習步驟至少需花費3秒鐘時間，但在新版本學習時間則僅需0.7秒，預期在對外開放學習框架將可讓學習時間更短。
