12.13-12.14 上海跨国采购会展中心
虽然搜索和服务框架在大陆无法使用，但谷歌在大中华区以云服务、机器学习算法等形式融入了许多大陆企业，并融入了许多互联网产品。而对于许多独立开发者和小型公司，谷歌在大陆同时作为开发者平台，提供了开发工具、组织一些线下活动等。
除了风头正盛的机器学习，此次亦重点介绍了谷歌对Web端的回归意愿，重点介绍了基于Web端的新开发方向PWA (Progressive Web Apps, 渐进式网页应用) 和AMP (Accelarate Mobile Page，预载？移动网页) ，可以看出谷歌对流量资费较高、设备机能水平相对较低的新兴市场的发力意图，以及在应用端整理安卓应用分发渠道，撬动Apps Store的意味。
得以深入了解，谷歌的气质可以放苹果一起相比较，二者放一起有点类似国内的今日头条和微信。前者都有很明显的数据驱动的意味，在事物内部逻辑尚不为人所理清时，会在多个点进行尝试，倒有点机器学习训练过程的感觉，因此项目失败的几率也相对高一些。而苹果与微信都相信相对灵性的思考，对数据的依赖相对较小，不把数字化的指标性成绩作为主要参考依据，而相信直觉和人的本性，但一跑偏就很可能比较远。
两天的开发者大会下来，也感觉到很明显的，技术性氛围更浓，人文精神的东西相对少，第一天晚宴的乐队演奏甚至都有点hardcore geek, 布置和灯光像Hacker Marathon. 会议的具体内容，也不乏高级工程师来教插开发板，前端工程师现场写代码的情节。人文性质比较浓的是第一天暖场的两个应用和倒数第二场哲学博士Allen Day利用谷歌开源工具做的一些涉及语言、图像的分享。其余大多是聊聊流量转化、开源工具、新的编程语言（忘了名字）或新兴市场分析。
现场摄像头取景到了一个Pad，翻过来后硕大的苹果Logo，镜头立马切了。这个瞬间很有意思。随后和后续在现场看到的很多轻量应用，大多都以这种“解决不了什么实际问题，完成不了生产工作”的纯粹好玩儿性质的形式呈现，不那么功利。
IoT也是此次大会介绍的次要主题之一，安卓阵营目前在电视、车载等设备上仍比较有优势。
这二者可以理解为用Web端来完成应用程序的工作，从而实现一些目的，有点类似于微信环境内的小程序。目前在国内的腾讯新闻、阿里速卖通等平台已经用上，主流的第三方浏览器也已经支持，比如亲儿子Chrome, Firefox, Opera, UC等。
可以实现更现代化的体验，可以离线甚至推送通知，全屏体验，自由分享，推送通知（支持iOS、MacOS），预加载更高速，一键登录，资源占用可视化，多媒体API便捷接入，兼容Shape Detection API（检测人脸，文本，条形码）等API接口。亦支持硬件API，如蓝牙，WebUSB. 在开发过程中，可以结合其他的谷歌工具，如Tensorflow, Lighthouse（指标追踪优化）等。
PWA的重点是提供服务，而非让用户安装软件。对于初创公司，可以将资源集中在单一具体的业务上，对需求进行满足。
在开发中，谷歌推荐遵循一些核心：快速，集成，可靠，可交互（有吸引力）。第二天的会议则做了一些具体化：
2020年，预计仍会有10亿的2G用户，流量资费对于一些新兴国家而言依然很高，对这些国家的用户，安装量很难保证。而这种可以以较低成本满足用户单一功能的PWA就可以很好的实现双赢：满足用户多种需求，达到软件商装机目的。在开发时，主要考虑点：连接，机能，流量费用，电池消耗，内容（本土化）
1. 连接-先抓去文本，而后图像；请求去重，缓存，根据网络性能调整行为。优化图像，适时提供SVG，否则用WebP，提示动图大小。
2. 机能-为中小屏幕设计，针对低密度屏幕进行优化，使用模拟器进行测试，调整RAM占用。
后面三个睡着了
谷歌相信沉浸式体验将会带来下一次人机交互的根本改变。ARCore的核心，即将信息实体化，可交互体验。
去年的Project Tango依赖于特殊的硬件，红外相机和广角镜头，制约较大。而今天的ARCore的核心将转为软件，这种转变基于一个数字：每年软件可触及的，至少30亿个移动设备。
ARCore开发的三个核心：
1. Motion Track 运动追踪
2. Environment Understanding 环境识别
3. Light Estimation 光线估测
应用：
1. 内容分享
2. 线上购物（在屏幕中恢复真实的样子）（举例了宜家和京东冰箱demo）
3. 工具（创作，测量）
4. 游戏
体验方面要注意的点：
1. 用户习惯以二维的方式来交互，但我们并不推荐，可以考虑用引导来改变习惯。
2. 场景会转移用户注意力，他们的注意力同时在屏幕和现实当中。在控件设置的过小或不合理时，会影响使用。
3. 交互意愿，很大程度上取决于距离。开发者在开发时，务必注意不同距离下不同的呈现、交互方式。
4. 用户需明确指示或合理理由，才会尝试新的交互方式，放弃固有的二维操作模式。
虽然98分，算法加成，放大细节都很爆炸，但机子（黑白配色）确实还是丑，何况一堆服务用不了，解毒。
tensorflow.google.cn
新发布了Tensorflow Lite，旨在让轻量级移动设备跑机器学习。
TensorflowServing 将训练好的模型快速产品化的开源工具。
在一些领域（举例眼部病变检测），机器学习已实现了比人类更高的准确率。而在一些更复杂的领域（比如语言翻译），机器学习的优化仍在高速进行中，超越人类只是时间问题。
引用了吴恩达尚在谷歌时的一句话，比起算法，数据更重要。很好理解，再傻的模型有了数据一样可以训练的很好，反之却不成立。
我的感悟，机器学习虽然很难在逻辑上解释事物内部机理，但在应用层面确实更实用。
