TensorFlow是由谷歌人工智能团队“谷歌大脑”开发和维护的一个基于数据流编程的符号数学系统，拥有多层级结构，是一个人工智能框架。TensorFlow 可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于各类机器学习算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码。

3年多后，谷歌发布了TensorFlow 的第二代版本，不仅提升了可用性，增加了Eager Execution的支持，让TensorFlow 2.0可以更快地启动AI模型，同时还新增了两大互补模块保护用户数据隐私。

3月初，谷歌推出了其人工智能框架TensorFlow的2.0版本，以及两个能够让算法更负责任地处理用户数据的互补模块。

首先，TensorFlow 2.0重点提高了可使用性。为此，其中还接入了基于Keras的简化应用编程接口。Keras是一种开源工具，能够使人工智能开发框架更易于使用，它允许工程师在一个位置访问以前分布在多个API中的功能，并提供更多自定义开发工作流程的选项。

此外，TensorFlow 2.0的另一个关键升级是增加了Eager Execution的支持。这让TensorFlow 2.0可以更快地启动AI模型，通过更短的测试运行延迟，让工程师们可以尝试不同的模型变量。考虑到机器学习开发的高度迭代性，这将节省大量的时间成本。

值得一提的是，尽管TensorFlow 2.0在功能上有了显着的提升，但这次发布最引人关注的却是另外两个互补模块，这两个模块旨在帮助开发人员直接在AI软件中构建隐私控制，从而更好地保护用户信息。

其中，第一个模块是TensorFlow Privacy。通过自动过滤与算法通常接收的信息不同的输入，机器学习模型就能够自动筛除潜在敏感数据。例如，基于AI的拼写检查工具往往将字母作为输入，这意味着它可以轻松识别和过滤诸如信用卡号之类的长数字序列。

“TensorFlow Privacy并不要求使用者必须具备隐私或基础数学方面的专业知识，那些使用标准TensorFlow的开发者也不需要改变他们的模型架构、培训程序或流程就可以正常使用。”谷歌工程师Carey Radebaugh和Ulfar Erlingsson在博客中这样说。

另一个新的隐私模块名为TensorFlow Federated，它主要针对越来越多依赖于AI支持核心功能的移动服务。

由于移动设备的处理能力有限，应用通常会将用户数据发送到云的后端进行分析，然后通过机器学习对数据进行处理。而TensorFlow Federated让应用可以直接在用户手机上执行分析。然后，开发人员可以收集所得到的分析结果，并利用这些结果改进AI算法，而无需再访问基础数据。这将大大保护消费者的隐私。

“通过TFF [TensorFlow Federated]，我们可以展示我们所选择的机器学习模型架构，然后对所有数据进行训练，并保持每个编写器的数据的独立和本地化。”谷歌参与这个项目开发的两位工程师Alex Ingerman和Krzys Ostrowski在博客文章中这样写道。

据了解，与TensorFlow本身相似，这两个新模块将以开源许可的形式提供给用户。