Google MobileNets采开放架构设计，并且免费提供开发者取用，使其应用程序能有更进一步的深度学习应用，诸如物件识别、人脸辨别或影像品质判断等，但无需全数仰赖持续连网的学习模式，而可借由手机处理器进行装置端的端点运算，并且达成相近的深度学习应用效果。
为了进一步强化手机端的深度学习应用，Google在今年Google I/O 2017期间宣布提供针对行动装置设计的轻量版学习框架TensorFlow Lite，让行动版App也能借由手机等装置硬件效能发挥人工智能应用功能，而在稍早更宣布推出包含影识别在内16种预先训练学习模型的MobileNets系统，借此让手机也能发挥贴近云端协作表现的运算效能。
此项系统同样采开放架构设计，并且免费提供开发者取用，使其应用程序能有更进一步的深度学习应用，诸如物件识别、人脸辨别或影像品质判断等，但无需全数仰赖持续连网的学习模式，而可借由手机处理器进行装置端的端点运算，并且达成相近的深度学习应用效果。
根据Google测试表示，在MobileNets系统运算之下，准确率约可在70.7%至89.5%之间，相比结合云端运算的识别准确率约在94%左右，其实已经相当高的准确率表现，意味装置端在未仰赖连网情况下也能实现相当程度的深度学习应用，比重上将可有效提升装置运算反应表现。
而基于Google透过本身数据、使用反馈等资料完成16种预先训练的学习模型，开发者将能有效利用这些训练模型打造不同应用服务，甚至借此训练不同学习模型，让人工智能技术能借由MobileNets系统、TensorFlow Lite等学习框架更便利地导入手机等行动装置。
相同的发展模式，苹果方面也开始在新版iOS 11内导入装置端的端点运算学习模型，利用Core ML设计让iPhone、iPad等装置能有更快运算效能表现。至于Google近期也传出计划打造自有处理器，因此预期将在未来推出的Pixel系列机种导入更具软硬件整合的深度学习应用，让手机变得更聪明。
