“联邦学习”解决AI落地“卡脖子”困境？

毋庸置疑，在业界对人工智能（AI）应用落地备受期待的时期，数据这一重要支点却越来越成为一个“卡脖子”的难题。

AI落地需要数据来优化模型效果，但大部分企业不会轻易把数据无条件提供给AI公司使用，因为数据某种程度上是它们赖以生存的底牌，这也导致少数巨头公司垄断大量数据，而小公司很难获得数据的局面，另一方面，由于法律法规对数据隐私保护的规定，数据融合难上加难。数据孤岛问题似乎成了无法解开的死结，人工智能落地进程严重受阻。

此时，Google 于 2016 年提出的联邦学习（Federated Learning）技术开始在业内被寄予厚望，国内以微众银行、平安科技、百度为代表的公司成为新技术的“尝鲜者”，希望它成为打通数据孤岛的桥梁。

Google 率先建立建立联邦学习系统来解决用户个人终端设备的数据隐私问题，在安卓系统的手机用户中，首先将初始化模型下载到各终端，然后根据其本身的数据更新模型参数，不同终端随之产生不同的更新结果送到云端进行聚合，汇总后的模型参数将作为下一次更新的初始参数，一直迭代直到收敛。