联邦学习：数据孤岛破局者，还是被吹大的真需求？

去年跟一个持牌消费金融公司的CTO吃饭，他吐槽了快一小时。之前为了做反欺诈，想跟几家互联网公司换数据，刚搭好数据通道，《个人信息保护法》正式实施，吓得赶紧停了项目，上百万的前期投入打了水漂。 这不是个例。整个数字经济走到今天，最大的矛盾之一，就是数据要流动才能产生价值，但监管要求数据不能随便流动。而这两年被拎出来当破局方案的，就是联邦学习。

到底解决什么真问题？

很多人听这个名字觉得玄乎，其实核心逻辑一句话就能说清楚：数据不出域，模型共训练。 原来我们训练AI模型，得把所有参与方的数据归集到同一个服务器里，才能跑训练。这个过程中，数据挪来挪去，风险一大摊，出了问题谁都担不起。 联邦学习换了个思路：每家把自己的数据留在本地，只把训练好的模型参数传来传去，大家一起把模型优化好，最后每家都能用一个效果更好的模型，谁都不用把自己的数据给出去。 联邦学习横向纵向训练架构对比图 它不是什么天顶星技术。最早2016年谷歌提出来的时候，就是为了解决安卓用户输入法个性化训练的问题——用户的输入隐私不能上传，所以把模型放手机本地训，再聚合参数更新。 它的技术边界非常清晰：只解决「数据分散在不同机构，又不能碰」的问题，超出这个边界，它不好使。比如你一家公司自己内部的数据能随便用，犯不着用联邦学习，额外加成本，效果还不如集中训练，何苦呢？

跑通的场景，和卡脖子的问题

现在市场上喊了五六年，到底哪些场景真落地了？ 最成熟的肯定是金融。跨银行、跨持牌机构的反欺诈、信用风险评估，太对味了。每家机构都有自己的客户标签，不能互通，但是大家都想训一个更准的风险模型，用联邦学习刚好。国内好几家股份制银行现在已经跑起来了，联合十几家机构训的模型，坏账识别率比单机构训的能提十几个百分点，一年少说拦下来几十亿的不良。 然后是医疗。AI影像诊断需要大量数据，但是每家医院的病例、影像都是隐私，根本拿不出来。用联邦学习，十几家医院联合训模型，数据都留在各家医院，模型效果能涨一大截。还有政务，不同部门的数据不通，要做城市级的AI应用，联邦学习也能用上。 说实话，大部分喊着做联邦学习的公司，其实根本没落地项目。都在那吹概念，拿框架到处兜售，一问落地案例，全是POC，根本没上线跑业务。 金融行业联邦学习反欺诈应用流程图 卡脖子的问题太多了。第一个就是成本。跨机构传参数，动不动几百个G，小机构的带宽根本扛不住，每次训练要跑好几天，成本比集中训练高几倍。 第二个就是兼容性，现在各大厂都有自己的联邦学习框架，你用腾讯的我用百度的，根本联不起来，标准没统一，跨厂商协作就是扯。 第三个就是性能，你再怎么优化，联合训练的准确率就是拼不过把数据放一起训的，差几个点，对一些要求高的场景就没法用。还有最头疼的安全问题：虽然数据没出域，但是现在已经有方法能通过模型参数反推原始数据，这个漏洞现在还没完美的解决方案，谁敢随便用？

未来三年：别捧杀，也别小瞧

未来三年：别捧杀，也别小瞧 现在创投圈一会吹联邦学习是千亿赛道，一会又说它是伪需求，都太极端。我接触下来的产业界人士，大多都觉得，需求是真的，但是没那么大。 首先，它绝对不会成为通用的AI基础设施，只会成为强隐私监管、高数据价值场景的标配工具。未来三年，金融、医疗、政务这三个方向，会先跑出来成熟的商业模式，其他的To C场景，根本没那么强的需求，赚不到钱。 监管层面，现在其实已经在松口了，很多地方的监管已经把联邦学习认可为合规的数据协作方式，只要你做到数据不出域，就不会算你违规，这个方向是明朗的。不过话说回来，伦理和治理的坑还很多，比如会不会出现几家机构联合起来，用联邦学习绕开监管？会不会变相形成数据垄断？这些问题现在都还没答案，未来肯定还要出规则管。 至于产业格局，现在通用框架层面已经打的差不多了，互联网大厂都有自己的开源框架，创业公司再做通用框架根本没机会。活下来的创业公司，都是扎进垂直场景做解决方案的，给银行做一套联邦反欺诈，给医院做一套联邦影像方案，赚项目钱，反而活的挺好。 我见过太多技术概念，从被吹上天到摔下来，来回好几轮。联邦学习不一样，它不是为了造概念而生的，是监管逼出来、产业逼出来的真需求。只是很多人太急了，恨不得明天就做成下一个云计算，哪有那么容易？ 慢慢来。该属于它的市场，迟早会出来。对吧？