联邦学习：数据孤岛破局者，还是产业泡沫？

去年刷到某股份制银行招联邦学习算法工程师，开价年薪百万的时候，我才意识到这个概念已经从实验室跑出来，扎进产业圈抢钱了。 前几年大厂因为数据合规吃到的天价罚单还悬在所有人头顶，谁都不敢随便跨机构拿用户数据，原来中心化AI那套堆数据的玩法，越来越玩不转了。

为什么偏偏是联邦学习站在了风口

谁都知道数据是AI的燃料，可现在这些燃料都被锁在一个个孤岛里。金融机构之间不能互通用户数据，医院不能把病人隐私往外传，不同省市的政务数据更是连部门墙都跨不过去，互联网大厂之间更不可能把核心用户数据拿出来共享。 怎么不破数据出境，又能把分散的数据用起来？联邦学习给了一个完全反常识的思路：数据不动，模型动。 简单说，所有参与训练的机构，原始数据永远存在本地，不需要传给任何第三方。每次训练只把本地更新后的模型参数或者梯度传出去，由协调方聚合更新全局模型，再把新的模型参数发回给每个参与方。绕来绕去，你的数据永远在你自己的地盘里，完美踩中了当前数据合规的所有要求。 联邦学习与中心化训练架构对比图 很多人容易把联邦学习和隐私计算混为一谈，其实联邦学习是当前隐私计算赛道里最成熟、最容易落地的技术路线。对比安全多方计算、同态加密这些方案，联邦学习对算力的消耗更低，对现有业务系统的改动更小，不需要额外花大价钱堆硬件就能跑起来。说白了，商业化的门槛更低。

落地这几年，走通了哪些路，埋了哪些坑

现在真正能落地赚钱的联邦学习项目，一半以上都在金融行业。最常见的玩法是多家银行或者消费金融公司联合训练反欺诈模型，各家各有各的黑名单和用户特征，合在一起训练模型，不用交换任何原始用户数据，就能把欺诈识别的准确率提上去。我接触过的一个试点项目，某股份制银行用联邦学习之后，坏账率直接降了近10个百分点，这个幅度对信贷业务来说已经相当可观了。 其次是医疗和医药研发。多家医院联合训练癌症影像识别模型，单一家医院拿不到足够多的罕见病病例，联邦学习刚好能把多家的病例数据用起来，又不碰病人隐私。现在不少三甲医院已经在做这类试点，后续如果能打通药企的数据，还能用到药物靶点研发上。 金融行业联邦学习反欺诈业务流程图 不过话说回来，现在市面上把联邦学习吹得太神了，它的坑一点都不比优点少。 第一个坑，精度天生就打折扣。你想啊，数据不出域，来回传的只有参数，本来就有信息损耗，如果各家机构的数据分布差异很大，精度掉得更明显。很多实验室里跑出来的好看数据，到真实产业场景里直接拉胯，根本达不到能用的标准。 第二个坑，安全不是绝对的。不少商家宣传联邦学习百分百不会泄露数据，这话纯纯骗投资人的。现在已经有大量研究证明，通过对抗攻击，完全可以从传递的梯度信息里反推出原始的用户数据，这个漏洞到现在都没有完美的解决方案，只能靠加其他隐私技术去补，成本又上去了。 第三个坑，互联互通几乎不存在。现在国内头部科技公司都做了自己的联邦学习框架，百度飞桨、腾讯微众、华为，各家的框架完全不兼容，两个不同厂商的客户想联合做训练，要做一堆适配改造，耗时又耗钱，小机构根本玩不起。 说实话，现在大部分联邦学习创业公司，都是拿着概念拿融资，真正能持续赚钱的项目没几个，泡沫不少。

未来三到五年，联邦学习会往哪走

未来三到五年，联邦学习会往哪走 经过前两年的资本爆炒，现在联邦学习的泡沫已经挤得差不多了，不少蹭概念的创业公司已经销声匿迹，我反而觉得接下来这个技术会慢慢走出一条务实的路。 第一个清晰的方向，就是和大模型结合，做联邦大模型。现在训大模型，哪家公司都不可能拿到全品类的全量数据，不管是行业数据还是用户数据，都分散在不同机构手里。联邦大模型的思路就是，各个机构在本地训自己的模型参数，不用交出原始数据，最后聚合起来就是一个效果远超单个机构训练的大模型。这个方向刚好解决了大模型训练的数据短缺问题，现在头部科技公司都在布局，今年已经有不少行业试点出来了。 但风险也很明显。联邦学习会不会反而加剧数据垄断？原来的数据孤岛是一个个机构，现在变成一个个大机构牵头的联邦联盟，小机构出数据出算力，根本没有话语权，最后所有的收益都被大机构拿走，原来的孤岛没打破，反而变成了更大的垄断，这个伦理和监管问题，未来肯定会浮出水面。 还有标准化的问题。现在整个行业都没有统一的标准，不同框架不互通，这个问题不解决，整个行业的规模永远做不大，只能一个个做项目，没法做成标准化的产品。 我不觉得联邦学习是什么下一代AI的基础设施，也不觉得它能解决所有数据问题。它本质上就是这个数据合规时代，一个非常务实的折中方案。它解决不了所有问题，但能在不碰隐私红线的前提下，把沉睡在各个机构里的数据挖出一部分价值，这就已经够了。 未来三年，泡沫退干净之后，能留下来的，都是真正能解决具体问题的玩家，联邦学习也会慢慢变成很多To B业务里的一个常规技术模块，不会再像现在这样动辄被拿出来爆炒。