關(guān)注 AI 技術(shù)的人們想必都知道，聯(lián)邦學習（Federated Learning）技術(shù)最早是由谷歌在 2017 年公開發(fā)布，一經(jīng)提出就被業(yè)內(nèi)寄予厚望。

由于面臨著數(shù)據(jù)孤島和數(shù)據(jù)隱私保護等問題，AI 產(chǎn)業(yè)落地進程面臨著嚴重的數(shù)據(jù)困局。聯(lián)邦學習技術(shù)正是為了應對這一問題而被提出，現(xiàn)在已成為新一代人工智能最重要的技術(shù)范式之一。

在聯(lián)邦學習出現(xiàn)并快速發(fā)展的三年多時間里，國內(nèi)外諸多科技巨頭都已經(jīng)開展聯(lián)邦學習的深入研究與應用。值得注意的是，在聯(lián)邦學習技術(shù)的研究和推廣上，我國的科技企業(yè)與研究機構(gòu)不再是處于跟隨狀態(tài)，而是處于和國外科技巨頭并駕齊驅(qū)的水平。其中一些頭部企業(yè)正在積極參與到聯(lián)邦學習的技術(shù)標準制定，以及產(chǎn)業(yè)應用落地的實踐當中。

聯(lián)邦學習為何如此重要？在最近兩年當中，聯(lián)邦學習又是如何在眾多國內(nèi)科技巨頭的支持和推動下，實現(xiàn)迅速發(fā)展和應用落地的？這成為很多人非常關(guān)心的問題。

打破 AI 數(shù)據(jù)困局，聯(lián)邦學習的野馬之姿

聯(lián)邦學習，谷歌這一技術(shù)設(shè)想，主要回應的問題是如何有效利用用戶終端上的數(shù)據(jù)進行 AI 模型訓練，而又不侵犯用戶的數(shù)據(jù)隱私。

工程師們的解決方式是用戶數(shù)據(jù)只需在本地終端進行訓練，云端服務器只要獲取訓練后的訓練模型（權(quán)重）即可，也就是搭建一個大型的分布式神經(jīng)網(wǎng)絡(luò)模型訓練框架，從而讓用戶數(shù)據(jù)不離本地，同時也能獲得很好的 AI 服務體驗。

聯(lián)邦學習的出現(xiàn)，讓每個用戶都可能成為 AI 發(fā)展的貢獻者，同時又啟發(fā)了企業(yè)之間跨越 AI 落地的數(shù)據(jù)鴻溝的一種嶄新方式。

所謂的“數(shù)據(jù)鴻溝”，主要是我們常聽到的“數(shù)據(jù)孤島”。一方面是企業(yè)逐利的本性，必然使其不愿拿出自身的數(shù)據(jù)與其他公司交換，導致少數(shù)幾家巨頭壟斷大量數(shù)據(jù)而小企業(yè)無數(shù)據(jù)可用的馬太效應；另一方面是全球各國對數(shù)據(jù)隱私保護的監(jiān)管越發(fā)嚴格，企業(yè)在用戶數(shù)據(jù)使用和共享上面更要考慮合規(guī)合法的應用，因而進一步加劇了數(shù)據(jù)孤島效應。

在這一數(shù)據(jù)鴻溝的制約下，眾多行業(yè)和企業(yè)會因為沒有高質(zhì)量、大規(guī)模的數(shù)據(jù)支撐而無法得到更好的訓練模型。特別是對于一些專業(yè)性強的細分領(lǐng)域，如金融、風控、法律以及醫(yī)療等領(lǐng)域，由于各家的數(shù)據(jù)無法打通，自身的數(shù)據(jù)量又有限，會極大地限制其 AI 技術(shù)的發(fā)展。

既能保護數(shù)據(jù)不共享以保護用戶隱私，同時又能在云端更新和共享通用模型，這正是聯(lián)邦學習技術(shù)所能實現(xiàn)“兩全其美”的策略。

聯(lián)邦學習在從 C 端應用向 B 端產(chǎn)業(yè)應用演進中，形成了更為通用的解決方案：一、橫向聯(lián)邦學習，即樣本中用戶不同，特征相同，谷歌的方法即是這種；二、縱向聯(lián)邦學習，即樣本中用戶相同，特征不同，適用于擁有同一批用戶的不同企業(yè)；三、遷移聯(lián)邦學習，即樣本中用戶、特征都可能不同，這樣可以通過數(shù)據(jù)的升維或降維，從而進行另外數(shù)據(jù)子空間的遷移學習。

這樣，聯(lián)邦學習作為一種更加泛化的機器學習方式，就可以把更多像金融、保險、醫(yī)療、安防、教育等行業(yè)機構(gòu)作為數(shù)據(jù)主體來進行 AI 的模型應用場景了。而在聯(lián)邦學習技術(shù)的深化和擴展當中，我國的多家科技企業(yè)發(fā)揮了重要的作用。

百舸爭流，聯(lián)邦學習在中國的成績單

作為聯(lián)邦學習技術(shù)的深度參與方，國內(nèi)企業(yè)不僅參與了聯(lián)邦學習的技術(shù)研發(fā)和應用，同樣還參與了聯(lián)邦學習的標準制定以及貢獻了多個開源模型框架。

首先，我國的多家企業(yè)組織和參與了聯(lián)邦學習基礎(chǔ)架構(gòu)與應用規(guī)范標準的制定。去年，聯(lián)邦學習基礎(chǔ)架構(gòu)與應用（IEEE P3652.1）標準工作組兩次會議先后在深圳、洛杉磯召開，國內(nèi)眾多企業(yè)對聯(lián)邦學習標準草案的制定提出建設(shè)性意見，并預計在今年出臺這一草案。

業(yè)內(nèi)人士評價，聯(lián)邦學習技術(shù)正是在全球知名人工智能專家楊強教授和其團隊主導參與的 IEEE 聯(lián)邦學習標準制定委員會的推動下，才成為備受產(chǎn)學研各界關(guān)注的人工智能的研究領(lǐng)域。

其次，國內(nèi)多家企業(yè)也都紛紛推出了可以進行產(chǎn)業(yè)落地應用的開源框架。

比如，騰訊發(fā)起的微眾銀行早在 2018 年就基于聯(lián)邦學習理論研究進行相關(guān)開源軟件研發(fā)，在 2019 年初，正式開源全球首個工業(yè)級聯(lián)邦學習框架 FATE（Federated Learning Enabler），其實現(xiàn)了基于同態(tài)加密和多方計算的安全計算協(xié)議，在信貸風控、客戶權(quán)益定價、監(jiān)管科技等領(lǐng)域推出了相應的商用方案。

去年，百度在 PaddlePaddle 2.0 開放平臺中，也增加了 PaddleFL 聯(lián)合學習框架，PaddleFL 主要是面向深度學習進行設(shè)計，提供了眾多在計算機視覺、自然語言處理、推薦算法等領(lǐng)域的聯(lián)邦學習策略及應用場景。同樣，平安科技在其提出的聯(lián)邦智能體系的基礎(chǔ)上，自主研發(fā)了蜂巢聯(lián)邦學習平臺，主要應用于多方信息的安全協(xié)作計算，滿足銀行和金融機構(gòu)的風險評估、反洗錢、投顧、投研、信貸、保險和監(jiān)管等多場景應用需求。

同樣，基于聯(lián)邦學習理論的多方安全計算技術(shù)，騰訊云開發(fā)出“騰訊云數(shù)盾”來滿足數(shù)據(jù)安全治理的多重需求。阿里巴巴也早在 2015 年就開始了與聯(lián)邦學習思路相同的共享學習技術(shù)的研究，在各方通過共享加密數(shù)據(jù)或加密機制下的參數(shù)交換方式來進行機器學習，建立虛擬的共享模型的產(chǎn)品平臺。

此外，華為、京東、聯(lián)想以及國內(nèi)多家創(chuàng)業(yè)企業(yè)都已在聯(lián)邦學習的生態(tài)發(fā)展中貢獻進行著各種不同細分領(lǐng)域的實踐創(chuàng)新。

這些國內(nèi)科技企業(yè)之所以紛紛投入到聯(lián)邦學習技術(shù)的研發(fā)和推廣，正是看到其在用戶數(shù)據(jù)隱私保護與 AI 技術(shù)創(chuàng)新上面實現(xiàn)的完美平衡，以及帶來的眾多產(chǎn)業(yè)的 AI 應用落地的機會。

推動 AI 產(chǎn)業(yè)落地，聯(lián)邦學習的中國實踐

根據(jù)聯(lián)邦學習的技術(shù)特點以及參與企業(yè)的當前的研發(fā)重點，金融領(lǐng)域成為聯(lián)邦學習最先進行應用落地的主要場景。其中在金融業(yè)務的眾多環(huán)節(jié)中，信貸風控可謂是典型的聯(lián)邦學習的應用落地場景。

基于聯(lián)邦學習的信貸風控，微眾銀行提出了“同態(tài)加密中間變量”的解決方案，也就是保證原始數(shù)據(jù)不出庫的情況下，使用經(jīng)過梯度交換得到的中間變量來進行風控模型的建模，從而降低使用中心化機器學習帶來的系統(tǒng)性隱私風險。

通過聯(lián)邦學習實現(xiàn)的信貸風控的用戶數(shù)據(jù)網(wǎng)絡(luò)增強，就可以在貸款前更好地判斷客戶風險，幫助信貸公司過濾信貸黑名單或明顯沒有轉(zhuǎn)化的貸款客戶，進一步降低貸款審批流程后期的信審成本；同時在貸款中實現(xiàn)用戶放款后行為的動態(tài)評估以輔助授信額度的調(diào)整，在貸款后期幫助放貸機構(gòu)進行催收的策略評估，調(diào)整催收策略，提升催收效率。

在醫(yī)療健康行業(yè)，同樣也長期面臨著“數(shù)據(jù)孤島”的問題，從而制約著醫(yī)療 AI 的發(fā)展。

基于患者數(shù)據(jù)隱私保護的要求和各家醫(yī)療機構(gòu)數(shù)據(jù)無法互聯(lián)互通且標準不一的問題，聯(lián)邦學習可以很好地避開醫(yī)療機構(gòu)之間的信息壁壘，不再需要將各家數(shù)據(jù)做集中合并，而是通過協(xié)議在其間傳遞加密之后的信息，而各個醫(yī)療機構(gòu)通過使用這些加密的信息更新模型參數(shù)，從而實現(xiàn)在不暴露原始數(shù)據(jù)的條件下使用全部患者數(shù)據(jù)的訓練過程。

日前，騰訊的天衍實驗室和微眾銀行正是利用這一聯(lián)邦學習的方式成功構(gòu)建了一個“腦卒中發(fā)病風險預測模型”，既能利用兩家醫(yī)院的加密后的共同的患者樣本進行特征建模訓練，又能很好地保護各自的數(shù)據(jù)隱私，最終比兩家醫(yī)院各自獨立訓練的模型效果準確率有了大幅的提升。

在安防監(jiān)控行業(yè)，AI 安防系統(tǒng)也同樣由于數(shù)據(jù)隱私保護的監(jiān)管要求和各家安防廠商之間各自為戰(zhàn)的狀況而難以獲得很好的發(fā)展。假如有多個廠商使用聯(lián)邦學習來訓練和優(yōu)化 AI 算法模型，就可以讓每家企業(yè)在自己的服務器上進行訓練，只需加密上傳訓練模型到后臺，進行模型優(yōu)化后，再反饋給各個廠商改進后的模型方案。

除了金融、醫(yī)療和安防行業(yè)的應用外，聯(lián)邦學習正在深入到其他行業(yè)當中。未來包括像金融、醫(yī)療、保險、安防、教育、零售、工業(yè)以及智慧城市等各個行業(yè)和場景，都可以依賴聯(lián)邦學習技術(shù)實現(xiàn)行業(yè) AI 能力的提升，從而實現(xiàn)降本增效的運營目標。

總體而言，對于國內(nèi)這些聯(lián)邦學習的積極推動者和踐行者的科技企業(yè)們而言，聯(lián)邦學習到底意味著什么？

首先，去年 5 月我國網(wǎng)信辦出臺了《數(shù)據(jù)安全管理辦法（征求意見稿）》這一被稱為“中國版 GDPR”的法規(guī)，標志著我國數(shù)據(jù)規(guī)范使用的時代已經(jīng)到來。面對越來越嚴格的數(shù)據(jù)安全的監(jiān)管要求以及日益嚴峻的用戶數(shù)據(jù)隱私保護的風險，國內(nèi)這些科技企業(yè)必須將數(shù)據(jù)的合規(guī)合法的使用當作日常運營的關(guān)鍵要務來看待。

數(shù)據(jù)安全的嚴格限制無疑會帶來企業(yè)在 AI 技術(shù)應用上面的挑戰(zhàn)，聯(lián)邦學習技術(shù)正是應對這一監(jiān)管挑戰(zhàn)和行業(yè)競爭限制而提出的解決方案，自然得到了科技企業(yè)的大力推崇。

其次，對于那些科技巨頭而言，聯(lián)邦學習技術(shù)不僅能直接解決企業(yè)內(nèi)部的“數(shù)據(jù)孤島”問題，也可以使其在所要涉及的行業(yè)內(nèi)建立起數(shù)據(jù)共享的合作生態(tài)。只有搶占先機，推出自己的聯(lián)邦學習的開源架構(gòu)，才能吸引更多的行業(yè)伙伴加入到這一聯(lián)邦學習的生態(tài)當中。

另外，對于那些創(chuàng)業(yè)企業(yè)或行業(yè)客戶而言，既沒有豐富的數(shù)據(jù)資源，也沒有充足的資源投入到 AI 系統(tǒng)的建設(shè)上，通過加入聯(lián)邦學習的生態(tài)，借助巨頭的平臺和大數(shù)據(jù)資源，進行自身 AI 模型的優(yōu)化，大幅降低企業(yè)智能化升級成本，成為一件非常劃算和可行的選擇。

近兩年，我們經(jīng)常會聽到“普惠 AI”這一概念。普惠 AI 的愿景肯定不會只是一兩家 AI 巨頭就能實現(xiàn)的，而是更需要各行各業(yè)的企業(yè)、組織和個人一同參與，來為 AI 的技術(shù)升級與落地貢獻源源不斷的數(shù)據(jù)資源。

在 AI 的持續(xù)演進和數(shù)據(jù)隱私安全保護的交織下，聯(lián)邦學習正在搭建一座機構(gòu)與用戶、機構(gòu)與機構(gòu)之間數(shù)據(jù)信任、共享普惠 AI 成果的橋梁。而這座聯(lián)邦學習生態(tài)之橋的建設(shè)，國內(nèi)的技術(shù)建造者和各行業(yè)的參與者還有很多的工作要做。

編輯：hfy