人工智能与大数据相伴相随，是以，若是没有大数据，人工智能生怕不复存在。实际是，数据孤岛、小数据的存在，以及必需珍爱用户隐私，珍爱数据平安，这些都是人工智能进一步成长需要解决的挑战。
国际人工智能结合会理事会主席杨强近日在南京软博会全球软件财富岑岭论坛上，阐述了以上挑战的解决之道，这就是联邦进修。“包管数据不动，模型动。（经由联邦进修）模型在分歧企业移动的过程中珍爱用户隐私。”
联邦进修（Federated Learning）是近年来一种新兴的人工智能根蒂手艺，2016年由谷歌最先提出，用于解决安卓手机终端用户在内陆更新模型的问题，其设计方针是在保障大数据交流时的信息平安、珍爱终端数据和小我数据隐私、包管正当合规的前提下，在多介入方或多较量结点之间开展高效率的机械进修。有概念认为，联邦进修有望成为下一代人工智能协同算法和协作收集的根蒂。
某种角度，能够把欧盟《通用数据珍爱条例》懂得为联邦进修发生的催化剂。因为全球列国在数据确权、数据珍爱、信息平安等方面各类问题的存在（将历久存在），使得AI工程师必需要客服数据平安问题，斥地新的解决方案。因为练习一个壮大的机械进修模型需要大量的数据，而且是平安、合规的数据。
跟着互联网在消费端、财富端应用的深入，数据孤岛的问题也逐渐浮出水面。在好多场景，如司法应用、银行贷款、医疗剖析、机械视觉等范畴，数据都以孤岛形式、以小数据的形式存在，远远不足以练习一个深度进修模型。这无疑为机械进修的进一步成长形成镣铐。
谷歌用联邦进修来珍爱手机用户隐私的道理是，基于手机终端模型受到内陆数据的影响，然则在云端看不到用户隐私数据，是以，经由一种加密前提，在手机终端和云端进行模型的沟通，最终使模型在云端可以络续地强大，从而避免了数据的平安风险。
“他们能够在云端更新他们模型。整个这个进修的过程，是一个轮回的过程，同时是一个加密的过程。”杨强说。
那么企业级应用怎么样做到数据不动模型动呢？事实上是，对于供应数据的双方，数据或者存在互补性，具有分歧的特征，然则双方都不想敷陈对方己方数据的特征内容，更不要说用户特质了。而经由联邦进修，在数据不出库情形下，在同态加密机制下，双方合作竖立一个共享模型（当然也能够是多方），同时严厉地珍爱用户隐私。这就解决了数据平安以及数据量不足的问题。
资料显露，联邦进修具有几个显著的优势： （1）数据隔离，数据不会泄露到外部，知足用户隐私珍爱和数据平安的需求；（2）包管模型质量无损，不会显现负迁徙，包管联邦模型比割裂的自力模型结果好；（3）介入者地位对等，平正合作；（4）介入各方在连结自力性的情形下进行信息与模型参数的加密交流，并同时获得成长。
杨强透露，联邦进修在AI学术界已经成为一个趋势，在工业界也成为趋势。
