《人工智能 联邦学习技术规范》国家标准实施，浪潮信息参与编制

联邦学习，应对传统行业人工智能应用的数据挑战

人工智能要深入金融、电信、能源、制造业等传统行业，就需要大量的专业数据对模型进行微调和强化。在过去几十年的信息化、数字化建设过程中，传统行业积累的业务数据，有着巨大的潜在技术价值，可以用来微调强化行业模型和业务模型。但是这些数据分布于不同的组织，甚至于同一个公司内，数据也分属不同部门，往往以孤岛形式出现。由于数据安全与隐私保护的限制，要进行跨组织的数据聚合与协同模型开发，难度非常大。

联邦学习是专门针对上述问题的技术解决方案，是一种“数据不动、模型动”分布式学习技术，聚合中心将模型分发到每个参与方，参与方在本地训练模型，然后聚合中心汇集各方的结果来升级模型，从而实现了多主体在不共享原始数据的前提下联合训练AI模型，从根源上破解了数据安全与隐私保护带来的根本性矛盾，在传统行业的AI规模化落地应用中起到了关键作用。

统一规范，融合不同技术框架

国内联邦学习技术研发与应用越来越呈现多技术流派竞争、各自为战的局面， FATE、FedML、OpenFL等一系列开源项目都发展十分迅速，应用也越来越广泛，只是这些框架的系统架构、算法协议、安全机制存在显著差异，导致跨机构协作成本高、数据协同效率低、安全合规风险难管控等问题，严重制约了技术的产业化落地与生态化发展。

《人工智能 联邦学习技术规范》创新性地构建了“基础技术模块+计算模块+管理模块”的三层系统架构，明确了任务发起方、数据方、算法方、调度方等8类参与方的权责边界，形成了覆盖联邦学习全生命周期的全栈技术规范体系，为不同开源项目、技术流派提供了统一的框架规范，有效解决不同产品、不同企业应用系统兼容性差、互通难、协作成本高的问题，加速AI在各个传统行业的落地应用，同时推动联邦学习技术从各自为战走向开放协同，技术生态将全面升级。