回顾过去的十余年，人工智能的进步可谓“耀眼”。尤其是从2015年“阿法狗”横空出世之后，人工智能行业的发展速度一骑绝尘。归根结底，是人类在人工智能领域探索50余年，最终才在半导体技术和软件技术的帮助下，找到了机器学习领域的突破口。

从2015年起，人工智能行业的发展主题就是把机器学习突破这条“小路”拓宽。安防监控、证券自动交易、文字翻译等一批领域，首先迎来了人工智能的“觉醒”，这与它们自身的数据属性有很大的关系：安防监控的数据都是图像画面；证券行业本身就是数字游戏；人类历史上翻译过的书籍不计其数。

可随着时间的推移，人们发生事情开始转变——在越来越多的应用场景下，数据反倒成为了阻碍人工智能的最大因素。一来越来越复杂的人工智能需要的数据量直线上升，二来现实中的数据孤岛、数据隐私问题难以解决。

对于人工智能行业、亟待人工智能帮助升级的各个产业而言，这都是一个避无可避的挑战，下一阶段的智慧产业必须找到在种种数据限制下继续前进的路径。

目前，“联邦学习”是目前行业内公认最靠谱的解决方法，通过将机器学习与其他数据技术结合，为多方数据特征合作构建一个完全由计算机掌控、高效进行数据价值挖掘的系统。

近日腾讯安全发布的联邦学习应用服务（FLAS），是国内“联邦学习”技术在应用领域的最新成果。通过低成本快速迭代的联合建模服务，FLAS能够在保护所有参与方隐私的同时，有效释放出各方大数据生产力，广泛适应于业务创新的应用场景。

数据，当下人工智能发展的“暗坎”

在机器学习这条路径当中，数据一直扮演着相当重要的角色。虽然各个应用场景存在很多差异，但有两点是一致的：数据越多越好；数据的维度越多越好。

数据量的需求可以参考AlphaGo，Google旗下的DeepMind总共花了两年时间，最终创造出最强大、全面超越人类的围棋人工智能Alpha Zero。相比最早期使用了16万盘人类棋局数据、能够战胜入门职业选手的AlphaGo，Alpha Zero使用了286亿盘、包含人类和机器生成的棋局数据，两者相差达到18000倍。

数据的维度也相当重要，围棋绝对算是一次艰巨的挑战，但棋局实际上都发生在半米见方、只有16行16列黑白子的棋盘之上。围棋相比现实中的问题，实在是太“简单”了，所以在解决现实问题的过程中，往往会用到数倍于简单场景的数据维度。

从数据需求的角度出发，人工智能的应用落地显然应该把所需要的一定量、一定维度的数据聚集到一起，然后用足够的计算力将它们变成可以执行的神经网络。很可惜，这样的操作是不现实的。

现实世界中，人工智能所需的数据，大多都会以“数据孤岛”的方式分布。行业与行业、企业与企业，甚至部门与部门之间，都会存在现实的“数据鸿沟”。对于自身数字经营过程中产生的新型资产，每个主体的数据都是宝贵的，更不要提其中涉及到的用户隐私问题。

近些年愈发严厉的数据法规也带来了很大的挑战，2018年欧盟带头建立新法案《通用数据保护条例》（GDPR），对企业使用用户数据进行了仔细而全面的规定。随之而来的，是对于企业的实际处罚。截止至2019年9月24日，22家欧洲数据监管机构对共87件案件作出了总计3.7亿欧元的行政处罚决定。

中国也在2017年起实施《中华人民共和国网络安全法》和《中华人民共和国民法总则》，明确了网络运营者不得泄露、篡改、毁坏其收集的个人信息。同时，新的《个人信息保护法》、《数据安全法》也在从草案落实成法案的过程中。这些新数据法规的落地实施，必然会对人工智能数据的收集与使用造成了直接的影响。

现实中的种种情况，让人工智能技术落地这一征程，从最早的核心技术驱动，转向了应用中现实问题的解决，也就是如何克服现有的人工智能数据问题。

人工智能行业其实早早地给出了解决方案——“联邦学习”，即在基础的人工智能机器学习核心能力，与一系列数据技术、系统逻辑架构结合，打造出一套系统化的解决方案。利用额外的计算力和网络资源，来实现多方数据价值的汇总，同时实现原始数据不出本地、实际的应用效果还能逼近于直接汇总数据的机器学习。

联邦学习应用服务，帮助银行业解决现实问题