这届人工智能能够化身“新基建”的中流砥柱，避免了重蹈“AI寒冬”的覆辙，一个很大的原因就是，机器学习从产业层面提质增效，真正让技术变成了社会经济的价值推动力。
技术高速迭代的时代，也让无数从业者和普通人痛并快乐着。因为需要不断打开认知通道，敢于去触摸那些刚刚被释放出来的产业能量。
近日，江苏银行与腾讯安全共同举行联邦学习应用服务签约仪式，开启了联邦学习的“从云端到产业地平线”的落地之旅，也激发了不少人对这项技术的好奇。
联邦学习、金融业，与腾讯之间，如何搭建起一个属于未来的智能产业生态，是一个值得思考的议题。
联邦学习：联合与分治的技与艺
对于关注AI的读者来说，联邦学习并不陌生。
自从2016年谷歌最先提出并应用之后，联邦学习就被看做是下一代人工智能协同算法和协作网络的基础，国外如亚马逊、IBM，国内如BAT、华为、平安等科技公司在积极部署和推动联邦学习产业化的进程。
简单来说，联邦学习就是随着人工智能，以及分布式计算、区块链等技术的协同发展，自然迭代出的系统化方案——在保护隐私的前提下，对多方的大数据价值进行挖掘，实现AI模型的训练与性能提升。
为什么需要联合与分治共存，要从当下以机器学习为代表的人工智能应用中的很多现实问题说起。
一方面，人工智能逐渐普及，对隐私安全的监管越来越严格，面对GDPR等一系列法律法规的出台，以数据为训练基础的深度神经网络必须做出改变，适应新的社会规范；
但是，合法合规的管控，又会加剧数据孤岛问题。不同机构和企业各自为营，捍卫自家的用户数据，让许多优秀算法模型无法得到充分的数据养料和有效训练，自然会给AI性能和准确率带来枷锁。
联邦学习，就在高质量数据的分与合之间，找到了辩证统一的平衡点——在不共享原始数据的前提下，利用双方的数据实现模型增长。
举个例子，假如A是银行，B是社交平台，C是出行打车平台，分别拥有各自的用户相关数据。现在ABC想要联合训练一个机器学习模型，来预测经常出没在哪些地区、关注哪些兴趣话题的人，拥有更高的偿债能力。
如果各个平台之间直接进行数据交换，作用用户肯定会担心暴露自己的隐私和信息安全。但不交换又该怎么训练呢？
答案就是，都使用联邦学习技术。在加密状态下，找到共有的用户，这样彼此都不知道数据对应的关键用户信息。用这部分数据来提取特征，并在自己的服务器上进行训练和调参，既遵守了隐私保护法规，又能够补充自己不具备的数据信息、提升双方模型的能力。
如此皆大欢喜的方案，大家怎么不快快都用起来呢？
某种程度上来说，联邦学习也是一张集合了心理题与技术题的综合考卷，只有都答对的企业才有可能推开这扇大门。
总的来说，联邦学习虽好，却也伴随着许多亟待解决的新问题：
1.各个AI企业之间的协作信任关系很难建立。
以前企业想上马AI，都是单打独斗式地运用自身数据自主训练，联邦学习要将各个不同行业、领域的企业并入一套标准化的系统，在一起进行多方联合建模。
这种合作就像南方人初入澡堂，要卸下重重防备一起享受实属挑战。如何从技术端保障企业之间的数据安全，让大多数公司愿意将数据拿出来和其他伙伴交换，有先锋公司和标杆案例的出现，用实打实的应用效果，来解决信任问题。
2.数据样本的复杂化，训练环境的不一致。
即使有公司愿意加入联邦共同成长建模，也必须面对现实中，不同企业和机构所处的计算环境、网络环境、数据环境各不相同的境况。
比如有的公司数据质量差，没有进行标注无法被训练；有的数据分散，不同部门之间没有数据合作；还有的数据实时变化，需要花费人力去维护，缺乏联邦学习的动力。
3.“要想富先投入”，联邦学习的额外成本。
通过联邦学习降低数据、建模的综合成本，提质增效，是产业的初衷。但围绕联邦学习搭建团队、沟通对接、进行训练，也需要投入一定量资源来完成，又进一步提升了联邦学习产业化的门槛。企业不仅应该着力想办法降低成本门槛，同时也要让新参与者接收初期成本。
通过这些问题可以看出，联邦学习想要迈出真实的步伐，必须精准吸引那些“准用户”，来主动解答这张前沿试卷。
开启智慧金融新篇章，腾讯扮演了三重角色
联邦学习借由金融场景落地到普通人身边，自然不是无缘无故的。腾讯安全在此时向银行和金融机构交付联邦学习应用服务，在我看来，是在锻造新的产业“内燃机”。
一方面，金融场景下数据保密等级高，安全要求更为严格；同时场景变化快，又对智能技术的升级迭代有着严苛的要求。在安全与升级之间，联邦学习技术与金融领域就达成了一次情投意合的碰撞。
从中长期来看，金融领域的数据挖掘必然会持续受到法律法规的捆绑，这就要求其必须注重共建模型的搭建，学会“戴着镣铐跳舞”。
此外，伴随着传统深度神经网络算法的普及，金融机构和银行也都到了进一步发展和提升自身技术水位，与同业拉开差异化优势的阶段，以争夺增量客群。
而伴随着客群的规模扩大，必然会带来用户信用资质数据不足、质量参差不齐、风控风险高等潜在风险，此时联邦学习提供的共同建模，就能从根源上来帮助企业利用AI提质增效。
金融领域毫无争议地成为了联邦学习落地的第一站。作为国内最早倡导“联邦学习”技术的团队之一，腾讯安全也交付了一整套联邦学习应用服务(FLAS)产品。
对于盼望着技术甘霖从云端降落到地面的金融领域来说，腾讯至少扮演了三个角色：
1.平台输血者——打破信任僵局。
前面我们提到，联邦学习想要发挥效用，既要打破各个企业之间的信任障碍，也要保障用户信息的隐私安全。
但大家的数据彼此之间不能“碰面”，模型训练必不可少的特征变量都变得不可见了，还怎么联合建模？面对这一难题，腾讯安全作为平台方，就起到了重要的“输血”作用。
借助腾讯在20年的安全攻防过程中沉淀出的大数据分析能力，以及腾讯安全服务中国99%以上网民所沉淀下来的黑灰产库，积累出了三千多个风险种类的特征变量。然后，腾讯安全对联邦学习的框架进行了重新优化，在与金融机构的合作中进行融合，就能达到保护数据的同时，保障模型性能的效果。
比如在江苏银行的合作中，就基于对方资金流相关维度的数据沉淀下来的特征变量和特征工程，在可用不可见的情况下进行融合，只交换了机器学习的中间值（即梯度），在效果不衰减的情况下，达到了数据融合建模。
2.技术前哨站，探索应用业务创新。
任何前沿技术的产业下沉，最终都要落实到务实的商业价值上去，联邦学习也不例外。
如何让技术与自身业务相匹配？腾讯生态内的实战训练，就扮演了“前哨”的角色，以自身经验 场景定制的方式，来为垂直行业进行铺陈。
举个例子，在办理个人信贷业务时，除了用户所在地，包括户籍地、移动运营归属地、行为轨迹等数据之外，金融机构还可以通过申请，引入诸如兴趣偏好、社交网络、收入情况等互联网产品的其他数据，通过纵向联邦学习，来训练自己的风控模型，实现更准确的综合评估。
腾讯安全团队在明确了联邦学习与金融业务的最佳契合点之后，充分发挥技术效能，推进行业端敏捷的业务创新。对200余个业务指标进行筛选与联邦建模，联邦学习联合建模新模型的AUC值提升10%-15%，最大KS值提升50%左右，为江苏银行的信用卡智能化管理打下了基础。
3.成本精算师。
腾讯安全联邦学习的附加值，还体现在以高度可应用化的技术输出形式，帮助企业控制技术升级成本。
首先，腾讯微众银行（WeBank）提出了工业级别联邦学习框架——联邦学习开源项目Federated AI Technology Enabler(简称 FATE)；腾讯TEG数据平台部基于自研分布式机器学习平台Angel，设计了一种“去中心化”的联邦学习框架PowerFL，并研发了FM、神经网络等联邦学习算法。腾讯安全则进一步对这两种计算框架进行了云化部署，形成了PaaS级联邦学习服务。
另外，基于腾讯的海量安全大数据，腾讯安全联邦学习应用服务可以通过云端的SaaS服务进行输出，让技术成果被快速下沉到产业场景中；用云交付的方式，落地到业务场景中去，不需要企业再不需要再投入人力去现场训练模型，就能达到彼此所需要的数据融合，进一步降低了训练成本。
同时，支持海量互联网用户参与对用户有价值的联合建模，在个人隐私数据均不出个人终端设备的情况下，利用联邦学习，金融业务可以更快速的迭代模型，更敏捷地适应市场变化，实现有价值的数据应用，提升业务的竞争力。集成化的软件和工具，以及服务的高复用性，让各种类型的金融机构不用 “重新发明轮子”，以低学习成本、高价效比的方式，就能实现AI联合建模。
可以说，伴随着产业智能化的继续深化，以及联邦学习的下沉，所产生的差异化优势也将真正显露出来，开启金融业的新一轮技术竞技。
编织AI新生态，向产业智能化的更远处进发
金融领域是技术敏感度最高、数据监管最严苛的行业之一。
由此带来了一个新的问题：当腾讯安全联邦学习应用服务开始在金融领域落地，未来会发生什么？
可以肯定的是，金融领域的AI规则必然会被改变。最直接的就是数据方将改变传统上单打独斗的思路，开始以协作、融合的姿态联合起来推动产业智能化效率的提升，未来也将改变行业获取数据、搭建AI的方式和门槛，打破行业“巨无霸”的“数据霸权”，释放出更多的数据生产力。
在此基础上，金融领域的应用只是联邦学习产业潜力的冰山一角。数据规制的严格化将是智能社会发展的整体趋势，未来在零售、医疗、工业、政务等各个智慧场景中，联邦学习都将担负起捍卫安全、降本增效的责任。
从这个角度讲，联邦学习如同一个操作系统一样，亟待建立一个标准化、生态化的繁荣技术圈。而与大数据打交道最为频密的腾讯生态土壤，有着举足轻重的价值。
陈寿在《三国志》中写过，和羹之美，在于合异。把各种不同的数据味道合在一起，腾讯安全烹制出的这道名为“联邦学习”的菜肴，也将是技术落地节点中，从智能社会的地平线上生长出的馈赠。
