日前， 在北京金融科技产业联盟的组织下，结合中国工商银行、交通银行、中国农业银行、中国银联等头部金融机构在使用联邦学习的实际场景需要，微众银行AI团队和富数科技隐私计算团队联手破解了不同联邦学习平台之间互联的技术难题，在行业内第一次实现了异构联邦学习平台的互通。这次互联互通实验，初步验证了正在制定中的联邦学习技术互联互通技术标准的可行性，是隐私计算技术发展史上一次里程碑式的突破，必将进一步推动联邦学习等隐私计算技术在不同行业的快速应用，助力数据价值充分释放。
科技创新过程中，数据过度采集、非法共享、随意滥用等现象层出不穷，因此隐私保护、数据安全被提到了前所未有的高度，联邦学习应运而生。利用分散化的多源数据，帮助不同参与方在不交换原始数据的前提下高效建模，开发数据价值的同时保护各方利益，在人工智能与数据之间架起一座安全的桥梁。
随着联邦学习技术逐渐被业内认可，不同厂商纷纷推出具有行业特色的联邦学习平台。更多的技术产品在丰富市场选择的同时也带来了新的挑战：出于安全标准不统一以及具体技术实现细节的差异，不同联邦学习技术平台所托管的数据在实际应用中无法跨平台交互。联邦建模需求方面对用不同联邦学习技术平台托管的数据，更多的是望洋兴叹。
随着企业数字化与智能化转型升级加速，产业与科技、行业与行业的融合不断加深，跨行业数据需求大量催生。而不同联邦学习技术平台之间互联的阻碍，成为制约数据价值进一步释放的新壁垒。
携手共建标准，攻克技术难关
为打破这一壁垒，隐私计算行业各方一直在积极探索合适的解决方案。北京金融科技产业联盟从金融科技创新以及金融信息基础建设的角度出发，组织了相关研究讨论，中国工商银行、交通银行、中国农业银行、中国银联等头部金融机构也提出了厂商之间互联互通的需求，微众银行AI团队和富数科技隐私计算团队结合实际场景需要，决定联手破解不同联邦学习平台之间数据合作的技术难题，实现跨平台跨架构的互联互通，便于各个机构、企业之间的互联合作，进一步推动金融数据战略规划实施。
微众银行AI团队和富数科技隐私计算团队不仅积极参与北京金融科技产业联盟隐私计算工作组标准课题共建，还广泛联合各行各业，积极践行标准草案，与更多合作伙伴，一起构建开放、可持续的技术发展生态。
在此基础上，双方团队按照认证、管控、计算三个主要流程，抽象出节点、数据、算法组件、计算任务、存证、认证六大对象模型。建设性地提出跨平台互联互通三步走战略，第一阶段：实现节点互相发现及数据资源共享，包括站点发现、站点签约注册以及数据发现;第二阶段：算法组件按照统一标准可以跨平台迁移部署;第三阶段：联邦学习任务可以跨平台执行。分阶段、有节奏地为数据资源方、算法方及平台方案方等众多玩家提供接口。
互联互通，驱动“AI+”行业数字化升级
异构联邦学习系统实现互联互通，打破以往单一平台的限制，意味着不同企业可以基于通用的标准实现数据交流，各方参与者可利用的数据池变大，进一步释放数据价值，加速行业数字化升级。
与此同时，联邦学习技术的应用，也为数据流通打造了安全底座，严格保护了个人隐私和个人信息安全。
随着国内外联邦学习不同行业标准的相继完善和陆续发布，相信未来联邦学习技术的应用场景将更加广阔，不同联邦学习平台之间的合作也将更加密切。
