AI技术在实际应用落地的过程中面临着两大瓶颈：一方面，多数企业拥有的“小数据”难以聚沙成塔取长补短；另一方面，对数据隐私与安全的日益重视早已成为世界性趋势。而“联邦学习”作为加密的分布式机器学习范式，可以使得各方在不披露原始数据的情况下达到共建模型的目的，为应对AI落地困境提供了更多可能性。

日前，记者在IEEE P3652.1（电气和电子工程师学会联邦学习基础架构与应用）标准工作组第四次会议上获悉，联邦学习标准草案预计将于2020年2月推出，正式标准预计将于2020年上半年出台。

目前，联邦学习这一新兴的AI技术已应用于金融、医疗、城市管理等多个领域。为了提供联邦学习落地应用的技术规范，为社会各界共建联邦生态提供合作依据，IEEE联邦学习国际标准项目应运而生。这一项目由微众银行发起，于去年12月获批，是国际上首个针对人工智能协同技术框架订立标准的项目。

标准工作组主席、微众银行首席人工智能官杨强介绍，在数据安全与隐私保护备受关注的环境下，联邦学习技术这一新兴的人工智能技术，有望成为下一代人工智能协作网络的基础，建立起机构与用户间的数据信任，推动科技向善。而联邦学习国际标准的制定，则将进一步为其在各行业的落地应用提供标准化的体系。

“IEEE联邦学习标准项目组将以更加细致的视角考虑联邦学习在To B（企业端）、To C（用户端）以及To G（政府端）不同情境下的场景分类，建立起联邦学习的需求模板，并针对联邦学习的安全测评进行了详细的规划，这将极大程度丰富联邦学习标准的内容，对联邦学习标准草案的出台具有重要的推动作用。”杨强表示。

杨强介绍，IEEE联邦学习国际标准项目自去年12月成立至今，已经吸引了30余家科技巨头公司、政府单位、企业和高校参与到标准制定工作中，覆盖金融、科技、医疗、教育等多个领域。

（记者马爱平）