回顧過去的十余年，人工智能的進步可謂“耀眼”。尤其是從2015年“阿法狗”橫空出世之后，人工智能行業的發展速度一騎絕塵。歸根結底，是人類在人工智能領域探索50余年，最終才在半導體技術和軟件技術的幫助下，找到了機器學習領域的突破口。

從2015年起，人工智能行業的發展主題就是把機器學習突破這條“小路”拓寬。安防監控、證券自動交易、文字翻譯等一批領域，首先迎來了人工智能的“覺醒”，這與它們自身的數據屬性有很大的關系：安防監控的數據都是圖像畫面；證券行業本身就是數字游戲；人類歷史上翻譯過的書籍不計其數。

可隨著時間的推移，人們發生事情開始轉變——在越來越多的應用場景下，數據反倒成為了阻礙人工智能的最大因素。一來越來越復雜的人工智能需要的數據量直線上升，二來現實中的數據孤島、數據隱私問題難以解決。

對于人工智能行業、亟待人工智能幫助升級的各個產業而言，這都是一個避無可避的挑戰，下一階段的智慧產業必須找到在種種數據限制下繼續前進的路徑。

目前，“聯邦學習”是目前行業內公認最靠譜的解決方法，通過將機器學習與其他數據技術結合，為多方數據特征合作構建一個完全由計算機掌控、高效進行數據價值挖掘的系統。

近日騰訊安全發布的聯邦學習應用服務（FLAS），是國內“聯邦學習”技術在應用領域的最新成果。通過低成本快速迭代的聯合建模服務，FLAS能夠在保護所有參與方隱私的同時，有效釋放出各方大數據生產力，廣泛適應于業務創新的應用場景。

數據，當下人工智能發展的“暗坎”

在機器學習這條路徑當中，數據一直扮演著相當重要的角色。雖然各個應用場景存在很多差異，但有兩點是一致的：數據越多越好；數據的維度越多越好。

數據量的需求可以參考AlphaGo，Google旗下的DeepMind總共花了兩年時間，最終創造出最強大、全面超越人類的圍棋人工智能Alpha Zero。相比最早期使用了16萬盤人類棋局數據、能夠戰勝入門職業選手的AlphaGo，Alpha Zero使用了286億盤、包含人類和機器生成的棋局數據，兩者相差達到18000倍。

數據的維度也相當重要，圍棋絕對算是一次艱巨的挑戰，但棋局實際上都發生在半米見方、只有16行16列黑白子的棋盤之上。圍棋相比現實中的問題，實在是太“簡單”了，所以在解決現實問題的過程中，往往會用到數倍于簡單場景的數據維度。

從數據需求的角度出發，人工智能的應用落地顯然應該把所需要的一定量、一定維度的數據聚集到一起，然后用足夠的計算力將它們變成可以執行的神經網絡。很可惜，這樣的操作是不現實的。

現實世界中，人工智能所需的數據，大多都會以“數據孤島”的方式分布。行業與行業、企業與企業，甚至部門與部門之間，都會存在現實的“數據鴻溝”。對于自身數字經營過程中產生的新型資產，每個主體的數據都是寶貴的，更不要提其中涉及到的用戶隱私問題。

近些年愈發嚴厲的數據法規也帶來了很大的挑戰，2018年歐盟帶頭建立新法案《通用數據保護條例》（GDPR），對企業使用用戶數據進行了仔細而全面的規定。隨之而來的，是對于企業的實際處罰。截止至2019年9月24日，22家歐洲數據監管機構對共87件案件作出了總計3.7億歐元的行政處罰決定。

中國也在2017年起實施《中華人民共和國網絡安全法》和《中華人民共和國民法總則》，明確了網絡運營者不得泄露、篡改、毀壞其收集的個人信息。同時，新的《個人信息保護法》、《數據安全法》也在從草案落實成法案的過程中。這些新數據法規的落地實施，必然會對人工智能數據的收集與使用造成了直接的影響。

現實中的種種情況，讓人工智能技術落地這一征程，從最早的核心技術驅動，轉向了應用中現實問題的解決，也就是如何克服現有的人工智能數據問題。

人工智能行業其實早早地給出了解決方案——“聯邦學習”，即在基礎的人工智能機器學習核心能力，與一系列數據技術、系統邏輯架構結合，打造出一套系統化的解決方案。利用額外的計算力和網絡資源，來實現多方數據價值的匯總，同時實現原始數據不出本地、實際的應用效果還能逼近于直接匯總數據的機器學習。

聯邦學習應用服務，幫助銀行業解決現實問題

在實際的應用中，金融行業成為聯邦學習應用服務的重點落地領域。銀行等金融機構長期以來都面對著數據難以融合的問題：作為提供資金往來、各種金融服務的商業機構，并不缺乏數據量。但這些數據大部分都是用戶的交易數據，維度相對單一，導致數據的價值很難挖掘。

無論是識別信用卡使用中的違規現象、風險提示，抑或是為用戶提供特定的營銷推薦，促進業務發展，它們最終服務的對象都是真實的人類客戶。后者在實際的生活中其實會源源不斷產生各種數據：社交、消費、金融、空間。想要更好地挖掘銀行客戶的價值，就必須把這些不同類別的數據都加入分析，進而形成對客戶的整體性認識。

跨多個行業、很有可能涉及用戶隱私風險，這顯然是聯邦學習發揮自身能力最好的舞臺。而騰訊安全最新推出的“騰訊安全聯邦學習應用服務”就是聯邦學習應用落地領域最新、最有潛力的“舞者”。

騰訊安全聯邦學習應用服務是一套典型的縱向聯邦學習解決方案，這一類方案通過融合多個機構對相同樣本的不同觀察進行AI聯合建模，最終形成一套針對擁有異構數據的機構，如銀行、電商等的聯合建模服務。通過采用這套應用服務，最終的數據提供用戶隱私得到保障，且各方的數據安全更加可靠，同時全面釋放出大數據生產力。

作為一家覆蓋眾多用戶應用領域的互聯網巨頭公司，以及“聯邦學習”本身所具有的前沿技術特性，讓騰訊安全聯邦學習應用服務從一開始就具備了與目前各種聯邦學習項目不同的特點。

首先是“經驗”，得益于騰訊自身眾多產品、服務，騰訊安全20余年來累積了大量的黑灰產庫，形成了包含百億點、千億邊的黑灰產知識圖譜，安全服務已經覆蓋中國99% 的網民。

其次是騰訊先進的云計算技術能力，整套騰訊安全聯邦學習應用服務既可以基于公有云、也可以基于私有云部署，在具體的部署方式上還支持輕量、便捷、易拓展、易管理的容器技術。

最后是騰訊的互聯網“內功”，在騰訊打造聯邦學習應用服務的過程中，充分發揮了騰訊內部的互聯網產品和工程能力，針對聯合建模過程中的通信、穩定性進行了專門的優化：通過通信次數優化、中間結果壓縮，減少了聯合建模過程中需要傳輸的數據量，提高效率；另外對于網絡環境造成的傳輸中斷，專門打造了模型的斷點備份功能，即便數據傳輸中斷也能斷點重啟，而無需再從零開始。

目前，騰訊安全聯邦學習應用服務在實際業務實踐中，聯合建模新模型的AUC值提升10%-15%，最大KS值提升50%左右。已經與江蘇銀行、濟寧銀行、湖北消金、玖富數科、嘉銀金科等金融機構達成合作，實現了數據價值的雙向賦能。

互聯網巨頭，下一階段人工智能的領路人？

放眼人工智能的整體發展趨勢，2000年后取得重大突破的機器學習，還將作為人工智能的主要“突破口”，數據也將扮演整個人工智能實現過程中的關鍵角色。

在人工智能持續的落地中，機器學習這把“大錘”的發展已經開始放緩，在解決了各行各業當中的許多“小釘子”之后，必然需要面對更加難解決的“大釘子”。在短時間內沒有辦法快速把“錘子”變大的前提下，要通過多人協作——讓多個“錘子”勁往一處使的操作方法，來保持、甚至加速人工智能的發展。

但聯邦學習終究只是一項技術，它需要面對一系列前提，應用方需要具備：基礎的人工智能技術研究實力、多方共同聯邦學習系統的工程能力、多方實際操作中的積極參與、相當的前期投入與失敗風險。這些對于普通公司和組織不可能的前提條件，對于騰訊這樣的互聯網巨頭就簡單多了。

就像騰訊安全聯邦學習應用服務一樣，騰訊不僅為客戶構建了實現聯邦學習的通路，同時也將自己積累的寶貴安全黑灰產庫加入到了產品服務當中，這種開放、共享合作的心態與行為，很可能會成為未來人工智能發展的重要推動力。

責任編輯：Ct