2月7日-12日，人工智能領域國際頂級會議AAAI 2020在美國紐約舉辦。自1979年成立以來，AAAI已發展為人工智能領域最受關注的國際頂會之一。此次大會吸引了眾多來自學術界、產業界的研究員與從業者投稿參會。據統計，大會共收到投稿論文8800篇，經評審后最終接收1591篇，接收率僅為20.6%，競爭異常激烈。

其中，由微眾銀行攜手新加坡南洋理工大學及深圳智慧城市解決方案提供商極視角合著的論文《FedVision： An Online Visual Object Detection Platform powered by Federated Learning》（下稱“論文”）被大會授予“人工智能創新應用獎”，這意味著聯邦學習技術在計算機視覺領域的首個工業級應用獲得了行業高度認可。據悉，該獎項獲得者還包括亞馬遜、IBM、阿里巴巴等。

值得關注的是，此次聯邦學習相關技術獲獎并不是首次在國際上獲得肯定，在AI技術激烈角逐的賽場上，聯邦學習已在國內外屢獲殊榮，多次贏得重要獎項。

在國內，微眾銀行聯合多家機構提交的“基于互聯網的群智涌現機理與計算方法”項目獲批中國科技部創新2030——“新一代人工智能”重大項目，其中聯邦學習為核心技術；“聯邦學習技術體系研究與應用”項目獲中國計算機學會2019年“CCF科學技術獎”；微眾銀行的聯邦學習行業實踐獲知名科技類媒體雷鋒網年度榜單 “最佳聯邦學習應用獎”。

國際上， 聯邦學習視頻作品（Learning Federated Learning）獲國際頂級會議IJCAI 2019“最具教育意義視頻獎”；“聯邦學習AI隱私保護技術在視覺領域的應用創新”項目入選msup“ 2019年top100全球軟件案例”。而且，入選top100案例的技術應用，正是此次AAAI 2020大會獲獎論文的相關實踐。一項應用，兩次獲得行業認可，從理論和實踐兩方面證實了其價值性——提供了一個解決計算機視覺應用領域痛點的全新思路。

一直以來，計算機視覺應用領域面臨著數據安全與隱私保護難、傳輸成本高等問題，利用傳統“黑箱”技術抓取后臺數據以創建集中存儲的大型訓練數據集的辦法并不可取。

而聯邦學習技術的基本原理是在數據不出本地的情況下進行加密計算，將計算所得模型參數上傳至云端聯合建模。具有“數據隔離、無損對等以及共同獲益”等特性，參與的各數據“聯邦”都可獲得比“只基于原本獨立數據庫”所創建的更完善的模型，且數據絕對保密。這對于計算機視覺應用領域尤為重要。

在技術原理的闡述之外，論文還進一步列舉聯邦學習在該領域應用的實踐案例。

論文提到，雖然聯邦學習技術在理論上有諸多優勢，但在實際應用中還缺乏一個易于使用的工具來幫助非聯邦學習專家的系統開發人員將聯邦學習技術與原有系統進行融合。“為此，微眾銀行和極視角協作部署了一個機器學習工程平臺，以支持聯邦學習所涉及的計算機視覺應用程序的開發”。

目前已有三家大型企業使用了該平臺，開發了基于計算機視覺的火災風險防范解決方案，并應用于工廠環境中。經過4個月的部署驗證，充分證明了該方案的可靠性，驗證了聯邦學習應用于計算機視覺領域的可行性。

此次論文獲獎，既是聯邦學習本身技術價值的體現，也是聯邦學習生態建設的重要成果。聯邦學習的技術研究、開源工具、標準制定、行業落地等各方面進一步拓展，應用范圍涵蓋ToC、ToB、ToG各領域，聯邦生態日趨完善。

2018年，微眾銀行AI團隊向IEEE（電子和電氣工程師協會）標準協會提交聯邦學習標準提案立項通過，首倡聯邦學習國際標準制定。微眾銀行首席人工智能官楊強教授擔任IEEE P3652.1（聯邦學習基礎架構與應用）標準工作組主席。目前，該工作組已召開四次標準工作組會議，微眾銀行、騰訊、華為、京東、平安等30多家公司及機構參與，標準草案預計今年出臺。

不僅如此，2019年，微眾銀行還開源了聯邦學習技術框架FATE（Federate AI Technology Enabler），因其能夠解決包括計算架構可并行、信息交互可審計和接口清晰可擴展在內的三個工業應用常見問題，達到工業級應用標準，而成為全球首個聯邦學習工業級應用開源項目。自開源以來，FATE不斷升級，已經配備首個可視化聯邦學習工具FATE Board、聯邦學習建模Pipeline調度和生命周期管理工具FATE Flow。目前，FATE被納入全球最大非營利技術社區Linux Foundation。

除行業技術標準及開源工具外，為了更好地促進行業交流，微眾銀行撰寫并出版了世界上第一部系統介紹聯邦學習的專著——《Federated Learning》，以全面分享其在聯邦學習領域的積累，促進行業互動。

該書描述了如何將聯邦學習與分布式機器學習、密碼學和安全深度結合，并吸納經濟學原理和博弈論的激勵機制設計相關理論，來解決“如何在數據不出本地、確保數據安全的情況下，讓多個數據擁有者共享數據模型”的問題。

與此同時，在實際場景應用方面，聯邦學習的實用性和商業價值也不斷被證實。微眾銀行將聯邦學習用于風控、反欺詐、智能服務、營銷及零售等多個領域，并取得了顯著效果。其自研的智能評分引擎在縱向聯邦學習技術的基礎上，聯合開票金額與央行的征信數據等標簽屬性共同建模，將小微企業風控模型區分度（AUC of ROC）提升了12%。中國金融四十人論壇（CF40）資深研究員、證監會原主席肖鋼牽頭發布的《2019中國智能金融發展報告》指出：“聯邦學習在智能金融的應用場景十分廣泛，并無特別限制。大部分機器學習、深度學習等常見的人工智能算法，經過一定改造，均可適配聯邦學習方法”。國際知名咨詢機構Forrester近期發布的報告《人工智能變革欺詐管理》中也提到“聯邦學習對于提高跨機構合作效率幫助很大，未來可期。”

相信隨著聯邦學習更加廣泛和深入的行業落地，聯邦學習的“普適性”不斷提升，其有實力成為下一代人工智能大規模協作的基礎，并能迎合技術和社會的需求，承擔起人工智能在發展和應用中的重任。