联邦学习：让数据“可用不可见”的协作式AI训练范式
联邦学习是一种新兴的分布式机器学习框架，其核心思想是在不交换原始数据的情况下，通过交换加密的模型参数或梯度更新，实现多个参与方协同训练一个共享的机器学习模型。它旨在解决数据孤岛与隐私保护之间的矛盾，是隐私计算领域的关键技术之一。
一句话解释
联邦学习是一种“数据不动模型动”的协作式人工智能训练方法。多个参与方在本地用自己的数据训练模型，只将加密后的模型更新（如梯度）上传到中央服务器进行聚合，从而得到一个更强大的全局模型，整个过程原始数据始终保留在本地。
为什么会被关注
随着全球数据隐私法规（如GDPR）日益严格，直接汇集用户数据进行集中训练的模式面临巨大合规风险。联邦学习能在不触碰原始数据的前提下挖掘数据价值，有效平衡了数据利用与隐私保护，成为金融、医疗等敏感行业实现AI落地的关键技术路径，因此受到学术界和产业界的广泛关注。
核心逻辑
其核心逻辑是分布式训练与安全聚合。每个参与设备或机构作为客户端，在本地完成模型训练，生成参数更新。中央服务器负责协调，通过安全的聚合算法（如FedAvg）将各客户端的更新合并，生成改进后的全局模型并下发给各客户端。如此迭代，最终得到一个基于所有数据分布、但未见过任何原始数据的共享模型。
常见场景
在医疗领域，多家医院可联合训练疾病预测模型，无需共享敏感的病例数据。在金融领域，多家银行可共建反欺诈模型，而不泄露各自的用户交易信息。在智能手机输入法预测中，模型可利用全球用户的本地输入习惯进行更新，但个人输入内容不会上传至云端。智慧城市中，不同区域的数据也可通过联邦学习进行联合分析。
容易混淆的点
联邦学习常与“分布式机器学习”混淆。后者主要目标是提升计算效率，数据虽分布但通常可被中心节点访问或假设是可信的。而联邦学习的首要目标是隐私保护，且数据具有分布异构、非独立同分布、通信成本高、客户端不稳定等特点。
此外，它也不是简单的“数据加密后上传”。联邦学习过程中，传输的是模型参数或梯度更新，这些信息本身经过设计，已难以反推出原始数据，再结合差分隐私、同态加密等技术，能提供更强的隐私保障。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词Adobe Firefly 是 Adobe 公司推出的系列生成式 AI 模型，专注于创意内容生成。它并非单一工具，而是一个包含文生图、文生矢量图、文字特效等功能的模型家族，其最大特点是直接内置于 Photoshop、Illustrator 等 Adobe 创意软件中，旨在成为设计师安全、高效的“副驾驶”。
Canva-AI是集成在在线设计平台Canva中的一系列人工智能功能，旨在通过自然语言指令和自动化工具，大幅降低平面设计、演示文稿、视频制作等视觉创作的门槛。
Leonardo AI是一个集成了多种先进AI模型的综合性图像生成与设计平台，以其高质量的图像输出、丰富的模型库和面向游戏、设计等专业领域的工具链而闻名。
Playground最初指代AI模型的在线测试环境，现已演变为低门槛的AI创作平台，让用户无需代码即可探索模型能力。
Recraft是一个专注于矢量图形和图标生成的AI设计工具，能够将文本描述或草图转化为可编辑的矢量图形，并保持统一的视觉风格。
Kling-2是昆仑万维推出的新一代AI视频生成模型，以其强大的文生视频、图生视频能力，在视频时长、物理真实性和运动一致性上表现出色，被视为Sora的有力竞争者。