近日，以"智联世界，生成未来"为主题的2023年世界人工智能大会(WAIC)在上海圆满落幕。本次大会旨在搭建世界级合作交流平台，共促发展新机遇。全球知名商业领军者和全球创新先锋云集于本次大会，阐述其对于新AI与新商业的见解，其中，加拿大工程院和加拿大皇家学院两院院士、FATE开源社区技术指导委员会主席、微众银行首席人工智能官杨强受邀出席，分享了联邦学习领域的前沿研学成果。
可信联邦学习与联邦大模型，解构大模型时代数据之困
7月7日，在由世界人工智能大会组委会办公室主办，中国信息通信研究院承办，中国信息通信研究院华东分院、中国信息通信研究院云计算与大数据研究所协办的"聚焦·大模型时代AIGC新浪潮"论坛上，杨强发表了"可信联邦学习与联邦大模型"主题演讲。
杨强发表“可信联邦学习与联邦大模型”主题演讲
在大模型迅猛发展的当下，对算力、数据量的极高要求是横亘在中小型机构AI应用之路上的一道难以跨越的鸿沟。正如OpenAI CEOSam Altman所言，未来模型参数应该向更小的方向发展，或者以多个小模型协作的方式工作。
杨强指出，联邦学习(Federated Learning)能够联合分散的数据、分散的算力，可应用于解决可用数据量不足的问题，从而使多方共建大模型基础设施，为业界提供了前瞻性的解决方案。当前，FATE(Federated AI Technology Enabler)开源社区已经发布了开源的联邦大模型功能模块FATE-LLM，支持各参与方的敏感数据不出本地域的前提下，根据各方实际数据量进行算力投入，联合进行大模型训练。未来，联邦大模型架构将重点发展同构与异构联邦大模型、大模型指导小模型联邦等方面，进一步提升联邦大模型的可用性、易用性。
在联邦学习整体研究与产业落地方面，杨强介绍，"可信联邦学习"(Trustworthy Federated Learning)作为安全可信的多方分布式机器学习范式，具有安全可信、高效可用、可管理、可审计、普惠等核心特征，将更加适配当前产业发展所需综合考虑数据安全、隐私保护与效率的要求。同时，杨强介绍了可信联邦学习最新的前沿研究与应用成果，包括质效均衡的可信联邦学习算法框架，在金融反洗钱等行业场景中的应用等。
携手共建联邦学习开源生态，推动数据要素安全流通
7月8日，在由世界人工智能大会组委会办公室主办，机器之心承办的"AI开发者"论坛上，杨强重点作"可信联邦学习与开源生态"主题分享，重点介绍了隐私计算和联邦学习开源社区与生态。
杨强发表“可信联邦学习与开源生态”主题演讲
据杨强介绍，开源已成为隐私计算技术规模化的其中一个重要途径。FATE开源社区是由联邦学习技术开发者、行研方、产业方及生态伙伴共同组建与治理的协作创新平台，相关参与方可以基于工业级联邦学习开源框架FATE探索联邦学习技术的研究与应用。FATE开源社区以"开源开放，共力创新"为愿景，汇聚了4000+社区用户参与社区共建，覆盖金融、医疗、科研、人工智能等多个领域与场景，不仅已成为全球领先的联邦学习开源社区，还是可信数据流通领域最具影响力的社区之一。
在建立行业标准、推动应用场景方面，FATE开源社区的成员单位共同牵头建立了多项联邦学习技术标准，落地了在企业跨主体的大数据协作、企业异构平台互联互通、多中心医疗发现等多场景下的联邦学习应用实践，共同打造了包含数据提供方、模型提供方、业务提供方、价值中介方等各环节紧密结合的数据要素流通生态。
谈及未来发展趋势，杨强认为联邦学习与开源生态将成为隐私计算、机器学习和数据科学发展的关键驱动力。其中，可探索的重点包括进一步完善联邦学习安全机制;推动跨平台的互联互通;推动数据确权与定价和模型交易;基于"模型和数据集水印"技术的模型审计和模型全生命周期管理;推动联邦学习与大模型、区块链等技术的融合等方面，为未来的智能时代提供核心支持。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
