大模型备案潮里翻出来的冷饭
2026年过完春节，国内第三批大模型备案名单公示，过审的一百多张牌照里，金融行业占比不到两成。剩下卡着的，十有八九不是模型能力不行，是数据合规过不了。
上周跟某股份行的技术副总喝茶，他烟抽了半盒，骂骂咧咧说当年all in集中式大数据平台，砸了十八个亿，现在监管要求一行一域，分支机构的数据根本出不了省，原来的平台直接废了一半。他给我算了一笔账，如果要把全行近三亿用户的数据按照新合规要求做脱敏拆疏散，成本相当于这家银行去年全年净利润的12%。换哪家董事会敢批这个预算？
这时候没人提大模型的参数竞赛了，没人说通用AI的星辰大海了，大家翻箱倒柜把十年前的联邦学习又翻出来了。
说实话，我第一次听到联邦学习，还是十多年前谷歌发论文那会，当时所有人都说这是解决隐私保护的神技术，吹了好几年没落地，都快成AI圈的硬冷饭了。谁能想到，现在成了全场唯一能打的救命稻草。
你想啊，各家的数据都放在自己家，不用拿出来，就能一起联合训模型。监管挑不出毛病，大家的数据主权也保住了，这不就是为现在的监管环境量身定做的吗？有人吐槽联邦学习精度不如集中式训练，那又怎么样？能过合规，能落地赚钱，比那几个百分点的精度重要多了。对吧？
为什么本土玩家能跑通不一样的路
很多人对联邦学习的印象还停留在实验室概念，其实国内玩家早跑通商业化了，最典型的就是微众银行。当年微众做微粒贷，自己数据不够，要跟合作银行联合建模，又不能碰对方的数据，硬生生逼出来了FATE开源框架，现在成了国内最大的联邦学习开源社区。
我之前看过他们给区域零售行业做的一个落地案例，三家头部区域零售龙头，各自有三千万左右的会员，单一家做精准营销模型，转化率只有2.1%，用联邦学习联合建模之后，转化率直接升到3.7%，关键是三家的会员数据一个都没出自己的服务器。算下来，整体训练和运营成本比每家单独做大模型低了68%，模型AUC只掉了2.7个百分点。这个账，任何生意人都会算。
这不就像连锁餐饮的品牌联盟吗？每个门店都守着自己的独家核心配方，不用把家底交出去，就能一起共享用户偏好的共性模型，大家各赚各的钱，本质是商业共生，不是什么技术极客凑出来的玩具。
不过话说回来，联邦学习的核心矛盾从来都不是技术，是利益分配。原来的AI行业，是谁有数据谁吃肉，小玩家连汤都喝不上。现在联邦学习等于重新分蛋糕：大平台出技术框架，中小机构出本地数据，赚了钱按比例分。微众现在的商业化路径就是这样，不赚卖license的钱，赚流水分成，现在金融、零售、医疗三个场景加起来，一年已经有近四个亿的实际营收，根本不是PPT上画饼的概念。
不少国外科技公司把联邦学习做成了高大上的合规解决方案，卖给企业收年费，一年卖不了几个，水土不服。为什么？他们根本没搞懂，国内的需求不是要你解决隐私问题，是要你解决大家一起赚钱的问题，隐私只是底线，生意才是目标。这个方向我认为很多外来玩家一开始就走偏了。
产业链上每个人的饭碗都在变
很多人觉得联邦学习只是大厂玩的概念，跟普通从业者没关系，其实不对，整个产业链的需求已经在悄悄变了。
原来做数据合规的，天天干的就是删敏感数据、打静态掩码，一个项目十万八万，赚点辛苦钱。现在呢？企业要你帮着搭联邦学习节点，做跨机构的协同加密，一个中型项目的报价就是百万起，我认识一个北京的小型合规团队，去年一年接的联邦学习相关的活，比前三年加起来都多，团队规模直接翻了三倍。
算法工程师更不用说，原来进了金融机构，核心工作就是抢数据，谁能拿到更多用户数据，谁就能训出更好的模型，升职加薪。现在呢，数据拿不出来，你得会做横向纵向联邦切分，会做多节点的协同加密，会跟不同机构的技术团队对接接口，原来只会调参的工程师，现在都在熬夜补课，跟不上的只能被淘汰。
对中小机构来说，这更是翻身的机会。原来做大模型，中小机构数据少算力不够，根本玩不起。现在呢，加入一个成熟的联邦学习网络，出自己的本地数据，用别人的算力和框架，就能拿到效果不差的模型，成本只有原来的十分之一都不到。广东有个区域性的医保平台，去年做慢病预测模型，自己做预算要两千万，后来加入了省里面的医疗联邦学习网络，只花了一百八十万就上线了，预测精度还比自己做的高了七个百分点。
当然，现在行业里也有乱像，不少资本拿着联邦学习的概念炒冷饭割韭菜，到处喊下一代AI基础设施，实际上连一个落地的盈利场景都拿不出来。这种项目，用脚投票就能看出来，根本活不下去。真能起来的，都是闷头在细分场景赚小钱的，不声不响就把市场占了。
当所有数据都不需要流动就能产生价值，那些靠倒卖数据为生的灰色产业链，明年要去哪找饭吃？
