大讲堂
傍晚六点半，巷口的梧桐把夕阳剪得稀碎，落在社区诊室的木质桌面上。陈姐摘下老花镜，揉了揉发酸的眼角，电脑屏幕右下角跳出来一行淡绿色的提示：本轮模型聚合完成，全局精度提升3.7%。
她端起凉掉的菊花茶抿了一口，想起去年张叔骂骂咧咧摔门走的样子。那时候市里要做一个糖尿病并发症早筛模型，号召各个社区上传患者的血糖病史数据，张叔填到一半，想起半年前填完信息后，天天接七八个卖降糖保健品、重疾险的推销电话，当场把表格揉了，说死也不会再把自己的信息给任何人。
那时候这事卡了快半年。患者怕泄露隐私，机构怕违规担责，好好一个能帮到几千个老人的模型，就因为数据拿不出来，卡在半路上。直到这套基于隐私计算联邦学习模型聚合的新系统上线，僵局才一下子被打开。
谁都拿不走你的原始数据
张叔现在戴的智能血糖手表，所有数据都存在手表本地和诊室的本地加密服务器里，从始至终不会把完整原始数据传到市中心的平台。
平台要做模型，不需要碰你的数据。每个节点——不管是社区诊室、患者的手机，还是大医院的数据库——都在本地用自己的数据训练模型，只需要把训练更新后的模型参数传出去聚合，原始数据一辈子都待在你自己的地盘，谁都拿不走。
张叔一开始还不信，拉着陈姐问了十几分钟，确认连市长都看不到他的血糖记录，才点头同意加入。到现在快一年了，他一个推销电话都没接到。
不碰数据也能攒出好模型
很多人听不懂这个技术到底牛在哪，说穿了其实很简单。原来AI模型要变准，就得喂大量不同的数据，以前的思路是把所有数据攒到一块，存在中心服务器里一起训练，可数据攒一块，就难免有泄露风险，出了事就是天大的责任。
隐私计算下的联邦学习模型聚合刚好反过来。每个机构、每个用户都用自己的数据练一遍，把“我从数据里学到了什么规律”打包传给中心，把“我的数据具体是什么”留下来。中心再把所有人学到的规律聚合起来，就得到一个比任何单个节点都准得多的全局模型。
相当于一群医生各自看了很多病人，每个人都攒了自己的经验，然后大家坐在一起把经验汇总成一本新的诊疗指南，但是没人需要把自己病人的隐私说给别人听。就这么简单。
我去年见过这个项目的核心开发，一个戴黑框眼镜的小伙子说，最难的从来不是写算法，是说服大家相信你真的不会碰数据。之前跟三家社区医院谈，人家负责人直接说，哪怕出一丁点事，我饭碗就没了，不敢干。直到把模型聚合的逻辑讲透，演示了原始数据确实出不了本地，人家才点头试。
第三个选择的温度
这么多年，我们普通人好像一直没得选。要么就是交出所有隐私换AI的便利，刷短视频要给位置，买东西要给通讯录，连看个病都要把病史全交出去；要么就是捂住数据，什么便利都别想用，活该用不准的服务。
张叔的事就是最好的例子。之前要是不上传数据，这个早筛模型就拿不到足够多的老年糖尿病患者数据，模型不准，最后吃亏的还是张叔这样的病人。可要是上传了，隐私就没了，天天被骚扰，换谁都难受。
现在呢？张叔上个月刚靠这个模型做了早筛，提示他足部病变风险偏高，陈姐提前给他调整了用药，还安排了免费的筛查，早早就把问题压住了。从头到尾，除了陈姐，没人拿到过张叔的完整血糖记录。
说实话，我见过太多吹得天花乱坠的科技概念，张口颠覆闭口革命，落到普通人头上，要么就是偷数据换广告，要么就是骗政府补贴，很少有像这样，真真正正站在用户这边解决问题的。
不过话说回来，现在这个技术也不是完美的。比如聚合的时候会不会还是有参数泄露的风险？边缘节点的安全防护够不够？这些问题都还在解决。市面上也有不少公司拿着这个概念炒市值，割韭菜，真落地到社区医院这种小地方的，其实没多少。
但你不得不说，这个方向走对了。我们普通人要的从来不是完全隔绝数据，也不是心甘情愿裸奔。我们想要的，不过是我可以用我的数据帮大家做出更好的服务，我也能享受到更好的服务，但我的隐私，从头到尾还是我的。
陈姐锁好诊室的铁门，梧桐叶飘进她的电动车筐，手机弹了一条推送，今天又有五个新患者加入了训练，本轮参数聚合已经完成。没人知道这些患者是谁，没人拿到他们的数据，可整个模型，又悄悄变准了一点点。
这条路才刚开始。我们终于不用再在隐私和便利之间二选一了，接下来会走到哪，谁也说不准。但至少这第一步，走得挺暖的。
作者|大讲堂
排版|大讲堂
审核|柚子