大讲堂
上周跟某城商行科技部的朋友撸串，他把签子往铝盘里一扔，说今年他们部门KPI砍了一半，全砸在联邦学习项目上了。
我问，不是前两年说这东西是隐私计算的万能解吗？
他笑，说解个屁。
这话不是他一个人的感受。从2016年谷歌第一次在安卓输入法场景提出联邦学习概念，到2020年前后国内厂商把这三个字印在融资BP的封面上，再到2023年之后一堆项目落地踩坑，整个行业的情绪像坐过山车——从最开始的“终于能解决数据孤岛了”，到现在的“原来这东西这么难用”，中间隔了整整一轮的资本周期。
先把吹出来的泡沫戳破：联邦学习根本不是“数据不动模型动”的魔法
几乎所有第一次接触联邦学习的人，都会被那句标准宣传语洗脑：数据不出域，模型多跑路。听起来特别美——所有参与方把自己的数据锁在本地机房，不用传出去，大家一起把模型训好，最后所有人都能用。
但真的扎进去做项目的人都知道，这句话半真半假。横向联邦、纵向联邦、迁移联邦三类技术路径的实际适用场景差得十万八千里，根本不能混为一谈。横向联邦是大家手里的数据特征差不多，只是样本不一样，比如不同地区的银行联合训一个通用的信贷评分模型；纵向联邦是大家手里的样本差不多，特征不一样，比如银行有用户的还款记录，电商平台有用户的消费记录，拼起来训更准的模型；至于迁移联邦，是两边的样本和特征重叠度都很低，靠迁移学习把模型的共性抽出来，实际落地的精度掉得能让你怀疑人生。
更关键的是，所谓的“数据不动”，从来不是说什么流量都不传。大家在本地算完梯度，还是要把加密后的参数传到协调服务器上做聚合，这些参数里藏的信息，根本不是完全看不见的。
之前有人算过一笔账，同样是做输入法的词预测，传统的模式是把用户输入的文本脱敏后传回服务器，带宽成本大概是每用户每月2MB；换成联邦学习，因为要传大量的模型梯度参数，带宽成本直接翻了3倍。更别提当参与方的样本重叠度低于5%的时候，联邦模型的最终精度甚至比单家机构自己训练的模型低20%以上——这不是靠算法补丁能补上的硬伤。
别信销售在台上扯什么“零隐私泄露”。真要零泄露，你连梯度都别传，那模型根本训不出来，对吧？
现在落地的项目，90%都是“伪联邦”
我去年跑了快20个联邦学习的落地项目，发现一个特别有意思的现象：真正从一开始就用全链路联邦架构跑通的项目，占比连10%都不到。剩下的那些美其名曰“联邦项目”，本质上是换了个包装的传统数据合作。
比如某国有大行跟头部互联网平台做的联合风控项目，最开始对外宣传是全链路加密联邦，结果内部人透底，实际流程是两边把用户的ID做哈希匹配，然后把各自的特征做了简单的脱敏处理，传到一个第三方的可信节点上拼接完再训练，根本没做本地的梯度计算。说穿了，这就是以前的数据合作换了个名字，跟联邦学习半毛钱关系没有。
那真的跑通联邦的项目在哪？大部分在医疗场景。
长三角那几个头部三甲医院，从2021年开始联合训练肺癌影像的辅助诊断模型，这个是真的硬需求——医院的病历、影像数据按照规定根本不能出院，以前要做跨院的联合科研，得把所有数据拷到卫健委的中心机房，流程走半年，还容易出数据泄露的问题。换成纵向联邦之后，每家医院在自己的本地服务器上把影像特征算完，加密梯度传给聚合节点，最后训出来的模型，在所有参与医院上的AUC值比单家自己训练的模型高17%左右，这才是联邦学习真正的价值。
现在整个赛道的玩家大概分三类：一类是大厂自己做内部生态的，比如微众、蚂蚁，用联邦做自己体系内的联合营销、联合风控，根本不对外卖；一类是以前做安全网关、隐私加密的厂商，给产品加个联邦模块就出来接项目；还有一类是初创公司，盯着金融、政务的大额项目打。我上次去某初创公司的发布会，台上的人讲了半小时平台的性能优势，台下三个客户一直在刷短视频——谁都知道，只要中标价格压得够低，谁管你是真联邦还是假联邦。
绕不开的坎：不是技术，是利益分配
很多技术圈的人讨论联邦学习的瓶颈，第一反应是梯度泄露、同态加密计算成本高、模型精度损失大。这些问题确实存在，但真到了项目谈判桌上，这些问题连前三都排不上。
最核心的矛盾，是利益怎么分。
举个最常见的场景：银行手里有用户的还款行为数据，互联网平台手里有用户的消费行为数据，大家联合训一个风控模型，最后模型上线，能帮银行多放几个亿的贷款，能帮平台多赚几个亿的交易佣金。以前没有联邦学习的时候，银行直接把自己的用户标签卖给平台，拿固定的分成，账算得很清楚。现在用联邦训完模型，平台说算法是我提供的，我要拿70%的收益；银行说数据是我的，我凭什么只拿30%？谈不拢，项目直接黄。
还有治理层面的空白，比技术漏洞更致命。之前有学术团队做过实验，只要拿到连续10轮的梯度更新记录，能把参与方手里30%的原始数据反推出来——这个问题现在靠差分隐私加噪音能缓解，但噪音加得太多，模型精度又掉得厉害。更麻烦的是，现在的监管规则根本没跟上：按照个保法的要求，处理个人信息要符合最小必要原则，那联邦学习里传的加密梯度，到底算不算个人信息？如果算，那企业跨机构传这些参数，是不是要重新拿用户授权？现在法律上连个明确的界定都没有，这就导致很多企业不敢真的放开跑——万一哪天监管说你传的梯度就算个人信息，之前所有的项目都得整改。
联邦学习的治理空白，已经比技术本身的漏洞更影响落地。以前数据出域的时候，大家还能找到明确的责任主体，现在模型是跨了好几个机构共同训出来的，最后模型出了错——比如把一个正常经营的小微企业的贷款拒了，谁负责？是算法提供方？是数据提供方？还是聚合节点的运营方？现在没有任何规则能说清楚。
3年后的联邦学习，根本不会是现在大家吹的样子
别信那些厂商说的“联邦学习会重构整个数据要素市场”，扯太远了。真正的判断，其实没那么复杂。
首先，联邦学习根本不会成为所有隐私计算场景的主流。它只会在数据敏感性极高、参与方数量在3-10个之间、业务目标高度一致的场景里活下来——比如三甲医院的联合科研、持牌金融机构之间的联合风控、政务跨部门的公共服务模型训练。那种动辄上百个参与方、大家各怀鬼胎想从别人兜里掏数据的场景，根本跑不起来。
其次，技术迭代的方向，根本不是追求什么“零隐私、高精度”的完美状态，而是找一个能被业务接受的平衡点。比如梯度传输的时候加多少差分隐私的噪音，既能让攻击者的反推成本比直接买数据还高，又不会让模型精度掉得没法用；比如计算成本降到什么程度，企业能付得起这个钱——这些才是真正要解决的问题。世界上没有完美的技术，所有的技术落地都是在成本、收益、风险之间找平衡。
最后，别把联邦学习当成救世主。它只是一个工具，能帮大家在不挪动原始数据的前提下做联合训练，但解决不了数据要素市场里最核心的定价、确权、责任划分的问题。这些问题不解决，就算把联邦学习的技术吹上天，最后也只能是一堆躺在机房里的演示项目。
说真的，我最烦现在的行业风气——一个技术刚出来，先吹成下一代革命，吹到估值翻十倍，然后落地的时候发现一堆问题，就开始骂技术没用。联邦学习没那么神，但也不是完全没用。至少现在，那些被锁在医院、银行机房里的高敏感数据，终于有了一个能在合规前提下产生价值的路径。
至于那些吹得天花乱坠的故事？等下一个资本周期来了，自然会有人拆穿。
作者|大讲堂
排版|大讲堂
审核|柚子