在人工智能浪潮席卷全球的当下，数据作为核心生产要素的价值日益凸显。然而数据孤岛、隐私安全与合规利用之间的矛盾始终是制约AI深度落地的关键瓶颈。联邦学习技术应运而生。香港理工大学人工智能高等研究院院长杨强教授团队深耕人工智能领域，推动联邦学习技术从理论突破到标准建设、开源生态构建及行业应用的全链条创新。该技术通过“数据不动模型动”的创新范式，为打破数据壁垒、实现安全协同计算提供了可行路径。

联邦学习技术的理论发展和创新

联邦学习的概念最早可追溯至2018年。杨强团队系统性提出联邦学习理论框架，创新性地将迁移学习与分布式学习相结合，解决了跨领域数据异构条件下的模型协作问题。这一突破性进展弥补了传统联邦学习对数据同质性要求高的局限，为金融、医疗等强隐私需求场景提供了新的思路。

2019年，杨强团队牵头制定全球首个联邦学习国际标准（IEEE P3652.1），为行业提供了统一参考框架。该标准于2022年通过IEEE审核，标志着我国在隐私计算领域获得重要话语权。同期，团队开发的工业级开源框架FATE（Federated AI Technology Enabler）成为全球首个支持多方安全建模与跨机构协作的平台，该框架采用端到端安全生命周期管理机制，支持FedCG防火墙式安全网络，并逐步加入互联互通、软件治理、模型追踪等新功能。团队提出“可信联邦学习”理念，通过《联邦学习中隐私与模型性能没有免费午餐定理》研究论文，从信息论角度论证了隐私保护、模型性能与算法效率三者需要且可以平衡的关系。研究团队引入差分隐私、同态加密等增强技术，使模型在保护原始数据的前提下仍保持高精度，实现了技术从“理论完美”到“实用完美”的跨越。

多领域试点应用迈向AGI时代的协同智能新范式

基于FATE开源框架，杨强团队探索推动该技术在金融风控、反欺诈、精准营销等场景的规模化落地，同时数据泄露风险被控制在合规阈值内。金融领域的成功经验正向医疗、政务等领域加速扩展。

杨强团队通过CCF专题讲座、WAIC论坛、智源大会等平台持续推广技术理念，并与多家高校合作开设专业课程，培养复合型人才。团队还推动建立了包含数据提供方、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。

随着大模型技术掀起新一轮AI浪潮，联邦学习与AGI（通用人工智能）的融合成为新的研发方向，进一步提升联邦大模型的可用性和易用性。FATE开源社区已经发布联邦大模型功能模块FATE-LLM，支持各参与方在敏感数据不出本地域的前提下，根据实际数据量进行算力投入，联合进行大模型训练。

面对AGI的伦理与边界问题，杨强团队提出“人机和谐共生”的愿景，通过强调协作而非替代，为构建人机共治社会提供技术伦理基础。团队将迁移学习与联邦学习结合，探索“小数据大任务”场景下的自适应能力，助力AI向更高效、更普惠的方向发展。在机器人集群协作场景中，各终端可通过联邦学习共享经验而无需上传本地数据，既保障隐私又提升群体智能水平。

随着研究的不断深入，杨强团队将持续深化联邦学习技术在复杂环境下的适应性研究，重点突破异构数据与动态场景中的鲁棒性瓶颈。通过推动联邦学习与区块链、边缘计算等前沿技术的深度融合，着力构建覆盖全域的可信计算网络架构。杨强教授团队还积极推进模型水印技术，为大模型建立“指纹”，和联邦学习相结合，为数据要素流通和模型治理提供强有力的保驾护航。（供稿人：高欣）