AI准备开始一场与电气革命期间世界经历的同样大的变革。人工智能作为一种技术将无处不在，无所不在。它再一次是关于自动化的，但这次是由数据推动的。IDC在最近的一项研究中预测，云服务器购买，到2025年，人工智能市场将达到惊人的2000亿美元，由谷歌、亚马逊和微软等科技巨头主导，大数据时代纪录片，提供基于云计算的人工智能解决方案和API。AI和电的美丽类比被百度前任首席数据科学家Andrew Ng反复使用，他强调数据的稀缺性是减缓AI的主要路障，因为传统的人工智能方法需要大量的数据来训练模型。这是一个问题，正如我们所预料的那样，问题的严重程度要高得多，美国高防云服务器，而且消费者大声喊叫，表示对共享数据感到不舒服。为了解决这些问题并促进数据的自由流动，法律、框架和咨询委员会如雨后春笋般涌现。其中最受欢迎的是长达119页的《欧洲议会条例》（又名GDPR），每日返利，这是一部复杂条例的杰作，它不仅引起了全球工程团队的恐慌，但是，消费者仍然对新近获得的被遗忘权感到疑惑（加上浏览网页时一些难以忍受的确认对话）。被遗忘权被誉为通过删除个人在互联网上的信息来保护个人隐私的重大胜利。然而，这些数据很可能被用来训练一个模型——如何教一台机器忘却知识？

如何解决隐私困境？当涉及到数据隐私时，没有简单的答案，事实可能像往常一样是不同方法的混合，需要在正确的上下文中应用。一项很有前途的技术在Google I/O 2019的一个简短的侧记中悄然宣布，Sundar Pichai在会上引入了TensorFlow federated，这是一种分布式隐私保护技术，用于在小型数据集上训练人工智能。简化：联邦学习正在改变训练模型的方式，不再将数据集中在服务器上，而是将模型发送到数据中，从中提取知识，只将底层数学模型

权重发送回云，来自多个贡献者的模型聚合成一个全局模型并共享回到社区。由于数据永远不会离开您的设备，这将隐私标准提升到一个新的水平。谷歌已经在谷歌的智能数字键盘Gboard上应用了这项技术，以提高下一个单词的预测能力，例如通过学习下一步要键入的内容。除了保证数据隐私和更高的数据安全性之外，这也使模型能够从小数据中学习。

为什么这很重要？分布式学习是一种强大的工具，它使科技公司在将分布式数据转化为知识方面具有竞争优势，并最终拥有卓越的人工智能模型，而无需向消费者索取数据，例如谷歌风投资助的OWKIN，它开创了医疗保健领域的联合学习，数据与大数据，以克服数据共享问题，从大规模的分布式数据中构建集体智能，同时保护数据隐私和安全。

挑战是什么？联合学习正在改变人工智能如何学习的游戏，但也有挑战：模型训练，以及对一个看不见的数据集的评估，一开始会令人费解。如今，联邦学习仅限于一组狭窄的应用程序，在这些应用程序中，可以直接导出必要的标签，而不需要用户做额外的工作。更困难的情况是，特性不是静态的，比如在企业环境中。再加上人为因素，集中聚合数据以构建特定于客户的模型以获得竞争优势的既定思维模式是另一个挑战，它减缓了联合学习的采用。

乍一看，联合学习解决了数据隐私和安全方面的难题，这一点没错，但真正的价值是它可以极大地减少培训模型时所需的数据量，通过利用智能即服务（Intelligence-as-a-service）使消费者能够在没有大数据的情况下获取智能，这可能会改变游戏规则，特别是对中小型企业。最终使我们能够训练模型，而以前由于缺乏数据而无法训练模型。