深度学习时代AI企业的技术能力是单打独斗式的

联邦学习之所以能够在如此短的时间内从一个想法快速成长为一门学科，主要原因在于它允许参与方在不公开底层数据的情况下共同构建模型，然后使用整个数据联邦内部的数据资源。 ，提高每个成员的模型表现。

一般来说，深度学习时代，各个AI公司的技术能力都是独立的； 而联邦学习的出现，将各个AI企业联系得更加紧密和安全，联邦的每一个成员都可以在博采众长的同时，尽快提升自己的能力，最终实现共同成长。

例如，制造商A有校园数据，制造商B有工厂数据，制造商C有社区数据，这三个制造商都使用了联邦学习技术。

从业务层面出发，A、B、C这三个厂商直接获得了两种能力：1、尽快优化自身业务； 2、尽快拓展新业务。

优化自己业务绩效的最快方法是，每天都有几家类似于供应商A的公司将加密的数据模型输入到平台中。 这些数据模型包含了供应商A非常缺乏的其他数据信息，供应商A可以利用这些数据来更新自己的算法模型。

拓展新业务最快的方法是每个制造商A、B、C都有自己的模型。 通过聚合，可以获得更大的数据模型，在不循环数据的情况下获得数据循环的最佳效果。 通过资源互补，我们可以安全地在最短的时间内获取彼此的能力，拓展新业务。

从隐私保护的角度来看，通常会将智能摄像头产生的数据上传到后端服务器，然后根据收集到的大量数据对部署在服务器上的神经网络模型进行训练，得到模型。 服务提供商将采用这种模式向用户提供服务。

这是一种中心化的模型训练方式，很难保证数据的隐私和安全。

联邦学习不再向后端发送数据，而是在各公司自己的服务器上进行训练，并将训练模型加密上传。 后端会整合上千个用户模型，然后反馈给用户改进计划。