隐私计算：用“联邦学习”实现数据可用不可见

2016年，谷歌AI在一篇技术博客文章中首次引入“联邦学习”的概念，随后这项技术开始在AI领域受到关注。

所谓“联邦学习”，就是允许多个参与者在不共享数据的情况下，构建一个通用强大的机器学习模型。

简单来说就是，通过“数据不动模型动”的方法，来解决如数据隐私、数据安全、数据访问权限和对异构数据访问等问题。此后“联邦学习”逐渐受到关注，推动了整个隐私计算技术架构的完善。

2012年，王爽在SCI期刊上发表了全球第一篇在线医疗联邦学习论文。这篇论文，也成为日后他在医疗隐私计算领域学术研究和工作方向的源头。

王爽发现，用“联邦学习”等手段从技术层面解决这个问题，可以实现“数据可用不可见”，进而大大提升信息化技术在医疗中的可用性。比如过去医院在治疗罕见病时往往受限于单中心数据量不够等问题，在解决了数据隐私问题后，就可以整合全行业数据为病人寻找最有效的治疗方案。“原来需要数周寻找治疗方案，现在可能会缩短至1天甚至更短。”王爽说。

当掌握隐私计算技术的极客跟医院的医生频繁交流后，隐私计算的技术也有了飞速迭代，“在技术性能上，每年都会有10倍的提升。”一个很明显的感受是，此前解决一个多方联合建模的问题需要1个小时，现在只需要1分钟。