如果我们追溯历史会发现，当下正值爆发期的人工智能技术，在过去60年间的发展是一个螺旋上升的增长曲线，期间遭遇过质疑，经历过寒冬。直到深度学习的出现，利用多层神经网络模拟人类大脑神经元的信息传递方式，才使得人工智能技术开始大放异彩。

从20世纪50年代引入感知器开始，到80年代多层感知器及反向传播算法，再到2010兴起的深度学习，几乎每三十年技术都会经历一次质的跃迁，与此同时自20世纪80年代以来，全世界的数据总量每三年就会翻一番。大数据促成了深度学习的腾飞，然而其背后的隐忧也随之而来。

数据垄断加剧 数据孤岛林立

达维多定律认为在网络经济中，进入市场的第一代产品能够自动获得50%的市场份额。

尽管无数业界人士都发出过警惕数据垄断的呼声，但现实情况正在向少数巨头垄断，小企业获取数据困难，大大小小“数据孤岛”林立的局势滑落。

谁拥有最多数据，谁就拥有最大的话语权

如果没有数百万张图像和其他类型的标签数据，就无法训练真正的大型深度学习网络，换言之那些拥有大数据的公司可以创建各类预测模型来进行“操控”，比如脸书将5000万人的数据卖给剑桥分析公司，从而影响美国总统大选。近年来，欧美各国频繁颁布数据安全、隐私保护相关的政策，未来对于数据的使用将变得更加谨慎。

大数据 高能耗

运行人工智能应用的大型网络需要巨大的运算能力，按照摩尔定律，计算机的运算能力每18个月才会翻一番，目前深层神经网络模型有数百万个单元和数十亿的权重，比人类大脑皮层中的神经元和突触的数量少一万倍，人的大脑本身就是一台超级计算机，功耗只有几瓦，而运行一台超级计算机则需要几百万瓦的能耗。高耗能对于深层神经网络的发展，将会是一个非常巨大的挑战。

当前，大多数机器学习算法是在20年前开发的，那么现在是否存在一种算法可以把复杂问题变得简单化，既保证系统的复杂性泛化能力，又能求得最优目标函数，又能兼顾数据的安全性呢？

同盾科技副总裁兼人工智能研究院院长李晓林教授正在带领团队，致力于「联邦学习」技术的研发。李晓林是美国公立常春藤名校佛罗里达大学的终身教授，牵头创立了美国国家科学基金首家深度学习中心NSF CBL。

李晓林在某次同盾行业大会上，深度剖析了「联邦学习」所展现出的强大的应用前景。