人工智能下一階段是指(人工智能下一階段包括)

回顧過去十幾年，人工智能的進步令人眼花繚亂。尤其是自2015年AlphaGo誕生以來，人工智能產業的發展速度是前所未有的。歸根結底，是人類在人工智能領域探索了50多年，最終借助半導體技術和軟件技術在機器學習領域找到了突破口。

2015年以來，人工智能產業的發展主題是拓寬機器學習突破路徑。安防監控、自動證券交易、文本翻譯等多個領域率先迎來人工智能的覺醒。這和它們本身的數據屬性有很大關係：安防監控的數據都是圖像；證券行業本身就是數字遊戲；人類曆史上被翻譯的書籍不計其數。

但隨著時間的推移，人們的情況開始發生變化。在越來越多的應用場景中，數據已經成為阻礙人工智能的因素。首先，日益複雜的人工智能所需的數據量猛增。其次，現實中數據孤島和數據隱私問題難以解決。

這對於人工智能行業以及各個急需人工智能助力升級的行業來說是不可避免的挑戰。下一階段的智能產業必須在各種數據約束下找到前進的出路。

目前，聯邦學習被業界公認為最可靠的解決方案。將機器學習與其他數據技術相結合，構建完全由計算機控製、能夠高效挖掘數據價值的多方數據特征協作係統。

騰訊安全近期發布的聯邦學習應用服務（FLAS）是國內聯邦學習技術在應用領域的成果。通過低成本、快速迭代的聯合建模服務，FLAS能夠在保護各方隱私的同時有效釋放各方大數據生產力，廣泛適應業務創新應用場景。

數據，當前人工智能發展的隱藏障礙

在機器學習的道路上，數據一直扮演著非常重要的角色。雖然各種應用場景存在很多差異，但有兩點是一致的：數據越多越好；數據的維度越多越好。

數據量要求請參考AlphaGo。穀歌的DeepMind總共花了兩年時間，終於打造出了各方麵超越人類的最強大的圍棋人工智能AlphaZero。與最早的AlphaGo使用16萬個人類棋局數據並能夠擊敗入門級職業棋手相比，AlphaZero使用了286億個棋局數據，包括人類和機器生成的棋局數據。兩者相差18000倍。

數據的維度也非常重要。圍棋是一項艱巨的挑戰，但比賽實際上是在半米見方的棋盤上進行的，棋盤隻有16行16列黑白棋子。Go相對於現實問題來說過於簡單，因此在解決現實問題的過程中，經常會用到比簡單場景大幾倍的數據維度。

從數據需求來看，人工智能的應用顯然應該收集一定數量、一定維度的所需數據，然後利用足夠的計算能力將其轉化為可執行的神經網絡。不幸的是，這樣的操作是不現實的。

在現實世界中，人工智能所需的大部分數據分布在數據孤島中。行業之間、企業之間、甚至部門之間，都會存在真實的數據差距。對於數字化運營過程中產生的新資產來說，每個主體的數據都是寶貴的，更不用說涉及到的用戶隱私問題。

近年來日益嚴格的數據監管也帶來了巨大的挑戰。2018年，歐盟率先製定了新法案《通用數據保護條例》（GDPR），對企業對用戶數據的使用進行了仔細、全麵的規範。以下是對公司的實際處罰。截至2019年9月24日，歐洲22家數據監管機構共對87起案件做出了總計3.7億歐元的行政處罰決定。

我國還自2017年起實施了《中華人民共和國網絡安全法》和《中華人民共和國民法通則》，明確網絡運營者不得泄露、篡改、毀壞個人信息。他們收集的信息。與此同時，新的《個人信息保護法》和《數據安全法》也正處於從草案到法案的實施過程中。這些新數據法規的實施，勢必會對人工智能數據的采集和使用產生直接影響。

現實中的種種情況，使得人工智能技術的落地之旅從最早的核心技術驅動轉向解決應用中的實際問題，即如何克服現有的人工智能數據問題。

人工智能行業其實很早就提供了解決方案——聯邦學習，它將基礎人工智能機器學習的核心能力與一係列數據技術和係統邏輯架構相結合，打造出一套係統化的解決方案。利用額外的算力和網絡資源，實現多方數據價值的聚合。同時，原始數據不離開本地，實際應用效果接近於直接聚合數據的機器學習。

聯邦學習應用服務幫助銀行業解決現實問題

在實際應用中，金融行業已經成為聯邦學習應用服務的重點領域。銀行等金融機構長期以來麵臨著數據整合困難的問題：作為提供資金交易和各類金融服務的商業機構，並不缺乏數據。但這些數據大部分是維度相對單一的用戶交易數據，數據價值難以挖掘。

無論是識別信用卡使用中的違規行為和風險提示，還是為用戶提供具體的營銷建議以促進業務發展，他們的最終服務對象都是真實的人類客戶。在現實生活中，後者實際上會不斷產生各種數據：社交、消費、金融、空間。如果想要更好地挖掘銀行客戶的價值，就必須將這些不同類型的數據加入到分析中，形成對客戶的全麵了解。

跨越多個行業，並且可能涉及用戶隱私風險，這顯然是聯邦學習發揮能力的階段。騰訊安全推出的騰訊安全聯邦學習應用服務，是聯邦學習應用領域最有前途的舞者。

騰訊安全聯邦學習應用服務是一套典型的垂直聯邦學習解決方案。此類解決方案通過整合多個機構對同一樣本的不同觀察結果進行AI聯合建模，最終形成一套針對異構數據機構的解決方案。比如銀行、電商等的聯合建模服務。通過使用這套應用服務，最終數據提供的用戶隱私得到保障，各方數據安全更加可靠，同時，大數據生產力全麵釋放。

作為覆蓋眾多用戶應用領域的互聯網巨頭公司，以及聯邦學習本身的前沿技術特點，騰訊的安全聯邦學習應用服務從一開始就具有不同於當前各種聯邦學習項目的特點。

首先是經驗。得益於騰訊的眾多產品和服務，騰訊安全二十多年來積累了大量的黑灰生產庫，形成了包含百億點、千億邊的黑灰生產知識圖譜。安全服務已覆蓋中國99%的網民。

二是騰訊先進的雲計算技術能力。騰訊整套安全聯邦學習應用服務既可以基於公有雲部署，也可以基於私有雲部署。具體部署方式還支持輕量、方便、易擴展、易管理的容器。技術。

最後，還有騰訊內部的互聯網能力。在打造聯邦學習應用服務的過程中，騰訊充分利用騰訊內部的互聯網產品和工程能力，對聯合建模過程中的通信和穩定性進行了針對性的優化：通過通信次數的優化和中間結果的壓縮，減少數據量。聯合建模過程中需要傳輸，提高效率；另外，針對網絡環境造成的傳輸中斷，專門打造了該模型的斷點備份功能，這樣即使數據傳輸中斷，也可以斷點重新啟動，而不必從頭開始。

目前，在騰訊安全聯邦學習應用服務的實際業務實踐中，新聯合建模模型的AUC值提升了10%-15%，KS值提升了50%左右。與江蘇銀行、濟寧銀行、湖北消費金融、久富數碼、嘉銀金科等金融機構達成合作，實現數據價值雙向賦能。

互聯網巨頭，人工智能下一階段的引領者？

縱觀人工智能整體發展趨勢，2000年後取得重大突破的機器學習也將作為人工智能的主要突破口，而數據也將在整個人工智能實現過程中發揮關鍵作用。

隨著人工智能的不斷落地，機器學習這個大錘的發展卻開始放緩。解決了各行業的許多小釘子之後，難免要麵臨更難解決的更大釘子。在短時間內沒有辦法快速把錘子變大的前提下，必須通過多人協作來維持甚至加速人工智能的發展，讓多個錘子在一處移動。

但聯邦學習畢竟隻是一種技術，它需要麵臨一係列前提條件。應用方需要具備：基礎的人工智能技術研究實力、多方聯合聯邦學習係統的工程化能力、多方積極參與實際運營、有大量的前期工作。投資和失敗的風險。這些先決條件對於普通公司和組織來說是不可能的，對於騰訊這樣的互聯網巨頭來說就簡單得多。

就像騰訊的安全聯邦學習應用服務一樣，騰訊不僅為客戶構建了聯邦學習的實現路徑，還將其積累的有價值的安全黑灰產品庫加入到自己的產品和服務中。這種開放、共享、合作的心態和行為，很可能成為未來人工智能發展的重要動力。