深圳一家银行想要更好的反欺诈模型。城另一头的一家支付公司也想要。但谁都不能把自己的交易记录交给对方——不是因为互不信任，而是因为数据保护的法律不允许。
在 2010 年代的大部分时间里，对话到这里就结束了。
杨强花了大约十年，造出让对话可以继续下去的那套东西。
他的坐标
杨强现任香港理工大学人工智能高等研究院院长、首席人工智能官、人工智能讲座教授，同时是该校联邦学习研究所所长。按香港理工大学官网，他是加拿大皇家学会院士、加拿大工程院院士，并是 IEEE、ACM、AAAI、AAAS、IAPR、CAAI 会士；1989 年获马里兰大学计算机科学博士，2001—2023 年任教于香港科技大学（2015—2018 年任系主任）；曾任华为诺亚方舟实验室创始主任、微信首席技术顾问（2015—2018）、第四范式联合创始人、微众银行首席人工智能官（2018—2025）。他 2019—2021 年任 IJCAI 主席，2017—2019 年任 IJCAI 理事会主席。
他挑的这道题
联邦学习（federated learning）是一种训练安排：各方把原始数据留在自己机器上，只交换模型更新。卖点是拿到数据汇聚的好处，却不必汇聚数据。
联邦学习的核心思路不是杨强发明的。他做的是更不讨巧的那部分：把它变成受监管机构真正敢用的东西。
他的研究底子是迁移学习（迁移学习）——把一个模型在某个场景学到的东西搬到另一个场景。这恰好是联邦场景需要的基础，因为参与方往往并不拥有相同的特征或标签空间。按《深圳特区报》报道，微众银行在杨强带领下首次提出"联邦迁移学习"，处理两方既不同样本、也不同特征的情况。
他真正造的三样东西
一个标准。 2018 年 12 月 IEEE 标准协会批准立项，2020 年 9 月标准通过，2021 年 3 月正式出版为 IEEE 3652.1-2020《联邦机器学习架构与应用指南》。IEEE 标准协会页面列出杨强为工作组主席。该指南规定了联邦机器学习的定义、分类与适用场景、性能评估以及合规要求。这一标准由微众银行牵头，是国际上首个针对这类技术订立的标准。
一个平台。 微众银行开源了 FATE（Federated AI Technology Enabler），工业级联邦学习框架，基于同态加密和多方安全计算，让机构在不共享原始记录的条件下协作。它已在金融、医疗、智慧城市、零售等场景落地。
一批落地。 在微众银行，这套技术进了反欺诈、小微金融、风控审批和智能客服——这些地方不浪漫，但模型在这里要么省钱，要么没意义。
真正重要的那个决定
有意思的其实不是研究，而是微众银行对 FATE 的处理方式：2019 年 6 月，这个框架被捐给了 Linux 基金会，后来又成为 LF AI & Data 的孵化项目。杨强公开讲过理由——如果隐私计算技术只握在少数机构手里，数据还是流通不起来，降低门槛的办法就是开源。
这是一个可以核查的具体决定，也是 FATE 会出现在别人产品里的原因：一家本来可以靠它筑护城河的银行，把治理权交了出去。
头衔会走，标准不会
中国银行业并没有蜂拥设立首席人工智能官。据行业报道，杨强离任后，微众银行这一职位尚未有人接任，AI 战略改由副行长兼首席信息官统筹，同时保留人工智能首席科学家一职。
这恰好检验了他造的东西。职位是个人安排；一份出版的 IEEE 标准和一个由基金会治理的代码库不是。他去了香港理工大学，这两样都留在原地。
联邦学习的局限也该说清楚：它没有让数据共享变得不必要，只是让一种很窄的协作成为可能，而且通信和工程复杂度是实打实的代价。到了大模型（大模型）时代，同一套逻辑正在被延伸到联邦微调，只是被留在本地的往往是领域数据，而不是整个语料。
诚实的局限
FATE 当前的采用规模我没能在独立来源上核实——关于社区里有多少企业、多少高校的说法出自国内行业报道，不是基金会发布的数据，请当作参考量级。
IEEE 标准的内容我是依据 IEEE 标准协会的摘要和工作组名单写的，没有读到标准全文，所以对其覆盖范围的描述只限于该摘要。
联邦学习的隐私保证是有条件的：安全聚合与同态加密能防住某些攻击者，不是全部；关于梯度泄露的文献不在本文评估范围内。
杨强在若干上市公司担任董事或独立董事，本文只在定位身份必需的范围内提及，不展开。所有职务时间以香港理工大学官方简历为准。
普通人现在能做什么
- 如果你的机构被要求为联合建模"共享数据"，先问一句：真正需要的是数据，还是一个训练好的模型？IEEE 3652.1 的存在，部分原因就是为了让这个问题有一个标准答案。
- 在评估任何商业隐私计算产品之前，先读一遍 FATE 的仓库。知道开源基线能做什么，厂商的宣传就好审多了。