数据不出手机，不等于隐私问题已解决

让大量手机一起训练同一个模型，原始数据留在各自设备里，只上传学到的改动——这类做法叫联邦学习。2019年一篇长综述把这套做法还没解决的问题列成清单：设备不可靠、各家数据不同、流量受限、隐私难证明，而且互相纠缠。

如今输入法、医疗、金融的AI方案都爱用一句话推销：数据不出设备，隐私就解决了。后来的研究至今仍在逐个攻克这篇综述列出的条目，没有哪个方法能全部解决。听到那句推销，就拿清单追问：各家数据不同怎么办？怎么证明真的没偷看？

如果要比较具体方法的优劣或性能数字，就别用它来判断——它没做任何实验，只是盘点问题。如果场景是没有中心服务器、设备互相直连的学习，它列的问题也对不上。

《Advances and Open Problems in Federated Learning》（2019）｜下次复查 2027-09-20