你好，这里是科技前哨，继续跟你分享新兴科技企业有关的新鲜见闻。

随着人工智能技术兴起，为人工智能服务的各种数据技术公司也在不断涌现，昨天科技前哨介绍的Scale AI定位在数据标注上。

今天我们介绍的这家公司Devron，切入点选择在了新的数据模型，采用了最近几年比较火热的“联邦学习”技术。

这家公司的技术实力如何？联邦学习技术有什么特点？我们今天一起好好了解。

1.数据专家解决数据问题的公司

2020年Devron在纽约成立，很长一段时间都处于默默无闻的状态，直到今年初接连拿下两笔大额投资。

2022年的2月，全球知名的老虎环球基金领投了Devron的A轮融资，为它筹集了1200万美元；仅仅一个月后，Devron再度拿下1380万美元的投资，立刻成为业内关注的重点。

Devron之所以会被各类投资公司看好，其中一个重要原因是Devron的创始人是一个真正的数据专家。

公司创始人Kartik Chopra是美国前中央情报局（CIA）卧底技术部门的情报官。他既是技术专家，又是数据应用的专家。

在CIA工作时，Kartik发现在中央情报局数据调用存在很多技术之外的壁垒，部门内有着严格的数据管理机制，管理权限非常多。

这就导致了一个问题，如用人工智能算法把这些数据运用起来，就需要层层授权审批，许多数据因为安全和隐私的问题永远无法拿到，Scale AI的分析中我们也提过，数据质量的好坏决定了人工智能的好坏，没有足够的数据自然无法训练出好的人工智能系统。

Kartik发现这个问题不仅在美国中情局里存在，在商业界也是如此，不同企业、不同行业之间的数据因为同样的原因，像数据孤岛无法连通。

看到这个需求的Kartik Chopra一直在思考有没有什么技术解决方案能够打破这种壁垒，直到他发现学术界研究出了联邦学习的技术，他立刻下定决心创办了Devron。

2.从集中到分布

传统的人工智能训练模式，数据必须直接提供给人工智能算法才行，需要从数据存储的地方传输到人工智能算法所在的计算机上才行。

这种方案对于掌握足够多数据企业没有什么问题，比如Netflix的用户信息都在它自己手里，用自己的数据训练自己的个性化推荐算法非常简单。

换到数据没有这么集中的行业就不行了，比如每种药品的实验数据都掌握在制药公司手里，它们互相不会共享数据，更不用说让数据传输到一个地方去训练人工智能。

通过整合数据，训练一个更优化的人工智能系统，可以让大家药品开发的时间大大缩短，但开放数据又会暴露自己的药物技术秘密，面对收益和风险大部分公司都选择放弃。

联邦学习技术就解决了这个问题，这套新模式把算法先发送到数据存储的地方，在本地完成训练，将训练后的人工智能算法发回到中心电脑，由中心整合不同数据训练的人工智能系统，最终得到和汇总数据训练一样的成果。

这就有点像电影《谍影重重》的情节，失忆特工身上有十八般武艺，但记不起来自己如何获得它们。采用联邦学习这套方案，既可以保护用户的隐私，也可以减少数据传输中的通信负担，还可以扩大AI模型的训练量使得他有更好的数据分析与反馈能力。

3.打通各行各业的数据孤岛

Devron目前在金融，生命科学，政府，媒体和电信行业都在大展身手。

在金融行业，Devron可以使金融机构和科技公司更好地分析和分类交易而无需将用户数据从数据源集中到一个地方，并且使机构可以从敏感的消费者银行和金融数据中获取分析而不需要获取数据本身的权限。

在生命科学领域 ，Devron可以使全球的医疗保健、制药和健康科技公司使用保护隐私的分布式分析来维护数据安全性并避免昂贵不安全的数据集中化。

在政府业务上，Devron可以帮助情报和军事官员更快速地了解分散的情报源，快速做出新的判断，应对新的威胁。

媒体电信行业，Devron可以在为用户提供个性化服务的同时更好地保护用户隐私，改善用户的体验。

2022 年第五届年度 AI 突破奖计划中Devron被选为“大数据最佳 AI 解决方案”奖的获得者。

4.联邦学习的短板和Devron的未来

联邦学习技术也还在发展中，还有一些短板需要解决，比如整合后的AI模型有时并不是最优的结果，如何验证、调试还需要新的新的设计。

联邦学习虽然不需要数据传输，人工智能算法的传输还是不能少，这个过程中的漏洞该如何弥补也是个难题，最近一项研究就发现通过训练在人工智能算法中植入的漏洞，无法用传统的软件扫描方式发现。

当然，任何技术诞生时都不会是完美无缺的，联邦学习作为人工智能数据训练的解决方案一定有非常大的用武之地，不过在我们看来，这项技术还是属于技术增强的范畴，任何一家人工智能企业都可以将它应用起来，并没有太大的门槛。

Devron最大的机会在于，它能否深入切入到医疗、金融这类业务之中，在别的大企业还没行动时，借助联邦学习生成独特的行业解决方案，成为这些传统产业新技术变革的首选，如果跑的太慢，就只会成为替大平台和大型人工智能企业探路的炮灰。

以上就是今天的内容，希望你能有所收获，如果你喜欢我们的节目，欢迎分享给你的朋友，这会对我们非常有帮助，更多精彩内容明天再见~