最近1个多月内出现了一个可能对后续人工智能行业有着深远影响的事件，现在这件事件还没有发酵起来，是因为联邦学习还没有真正步入企业生产行列。这个事件就是IEEE批准了国际首个联邦机器学习框架标准。《IEEE Approved Draft Guide for Architectural Framework and Application of Federated Machine Learning》

这个标准的介绍文档大家可以在这里去买：

https://www.techstreet.com/ieee/standards/ieee-p3652-1?gateway_code=ieee&vendor_id=7453&product_id=2183131

IEEE member打折的哦

联邦学习框架标准主要内容

这次发布的标准主要定义了四个问题：

1. 什么是联邦机器学习

2. 联邦机器学习应用的主要场景（定义了市场）

3. 如何评估联邦机器学习的效果（定义业务落地标准）

4. 联邦机器学习的限制条件（定义了技术安全可行性要求）

标准的重要性

为什么说标准很重要，如果我们把技术的最终使命归结于应用于业务中。产品是技术的载体，而产品如何构建，需要标准。标准在这个生态中的意义甚至大于技术领先性。

举个例子，做过知识图谱产品的同学应该都知道知识图谱一般由实体、属性、关系这些要素组成，那么这些要素的定义是什么样的？是不是百度、阿里、谷歌都各自搞一套标准？答案是no，一般在做这种技术型产品需要去寻找业界标准，就比如知识图谱领域常常会参考w3c的OWL标准体系。大家都沿用统一的标准才能把市场做大，形成生态。

再举个例子，PMML是一种模型描述标准，开源Spark生成的PMML模型可以在阿里云机器学习平台上直接部署和使用，这就因为大家沿用统一的标准。

所以能否参与标准的制定意味着能否定义这个行业，很关键，目前国内微众银行在这方面走的很领先。

洞察未来

某个新的技术领域，一旦有了新的标准制定，下一步就是大跨步发展阶段了。如果大家之前对联邦机器学习还有数据安全相关的质疑，那么有了国际化标准的背书，将大大打消大家的疑虑。

大胆预测，接下来不出两年，国内市场会有成熟商业化联邦机器学习平台产品诞生，因为国内市场对数据交换共享的需求很强烈，而联邦建模是目前看上去唯一可行的手段。

一旦有商业化产品诞生，机器学习行业很有可能会出现洗牌，因为具备强联邦建模的平台将有很强的吸取多方数据的能力，形成业务模式的领先，从而在商业模式上率先形成壁垒，最终形成技术壁垒。