隨著全世界的開發團隊爭相開發AI工具，在邊緣設備上訓練算法變得越來越普遍。聯合學習是分布式機器學習的子集，是一種相對較新的方法，它允許企業在不直接訪問原始用戶數據的情況下改進其AI工具。

　　聯合學習由Google在2017年提出構想，是一種去中心化的學習模型，通過該模型可以在邊緣設備上訓練算法。關于Google的“設備上機器學習”方法，這家搜索巨頭將其預測文本算法推到了Android設備上，匯總了數據，并將新知識的摘要發送回了中央服務器。為了保護用戶數據的完整性，此數據是通過同態加密或差分隱私傳遞的，這是對數據添加噪聲以使結果模糊的一種做法。

　　一般而言，通過聯合學習，可以對AI算法進行訓練，而無需識別任何單個用戶的特定數據。實際上，原始數據永遠不會離開設備本身。僅匯總的模型更新會發回。這些模型更新隨后在交付到中央服務器后解密。然后，將更新后的模型的測試版本發送回選定的設備，并且在重復此過程數千次之后，顯著改善了AI算法，同時又不會危及用戶隱私。

　　預計該技術將在醫療保健領域掀起波瀾。例如，醫療初創公司Owkin目前正在探索聯合學習。為了利用來自多個醫療機構的患者數據，Owkin使用聯合學習來利用來自不同醫院的數據來構建AI算法。這可能會產生深遠的影響，尤其是醫院在保持患者數據的完整性并遵守HIPAA法規的前提下，能夠相互共享疾病進展數據非常寶貴。絕非唯一的醫療行業采用這項技術。自動駕駛汽車公司，智慧城市，無人機和金融科技組織將越來越多地使用聯合學習。其他一些聯合學習型初創公司也正在上市，包括Snips，S20.ai和Xnor.ai，后者最近被Apple收購。