目前，大型的科技公司都在使用机器学习来改进自家的软件产品，这个过程通常非常集中。如 Google、苹果等公司，会收集用户使用其应用程序的信息，然后将信息聚合，这些聚合数据被用来训练新算法。体现在用户端则是用户手机上的照片变得更清晰了，或是电子邮件 app 上的搜索功能更好用了。

这一算法训练方法非常有效，但需要通过更新应用程序来收集反馈信息，一来一回十分耗时。同时，这对用户隐私安全来说也是极大的挑战，因为公司必须存储用户的使用数据。为了解决这些问题，Google 目前正在尝试一项全新的名为 Federated Learning 的 AI 训练方法。

顾名思义，Federated Learning 就是为了分散人工智能的工作，将 AI 算法的训练过程直接放在每个用户的设备上进行，而不是聚合到 Google 的服务器上。也就是说，用户手机的 CPU 将被用来训练 Google 人工智能算法。

Google 目前正在其安卓端键盘应用 Gboard 上测试 Federated Learning。当 Gboard 根据用户信息来建议 Google Research 时，Gboard 会记录下用户注意到了哪些建议，以及忽略了哪些建议。这些信息随后将用于直接在用户手机上对 Gboard 进行个性化升级。

为了执行这项算法训练，Google 已将其机器学习软件 TensorFlow 的“瘦身”版本载入 Gboard 应用程序中。Google 会收集这些改变，汇总后向所有用户发布应用的更新版本。

上图中 A 代表应用程序正在每个用户手机上更新；B 代表 Google 正收集所有的个性化改变；C 代表聚合这些改变后，为用户创建新版本应用。

对此，Google 在 Google Research Blog 上发布了一篇博文称，这种解决方案更私密，因为用于提升 app 的数据一直都没有离开用户的设备；并且用户不必再等谷歌发布新的用户程序，就可以使用到个性化后的 app 产品。Google 还表示，整个训练系统是精简过的，以确保不会干扰用户手机的电池寿命或性能。训练过程只会在手机处于空闲状态、充电状态或 Wi-Fi连接状态时进行。

这已经不是科技公司第一次试图解决数据隐私问题，去年 6 月，苹果便宣布其机器学习模型将通过“差别隐私”来实现类似的目标。此类数据处理方法应该会越来越普遍，因为科技公司都在试图平衡其数据使用和用户隐私之间的关系。无论如何，最后的结果都将有利于人工智能的发展。