联邦学习

数据不动，模型动：联邦学习正在低空经济打开隐私合规新空间

当低空经济的商业落地脚步不断加快，从城市低空物流无人机的动态航线规划，到 eVTOL（电动垂直起降飞行器）的多源气象预测，再到低空无人机管控的目标识别，越来越多场景开始呼唤更精准的大模型。但一个无法绕开的现实问题横亘在从业者面前：支撑模型训练的核心数据，散落在航空公司、空管部门、气象机构、城市交管等不同主体手里，受制于隐私保护法规和数据安全要求，这些数据永远不可能集中到一处做训练——这就是行业内常说的数据孤岛。而近年来，一项名为联邦学习的AI技术，正在成为破解这个困局的核心答案。

不同于传统AI训练“数据必须集中”的逻辑，联邦学习的核心思路可以用一句话概括：数据不动，模型动。按照万方数据对联邦学习隐私保护属性的界定，这项技术能够实现“数据可用不可见、可用不可取”，原始数据始终留在产生方的本地服务器，参与协同训练的各个主体只需要把本地训练得到的模型参数上传到联邦服务器，由服务器完成参数聚合后再把更新后的全局模型下发，循环往复直到模型达到最优精度。这种“分布式训练、集中式聚合”的路径，从底层逻辑上避开了数据转移带来的合规风险，恰好击中了当前多主体跨域AI协同的痛点。

事实上，联邦学习的诞生本身就是为了解决“不移动数据前提下共同训练AI”的问题。CSDN博主、AI产品经理蓝冰在原理解析文章中分享了他接触的真实场景：在一个跨医院的医疗影像AI训练项目中，每家医院都不愿意把自己积累的病人影像数据对外共享，传统集中训练的路径完全走不通，最终就是依靠联邦学习，让各家医院在本地完成模型训练，只输出参数不输出原始数据，最终训练出的AI识别精度和集中训练的结果差距不到2%。这个案例其实是当下很多行业的缩影：哪怕在数据要素市场化的今天，依然有大量涉及公共安全、用户隐私、商业机密的数据无法流动，联邦学习相当于给这些“沉睡的数据”打开了一个价值释放的出口。

从技术实现的角度看，当前应用最广泛的联邦平均算法（FedAvg）已经把这个过程打磨得相当清晰。第一步，联邦服务器会把初始化的全局模型下发给所有参与训练的参与方；第二步，每个参与方用自己本地存储的原始数据做训练，更新本地模型的参数；第三步，所有参与方把更新后的本地参数加密上传到联邦服务器，服务器按照联邦平均算法对所有参数做加权聚合，生成新的全局模型；第四步，服务器把新的全局模型再下发给各个参与方，重复上述训练过程，直到模型的损失函数收敛，整个训练过程就完成了。和传统集中式训练比，整个过程没有任何一方拿到过其他主体的原始数据，所有敏感信息都留在了本地，从根本上满足了《数据安全法》《个人信息保护法》对数据处理的合规要求。

现在，云服务商已经开始把联邦学习的能力做成标准化服务，降低行业落地的门槛。腾讯云在2026年7月更新的AI原生云技术文档中，已经明确把联邦学习作为分布式AI训练的核心能力纳入体系，针对跨域异构设备的部署需求做了适配：支持数据并行、模型并行、流水线并行、张量并行等多种分布式训练架构，能够根据不同参与方的设备算力、数据规模自动调整训练策略，哪怕是中小机构用普通GPU服务器也能加入联邦训练网络，不需要额外投入高额的算力成本。这种基础设施层面的成熟，正在推动联邦学习从实验室走向真实的商业场景，低空经济就是当前落地最快的领域之一。

以城市低空物流场景为例，国内头部物流无人机企业已经开始尝试用联邦学习优化末端配送的路径规划模型。目前，国内多家物流企业都在不同城市布局了低空物流网络，每家企业都掌握着自己运营区域的建筑分布、禁飞区、天气变化、用户地址等数据，这些数据涉及用户隐私和商业布局，不可能共享给行业平台。但如果每家企业只训练自己区域的模型，面对跨城市的配送任务，模型对陌生区域的环境适配性就会很差，容易出现航线规划不合理、绕飞甚至迫降的问题。通过联邦学习，所有参与企业可以在不共享原始运营数据的前提下，共同训练一个通用路径规划模型：每家企业在本地用自己的数据训练模型，只上传参数，最终得到的全局模型的路径规划精度，比单个企业训练的模型提升了30%以上，配送效率提升超过15%，同时完全满足数据合规要求。

另一个典型场景是低空飞行器的安全管控。当前，无人机黑飞、乱飞问题一直是城市低空安全的痛点，不同地区的空管部门、警务部门、无人机企业手里都掌握着不同类型的违规飞行特征数据，这些数据涉及公共安全，不可能对外流通。通过联邦学习，不同地区的管控主体可以共同训练一个违规飞行目标识别模型，每个主体都不用拿出原始数据，只贡献参数信息，最终模型的识别准确率比单一地区训练的模型提升了27%，误报率下降了近40%，大幅提升了低空管控的效率。

但我们也要看到，联邦学习目前还存在明确的应用局限，并没有成为通用技术。首先是通信成本问题，每次训练循环都需要参与方上传下载参数，对于很多边缘端的低空设备来说，网络不稳定会导致训练效率下降；其次是异质数据的适配问题，不同主体的数据分布差异很大，聚合后的模型精度可能会出现波动；此外，虽然原始数据不会流出，但依然存在通过参数反推原始数据的潜在风险，还需要结合差分隐私、同态加密等技术进一步强化隐私保护能力。蓝冰在文章中也提到，目前联邦学习更适合对合规要求高、数据无法集中的场景，对于数据可以自由流动的场景，传统集中训练的成本和精度依然更有优势。

从整个AI产业的发展趋势看，隐私保护已经成为不可逆转的要求，数据要素的价值释放也越来越强调“合规流通”，联邦学习“数据可用不可见”的特性，刚好踩中了这个行业拐点。中国信通院去年发布的《隐私计算白皮书》数据显示，2025年国内隐私计算市场规模已经突破100亿元，其中联邦学习占比超过40%，金融、医疗、交通低空等对数据安全要求高的行业，已经成为联邦学习增长最快的落地领域。

回到低空经济这个赛道，未来随着低空开放程度不断提高，会有越来越多的市场主体参与进来，数据分散化的特征只会越来越明显。无论是多主体协同的AI大模型训练，还是跨域的低空服务协同，都需要联邦学习这样的技术来搭建合规的协同桥梁。现在看来，这项“让模型跑、数据不动”的技术，还远远没有释放出全部潜力，未来很可能会成为低空AI基础设施的核心组成部分——当数据不能流通的时候，让模型和知识流动起来，这本身就是AI协同发展的一条新路径。