谷歌正在测试一种直接在你手机上训练人工智能算法的新方法

当大型科技公司使用机器学习来改进他们的软件时，这个过程通常是一个非常集中的过程。像谷歌和苹果这样的公司收集你如何使用他们的应用程序的信息；在一个地方收集；然后使用这些聚集的数据训练新的算法。用户的最终结果可能是任何东西，从手机摄像头上更清晰的照片，到电子邮件应用程序中更好的搜索功能。...

当大型科技公司使用机器学习来改进他们的软件时，这个过程通常是一个非常集中的过程。像谷歌和苹果这样的公司收集你如何使用他们的应用程序的信息；在一个地方收集；然后使用这些**的数据训练新的算法。用户的最终结果可能是任何东西，从**摄像头上更清晰的照片，到电子邮件应用程序中更好的搜索功能。

这种方法是有效的，但是来回更新应用程序和收集反馈非常耗时。而且这对用户隐私也不是什么好事，因为公司必须在服务器上存储你如何使用应用程序的数据。因此，为了解决这些问题，谷歌正在试验一种新的人工智能训练方法，称之为联合学习。

顾名思义，联邦学习方法就是要分散人工智能的工作。教学过程直接在每个用户的设备上进行，而不是在谷歌服务器上的一个地方收集用户数据并用它训练算法。基本上，你的**的CPU被招募来帮助训练谷歌的人工智能。

谷歌目前正在Android设备上使用其键盘应用Gboard测试联邦学习。当Gboard显示用户根据他们的信息建议谷歌搜索时，应用程序将记住他们注意到的建议和他们忽略的建议。然后，这些信息直接用于在用户**上对应用程序的算法进行个性化设置(为了开展这项培训，谷歌将精简版的机器学习软件TensorFlow整合到了Gboard应用程序中。这些变化会被发送回谷歌，谷歌会汇总这些变化，并为所有用户发布应用程序的更新。

正如谷歌在博客中解释的那样，这种方法有很多好处。它更具私密性，因为用于改进应用程序的数据永远不会离开用户的设备；而且它能立即带来好处，因为用户不必等到谷歌发布新的应用程序更新后，就可以开始使用他们的个性化算法。谷歌表示，整个系统已经进行了优化，以确保不会影响**的电池寿命或性能。培训过程仅在您的**处于“空闲、已**并使用免费无线连接”状态时进行

正如谷歌研究科学家Brendan McMahan和Daniel Ramage总结的那样：“联邦学习允许更智能的模型、更低的延迟和更少的功耗，同时确保隐私。”

这不是我们第一次看到科技公司试图缓解人工智能对用户数据的渴求。去年6月，苹果公司宣布自己的机器学习模型将使用一种叫做“差异隐私”的东西来达到类似的目的，基本上是使用统计伪装。像这样的方法只会在未来变得更加普遍，因为公司试图平衡他们对用户数据的需求和用户对隐私的需求。不过，最终的结果应该还是更好的人工智能。