随着全世界的开发团队争相开发AI工具，在边缘设备上训练算法变得越来越普遍。联合学习是分布式机器学习的子集，是一种相对较新的方法，它允许企业在不直接访问原始用户数据的情况下改进其AI工具。

联合学习由Google在2017年提出构想，是一种去中心化的学习模型，通过该模型可以在边缘设备上训练算法。关于Google的“设备上机器学习”方法，这家搜索巨头将其预测文本算法推到了Android设备上，汇总了数据，并将新知识的摘要发送回了中央服务器。为了保护用户数据的完整性，此数据是通过同态加密或差分隐私传递的，这是对数据添加噪声以使结果模糊的一种做法。

一般而言，通过联合学习，可以对AI算法进行训练，而无需识别任何单个用户的特定数据。实际上，原始数据永远不会离开设备本身。仅汇总的模型更新会发回。这些模型更新随后在交付到中央服务器后解密。然后，将更新后的模型的测试版本发送回选定的设备，并且在重复此过程数千次之后，显着改善了AI算法，同时又不会危及用户隐私。

预计该技术将在医疗保健领域掀起波澜。例如，医疗初创公司Owkin目前正在探索联合学习。为了利用来自多个医疗机构的患者数据，Owkin使用联合学习来利用来自不同医院的数据来构建AI算法。这可能会产生深远的影响，尤其是医院在保持患者数据的完整性并遵守HIPAA法规的前提下，能够相互共享疾病进展数据非常宝贵。绝非唯一的医疗行业采用这项技术。自动驾驶汽车公司，智慧城市，无人机和金融科技组织将越来越多地使用联合学习。其他一些联合学习型初创公司也正在上市，包括Snips，S20．ai和Xnor．ai，后者最近被Apple收购。