30秒快速回答
联邦学习（Federated Learning，FL） 是一种让多个数据持有方「数据不动、模型动」的分布式训练范式：参与方各自在本地用私有数据训练模型，只把更新后的模型参数（或梯度）上传给中心服务器聚合，原始数据始终不出本地。
核心价值一句话：在不牺牲隐私与合规的前提下，把分散的数据孤岛拼成一台「联合训练机」，让每个参与方都能享受「大家的数据」训练出的更好模型。
为什么需要联邦学习？
传统 AI 训练默认把数据集中到一处，但这在现实中常常行不通：
- 数据孤岛：医院、银行、电商的数据分散在不同机构，出于商业机密或合规要求无法合并；
- 隐私法规：GDPR、中国《个人信息保护法》等法规明确限制原始数据的跨境、跨机构流动；
- 成本风险：集中式收集敏感数据一旦泄露，后果不可控。
三种训练模式对比：
| 模式 | 数据是否出本地 | 模型质量 | 适用场景 |
|---|---|---|---|
| 中心化训练 | 全部集中 | 最高 | 数据可合规汇聚 |
| 本地单独训练 | 不出 | 低（单方数据少） | 单机构小规模 |
| 联邦学习 | 不出 | 接近集中式 | 多方协作 + 隐私合规 |
联邦学习正是为「既要协作、又不能给数据」的场景而生。
联邦学习的工作原理：FedAvg 算法
最经典的联邦算法是 FedAvg（联邦平均），核心是一个「分发-训练-聚合」循环：
- 中心服务器初始化模型参数并分发给各参与方；
- 每个参与方在本地数据上训练若干轮（本地不共享数据）；
- 参与方只把更新后的模型参数上传给服务器；
- 服务器按各参与方数据量加权求平均，得到新全局模型；
- 重复 1-4 直至收敛。
伪代码示意：
# 服务器端：聚合
def fed_avg(global_model, client_updates, client_sizes):
total = sum(client_sizes)
new_params = {}
for name in global_model:
new_params[name] = sum(
global_model[name] + (update[name] - global_model[name]) * size / total
for update, size in zip(client_updates, client_sizes)
)
return new_params
关键点：服务器永远看不到原始数据，只接触模型参数，这就是联邦学习隐私性的根基。
大模型时代的联邦学习：联邦微调
把联邦学习用到 LLM 上，面临三个新挑战：
| 挑战 | 说明 | 主流解法 |
|---|---|---|
| 梯度泄露风险 | 恶意服务器可从梯度反推训练数据 | 差分隐私噪声、梯度裁剪 |
| 通信开销巨大 | 全量参数上传，千亿模型不现实 | LoRA/QLoRA 只传低秩适配器 |
| 数据异构 | 各方数据分布差异大，模型难收敛 | 个性化联邦、FedProx 等优化算法 |
2026 年的研究趋势是「联邦微调」（Federated Fine-tuning）：用 LoRA 把可训练参数压缩到 1% 以下，各方只上传适配器权重，配合梯度压缩与差分隐私，联邦微调在多项任务上已能达到集中式训练约 92% 的性能——这意味着「数据不出本地」不再以牺牲模型效果为代价。
主流联邦学习框架怎么选？
| 框架 | 特点 | 适合谁 |
|---|---|---|
| Flower | 框架无关、上手快、支持 PyTorch/TF | 快速验证、中小团队 |
| FedML | 全栈（训练+推理+边缘），学术生态全 | 研究与生产兼顾 |
| OpenFL | Intel 出品，企业级、可审计 | 医疗/金融等强合规场景 |
起步建议：先用 Flower 跑通 FedAvg 最小示例，再按需引入差分隐私（如 Opacus）和 LoRA 联邦化，逐步向生产演进。
总结要点
- 联邦学习的本质是「参数共享、数据不出门」，让隐私与协作不再二选一；
- FedAvg 是地基算法，理解「分发-训练-聚合」循环即可上手；
- 大模型场景优先用 LoRA 联邦微调 + 差分隐私，兼顾效果、成本与安全；
- 框架选型从 Flower 起步，合规场景升级 OpenFL。
延伸阅读建议：想深入掌握相关技术，可以继续阅读本站的《怎么微调 AI 模型？Fine-tuning 完整指南》、《怎么用 LoRA 微调模型？轻量级训练实践指南》和《什么是 AI 安全？大模型安全与对齐技术详解》，把「微调-优化-安全」这条链路串起来。