当然，若是想要让“联邦学习”，在医疗领域成功落地，还需突破三个核心障碍。
其一，不同医院的HIS系统、影像系统，数据格式差异大，需建立一套“医疗联邦数据通用标准”，避免各机构各玩各的，无法协作。
这就需要国家卫健委牵头制定。
其次，需出台相应的“医疗伦理指南”，明确“本地审批”的流程与标准，避免因审批规则不清晰，导致项目停止。
其三，基层医院的技术能力有限，需为其提供“轻量化联邦学习工具”。
如可视化操作平台、一键接入SDK等等。
以便让非技术出身的医护人员，也能快速上手。
第三点，极光已经准备好了。
至于前两点，明显不是极光一家民营企业，能够搞定的。
他们也没那个精力，跟医疗体系打交道。
反正相关技术方案，研发团队成员，已经向G信部和卫健委，汇报过好几轮了。
剩下的，就看上面的意思了。
于前沿科技领域持续突破，才是极光该做的事情。
此外，在金融领域，“联邦学习”同样能发挥重要作用。
传统信用评分模型，仅依赖银行内部数据，导致70%以上小微企业，因缺乏信贷记录被拒贷。
贷款坏账率，也始终居高不下。
而通过联邦学习框架，可整合多个银行交易数据，以及互联网电商消费数据、供应链上下游支付数据、企业纳税数据等等，生成更全面的企业信用画像，进而大幅降低坏账率。
其次，联邦学习可联合多家银行，分析跨境资金流动，大幅提升可疑交易识别准确率，强化反淘米监测。
其三，“联邦学习框架”，完美符合GDPR等法规，规定的跨境数据传输条款，可为跨国银行，省去大量合规开支。
初步测算，一家大型跨国银行，通过联邦学习框架，每年至少可省去，1.2亿美元左右的综合合规成本。
讲道理，极光从这笔省去的成本中，抽取5%的技术服务费，不算过分吧~
还有。
在车联网与自动驾驶领域，单车传感器数据，仅能覆盖周围500米范围，无法预判远距离路况。
而联邦学习，可整合多辆车的传感器数据，训练道路异常检测模型。
响应速度达毫秒级！
举个例子。
当某辆车，检测到“前方1公里有施工占道”，其加密后的“异常特征参数”，会实时上传至联邦平台。
平台聚合多车数据后，快速生成“施工路段预警模型”，分发给5公里范围内的其他车辆。
还可进一步融合，交通摄像头与车载传感器数据，优化信号灯配时，缩短城市通勤时间。
目前，极光的“智驾项目组”与“城市大脑项目组”，便在尝试整合该技术，用于自动驾驶车辆的“全局路况预判系统”，与城市智能交通的“动态管控平台”。
于能源与工业领域。
由于不同能源公司，多是使用私有协议，数据共享存在壁垒。