全球数字经济持续发展，数据作为关键生产要素，在经济和战略层面的价值不断显现。但数据隐私保护与信息安全方面的难题逐步增多，跨主体的数据协同存在各类壁垒，阻碍数据要素价值有效释放。
基于上述背景，国际组织 IEEE（电气电子工程师学会）对外发布业内首个融合联邦学习与区块链技术的规范 IEEE P3127《基于区块链的联邦机器学习架构框架》。该标准的编制工作由同盾科技牵头，亚信科技、清华大学、中国电信、中国移动、北京邮电大学、之江实验室等十余家企业和高校共同参与。
IEEE P3127 国际标准封面
IEEE P3127标准为基于区块链的联邦学习提供了统一的架构指导，显著提升了多方联合建模的安全性、可追溯性与隐私保护能力。通过构建去中心化框架，可以让数据所有者、生产者、消费者和协作者在安全可靠的环境中实现多方安全计算。同时，基于区块链的联邦机器学习具备身份认证、证据留存等能力，能够进一步确保合作的可信度与安全性，有助于促进数据资产共享，加快模型训练速度。
该标准为跨机构协作过程中的数据共享与模型优化提供了新的技术路径，有效破解了“数据孤岛”与“信任缺失”等难题，推动了人工智能与区块链技术的深度融合。其应用场景广泛覆盖政务、金融、医疗、工业制造等多个领域，为各行业在数据驱动发展的道路上提供有力的技术支撑，也促进了AI技术在垂直行业的标准化与规模化应用。
IEEE P3127 国际标准参编单位
作为该标准的核心参编单位之一，同时也是国内最早布局隐私计算领域的科技企业，同盾科技多年来坚持自主创新与技术开源开放，多项算法和软件系统已达全球领先水平。在联邦学习的基础上，同盾提出了国内首创、国际领先的“知识联邦”理论框架体系，致力于在数据安全的前提下实现知识的提炼与共享，赋能基于数据驱动的公共服务、商业活动与学术研究，充分发挥数据要素的叠加倍增效应。
针对数据割裂、数据孤岛等行业痛点，同盾还自主打造了一套标准化联邦协议——数据安全交换协议（Federated Learning EXchange，简称FLEX），并在2020年12月通过GitHub平台的“iBond-flex”项目面向全球开源。作为国内首个可以跨平台、跨框架，打破数据孤岛和系统孤岛的协议，FLEX协议能够实现不同框架、不同平台之间的互联互通，有效推动知识联邦生态从“单兵作战”向规模化协作演进，同时也为知识联邦生态提供了安全、高效、易用的可信基础设施。
同盾深谙规范化、标准化对于推动行业生态良性发展的重要意义。在标准制定过程中，同盾积极分享了其在隐私计算和联邦学习领域的技术理论与业务实践，旨在将自身经验融入标准框架，加快推动联邦学习技术在细分场景的落地应用。
截至目前，同盾已累计申请有效发明专利超450件，主导并参与了9项国际标准以及60余项国家、行业和团体标准的研制和修订工作，获得业界的高度认可和肯定。
立足长远发展，同盾科技将持续深耕人工智能领域，不断推进核心技术的迭代研发与场景化落地应用。公司将主动投身行业规范体系与标准化体系的搭建完善工作，联动产业链上下游各类合作伙伴，凝聚产业合力，助力前沿科技持续迭代升级、助推产业生态提质完善。未来，同盾也将持续输出科技能力，助力各行业迈向智能化、安全化、规范化的高质量发展路径，切实挖掘并释放数据要素的核心价值。
A5创业网 版权所有