主講人：Andrew Feng（NVIDIA 美國總部副總經理）
次世代數位醫療辦公室 技術組廖柏鈞工程師節錄摘要
一、為什麼需要聯邦學習
在數據驅動 AI 發展的時代，如何兼顧模型訓練所需的龐大數據量與嚴格的隱私法規，成為全球模型開發者面臨的最大挑戰。NVIDIA 美國總部副總經理 Andrew Feng 在1/28 衛福部資訊處算力中心啟動大會的演講中，深入分享 NVIDIA 在 聯邦學習（Federated Learning） 領域的發展歷程，並分享 NVFLARE 聯邦學習平台如何協助醫療、金融與國家安全領域，在「數據不出戶」的前提下實現高效協作。
Andrew Feng 指出，數據是 AI 的基石，但在醫療與金融等高度監管的產業中，數據往往分散在各自的私有環境（Data Silos）中無法共享。NVIDIA 自 2019 年投入醫學影像切割的聯邦學習研究，核心使命即是「將分佈在各地的數據價值利用起來，同時嚴格保護數據隱私與合規性。」演講中回顧了 NVIDIA 聯邦學習技術的關鍵戰役。2020 年疫情爆發期間，NVIDIA 與麻省總醫院（Mass General Brigham）合作，針對 COVID-19 患者的氧氣需求預測開發 AI 模型。實驗結果顯示，全球 20 多家醫院（包含臺灣、英國等）透過聯邦學習訓練的模型，相較於僅用本地數據，平均精確度提升 18%，更重要的是模型的泛化能力（Generalizability）提升了 34%，證明了聯邦學習能有效提升模型在不同場域的適用性，此成果已發表於國際權威期刊《Nature Medicine》。
二、聯邦學習的應用案例
此外，Andrew Feng 也指出聯邦學習的應用已從醫療擴展至其他關鍵領域，例如醫療與藥物研發上聯邦學習協助藥廠（Lilly TuneLab & FAITE Consortium）與醫療機構（CAIA）在不交換敏感病患數據的情況下，共同實現藥物發現（Drug Discovery）與開發癌症研究模型。在金融服務上銀行間可透過聯邦學習共同訓練反詐欺（Fraud Detection）模型，在不洩露客戶個資的前提下強化防護網。在國家安全上美國能源部轄下實驗室利用此技術，在三家彼此隔離的環境中針對核能與能源數據進行聯邦學習訓練，確保機密資訊的安全。
三、NVIDIA聯邦學習技術
為了實現聯邦學習，NVIDIA 於 2021 年開源了 NVFLARE（NVIDIA Federated Learning Application Runtime Environment），致力於讓聯邦學習從學術研究走向落地應用。Andrew Feng 在演講強調了最新的安全技術整合，包括支援同態加密（Homomorphic Encryption）與差分隱私（Differential Privacy）的隱私保護技術以及結合 NVIDIA Hopper 架構 GPU的機密運算（Confidential Computing），不僅保護數據，更保護模型本身的知識產權（IP）。這確保了模型在參與方進行訓練時，權重與結構不會被竊取，解決開發者對於高價值模型外洩的擔憂。
四、總結
最後，Andrew Feng 總結道：「聯邦學習已經從學術研究成功著陸至實際應用。」NVIDIA 將持續改良 NVFLARE 平台，為開發者提供一個安全、靈活且高效的架構，賦與各產業在保護隱私的同時，釋放數據的無限潛能