2026年，中国银行业协会的一项调查显示，超过60%的银行已经或正在部署联邦学习项目。这些项目的目标很明确：在不共享客户数据的前提下，联合多家银行的风控数据，训练更强大的信用评估模型。

但实际情况是，大多数银行在联邦学习上的ROI（投资回报率）远低于预期。多个内部消息源告诉我，某大型银行在2024-2026年间投入了约3000万元建设联邦学习平台，但最终训练出的联邦模型，在AUC（信用评分模型的核心指标）上仅比银行自己单独训练的模型提升了2个百分点。而银行内部的风控团队原本预计的AUC提升是5-8个百分点。

联邦学习在金融场景的落地，正在经历一场「幻觉破灭」。

非IID数据的「诅咒」

联邦学习在金融场景最大的挑战，不是技术，而是数据。

联邦学习理论假设数据是「IID」的——独立同分布。但在金融场景中，数据远远不是IID的。A银行的客户主要是大型企业，B银行的客户主要是中小企业，C银行的客户主要是个人消费者。这三家银行的客户群体完全不同，数据分布也完全不同。

当数据是非IID时，联邦学习中的模型聚合会变得非常困难。A银行的模型更新，可能和B银行的模型更新「方向相反」——A银行的数据告诉模型「大企业客户风险低」，B银行的数据告诉模型「中小企业客户风险高」。如果简单地把这些更新「平均」起来，得到的模型可能对两家银行都不好。

2026年的联邦学习研究提出了一些解决非IID问题的方法，如FedProx、SCAFFOLD、FedNova等。但这些方法只能「缓解」非IID问题，不能「解决」非IID问题。非IID不是联邦学习的「bug」，而是联邦学习的「现实」。

标注标准不一致的「暗坑」

金融联邦学习的另一个大坑是标注标准不一致。

在信用评估中，A银行可能将「逾期30天」定义为「违约」，B银行可能将「逾期90天」定义为「违约」。A银行可能将「信用卡逾期」纳入违约定义，B银行可能不纳入。这些标注标准的差异，会导致联邦模型学习到「错误」的关联。

更糟糕的是，标注标准的差异往往不在项目文档中。在联邦学习启动时，参与方通常只共享「模型架构」和「超参数」，而不共享「标注标准」。这导致了一个「知识盲区」——各方都以为对方的标准和自己一样，但实际上不一样。

联邦学习不是「数据不出域，模型就万能」。 数据不出域的同时，标注标准的不一致也被「隐藏」了。而这个问题，在集中式训练中是不存在的——因为集中式训练的数据由一个人标注，标准是统一的。

参与方利益不对等的「困境」

联邦学习在金融场景还有一个「非技术」的挑战：参与方利益不对等。

大型银行拥有海量数据，它们自己训练的风控模型已经很好。联邦学习对它们来说，增益有限。小型银行数据量少，联邦学习对它们的增益很大。但大型银行没有动力参与联邦学习，因为它们「付出」了数据（以模型更新的形式），但「回报」有限。

这是一个典型的「激励机制」问题。联邦学习需要设计一套「利益分配」机制，让数据贡献大的参与方获得更多的回报。2026年，一些联邦学习平台（如FATE、WeBank的联邦学习平台）开始引入「贡献度量化」和「联邦激励」机制，但这些机制仍处于早期阶段。

联邦学习不是「技术问题」，而是「博弈问题」。 技术可以让联邦学习「可行」，但只有利益分配机制才能让联邦学习「可持续」。

银行联邦学习的「正确打开方式」

尽管有这些挑战，联邦学习在金融场景仍然有价值。只是需要更「务实」的期待。

第一，联邦学习不是「AI升级」，而是「数据协作」。 联邦学习的价值，不是训练一个「更好的模型」，而是「在合规的前提下，获得更多的数据信号」。如果你的单家银行数据已经足够好，联邦学习的增益是有限的。

第二，联邦学习最适合「互补数据」的场景。 如果A银行擅长企业信贷，B银行擅长个人信贷，联合训练可以同时提升两方面的能力。如果A银行和B银行的数据完全重叠，联邦学习的增益接近于零。

第三，联邦学习需要「生态」而非「项目」。 联邦学习不是「一次性」的项目，而是需要长期维护的「生态」。参与方需要持续投入，持续优化，持续协调。如果把它当成一个「半年交付」的项目，你一定会失望。

联邦学习在金融场景的落地，需要的不是「更多的技术」，而是「更务实的期待」。