2026 年 10 月 2 日，Google Research 喺官方部落格發表文章，由 Software Engineer Katharine Daly 同 Research Director Daniel Ramage 執筆，宣佈新一代聯邦學習（Federated Learning，FL，一種喺分散式私有數據上訓練模型嘅技術）系統。呢個新系統用 TEE（Trusted Execution Environment，可信執行環境）提供「完全可驗證、可審計」嘅數據匿名化保證，同時將計算搬去伺服器，以改善訓練速度、準確度同裝置覆蓋。
回溯嚇，Google 喺 2017 年引入 FL，而家已用於 Gboard 嘅輸入預測（next-word prediction）同 Smart Compose、Google Messages 嘅回覆建議，以及 Android 嘅 Smart Text Selection。佢哋話 FL 系統發展有四個私隱原則：數據最小化、數據匿名化、透明同控制、可驗證同可審計。經多年研究，Google 藉 MF-DP-FTRL 同搭配 Secure Aggregation 嘅分佈式差分私隱（differential privacy，DP，一種透過加入統計噪聲令數據匿名化嘅技術）等算法，為生產模型提供強 DP 保障。
新系統嘅賣點，係將舊版無辦法解決嘅「信任伺服器」問題搬到硬件層。舊嘅 FL 系統將裝置數據上載後即時聚合，外部觀察者冇辦法驗證數據有冇被記錄或檢視；後嚟嘅 Secure Aggregation 提供加密保護，但同最先進嘅中央差分私隱保證不相容。新系統話係喺「完全移除對伺服器營運商嘅信任需要」嘅方向上嘅下一個里程碑。
根據 Google 嘅描述，喺新系統入面，只有 metrics（指標）同加了差分私隱嘅模型權重對 workload 營運者可見；由裝置收集嘅加密訓練數據，只可喺運行特定 Python 訓練程式、且受存取政策約束嘅 TEE 內解鎖同處理，而且僅限於有限時間內。TEE 入面運行嘅邏輯可被遠端認證（即第三方可以驗證執行緊嘅邏輯），同時具有保密性（內部狀態唔可被觀察）同完整性（邏輯唔可被破壞），但 Google 特別註明呢啲特性受當代 TEE 技術限制所約束。
2025 年，Google 提出演進後嘅 FL 定義：多個實體（客户端）喺服務供應商協調下協作解決機器學習問題；完整 FL 系統應令客户端保留對自身數據、獲准存取該數據嘅工作負載及其匿名化性質嘅完全控制，並為用户提供適當嘅透明度同控制。Gboard 已採用呢個新系統，Google 稱計算時間比舊 FL 系統「顯著加快」。
模姐驗嚇貨
呢個係廠商自行聲稱，Google 嘅官方部落格，並非第三方獨立驗證。佢話「完全移除對伺服器嘅信任」，但同時認低「受當代 TEE 技術限制所約束」——即係話呢個「可驗證」係有邊界嘅，唔係無條件。對用户而話，重點唔係聽佢話「數據睇唔到」，而係「邊個可以獨立證實佢睇唔到」——呢個「可驗證」嘅主體同流程，目前仲係個黑箱。
模姐｜深度調教
