9月27日，2025网易未来大会在杭州举行，主题为“以智能·见未来”。本次大会由网易公司主办，杭州市经济和信息化局(杭州市数字经济局)、杭州市商务局、杭州高新技术产业开发区管委会指导。
本届大会将作为“第四届全球数字贸易博览会”的组成部分之一，聚焦人工智能各领域的发展，探索未来趋势。大会将由中国工程院院士潘云鹤等院士领衔，汇聚具身智能领域泰斗、顶尖AI创业先锋、知名投资人及产业翘楚。与会嘉宾将共同探讨大模型、具身智能、AI Agent等前沿技术突破与商业落地，在思想碰撞中捕捉全新的时代机遇。
在大会中，香港理工大学人工智能高等研究院院长、加拿大工程院及加拿大皇家科学院院士杨强发表了题目为《AI落地的数据难题与联邦大模型的解决方案》主题演讲。
杨强院士指出，AI的发展快速程度与硬件进步速度之间存在巨大鸿沟，而数据供给的增长速度远落后于AI对数据需求的爆炸式增长，这将导致AI发展遭遇瓶颈。而且人工智能落地过程中也面临诸多前所未有的挑战——数据隐私、安全与孤岛问题。
为此，杨强院士分享了一项研究成果：构建一个由云端通用大模型与本地垂域模型协同的架构。如何能利用这些本地的私域数据来赋能通用大模型，同时让通用大模型来指导本地推理和应用，能产生双向合作？
第一， 迁移学习可以让模型具有举一反三的能力。不仅可以做到领域的迁移，时间上也可以迁移，让昨天建立的模型，今天依然能完成任务；今天新建的模型可以回补昨天的模型。
第二，运用联邦学习技术。它不仅适用于终端设备间的协作（如手机、平板），更在企业间合作、金融风控、医疗分析等场景中具有广阔应用前景。同时，结合迁移学习与知识蒸馏，大模型可作为“教师”指导小模型提升性能，小模型也可将垂直领域知识反哺大模型，实现双向知识流动，提升整体智能水平。该技术允许多方在不共享原始数据的前提下协同训练模型，有效保障用户隐私与数据安全。
杨强院士强调，“联邦持续学习”可以解决模型在时间序列中出现的灾难性遗忘问题。后面学的可能会不小心会将前面学的抹掉，就像狗熊掰棒子一样，这种现象在大模型当中非常普遍。而这个问题的解法就是联邦持续学习。
杨强院士表示，一个大模型与众多小模型结合的结果是生成一些新智能体，这些智能体可以作为客服系统和个性化对话系统等，还可在TO B上做供应链、风险分析、工作流等。以上介绍的大小模型的协作、智能体工厂、联邦学习、持续学习已逐步形成软件与系统解决方案，并在产业实践中持续演进，使得我们能有一个更新的连接的分布式安全、可靠，并且保护隐私的架构出现。