麻省理工学院（MIT）的研究团队研发出一种新技术，能够将隐私保护型人工智能训练方法的速度提升约81%。这一突破有望让更多资源有限的边缘设备，如传感器和智能手表，能够在保障用户数据安全的前提下，运行更精准的AI模型。

该团队针对联邦学习（federated learning）技术进行了效率优化。联邦学习是一种通过连接多个设备协同训练共享AI模型的方法。在此过程中，中央服务器将模型发送至各无线设备，设备利用本地数据训练模型后，将更新结果传回服务器，数据始终保留在本地，确保隐私安全。

然而，网络中并非所有设备都具备足够的存储、计算能力和稳定的连接，无法及时完成模型的存储、训练和传输，导致训练延迟，影响整体性能。

为解决这些问题，MIT研究人员提出了一种名为FTTE（Federated Tiny Training Engine）的新框架，专门应对异构无线设备网络中存在的内存限制和通信瓶颈。

FTTE的核心创新包括：

1. 不再向所有设备广播完整模型，而是发送模型参数的子集，显著降低设备的内存需求。通过特殊搜索算法，选择在内存限制内能最大化模型准确性的参数集合。

2. 服务器采用半异步更新策略，不必等待所有设备的反馈，而是在收到一定数量的更新后即进行训练，减少等待时间。

   

3. 根据更新接收时间对设备反馈进行加权，较旧的更新权重较低，避免过时数据拖慢训练速度和降低准确率。

该方法旨在让算力较弱的设备也能参与训练，同时避免算力较强设备长时间空闲，提升整体资源利用效率。

在数百台异构设备的模拟测试中，FTTE使训练速度平均提升81%，设备内存占用降低80%，通信负载减少69%，且模型准确率接近传统方法。研究人员指出，虽然速度提升带来一定准确率的轻微下降，但在许多应用场景中这种权衡是可以接受的，尤其是在资源受限设备上节省电池寿命更为重要。

此外，FTTE在实际设备网络中也表现出良好的适应性和扩展性，特别适合发展中国家等使用较低端手机的用户群体。

未来，研究团队计划探索如何利用该方法提升每台设备上AI模型的个性化表现，并开展更大规模的真实硬件实验。

该研究部分由Takeda博士奖学金资助，成果将于IEEE国际神经网络联合会议上发布。