DIGITIMES Research观察，联合学习(Federated Learning；FL)技术兴起，以分散式运算架构，强调由用户参与AI模型训练且不需上传数据，可望解决数据隐私问题。随数据安全重要性攀升，Google提出FL技术，并应用于移動設備已有成效，NVIDIA及中国大陆业者亦竞相推出FL开发平臺，协助企业用户发展FL应用。 尽管FL应用发展仍须克服不少现实挑战，但由用户共同参与而提升AI模型品质，有望同时解决数据隐私及AI训练所需庞大数据的问题，以加快产业智能化进展。
近来数据隐私安全意识高涨，世界各国纷纷制定严格的隐私规范，使得企业在取得发展AI所需数据时更加困难。Google提出FL方法，采分散式(decentralized)架构设计，让用户不需将数据集中传送到特定服務器中进行模型训练，而利用本地数据在用户端进行AI模型训练后上传，与其他用户共享模型训练成果，其共享模型而不需共享数据、共同优化AI模型成果的特性，引起产业关注。
FL架构最早是由Google AI研究人员于2015年底提出，2018年个资法通用数据保护条例(General Data Protection Regulation；GDPR)施行后，促使科技大厂跟进发表能确保用户数据隐私的FL应用发展。Google将FL技术应用于移動設備上的字词预测App─Gboard，并与Facebook先后开源TensorFlow Federated (TFF)及PySyft FL框架，NVIDIA亦发表医疗及自驾车应用的FL开发资源，以协助企业加速导入能保护用户隐私的FL应用。中国近年积极订定数据隐私规范，使中国AI业者亦竞相推出能解决数据隐私疑虑的FL应用方案，后续落地情形待观察。不少新创业者也积极参与FL方案的开发，甚至成为大厂购并标的。
DIGITIMES Research认为，数据隐私重要性不断攀升而催生共享模型的FL技术发展，Google积极推动并大量应用于移動設備，而FL方案受限主从式(client-server model)架构、用户端数据型态差异大等因素，成企业发展FL应用需克服的挑战。但随FL分散式架构兴起，用户端装置将分担更多AI运算任务，可望加速AIoT发展，而透过用户参与共同优化AI模型，也将加速AI产业发展进程。
