存储在线为什么鸭子能够浮在水面上？通常我们看到的是鸭子的悠闲自得，但看不到的是水面下脚蹼的忙碌。如今银行的数据创新也是如此，很多时候，我们看不到银行基于数据在反欺诈、反洗钱、信贷风险评估等数据应用上做出的努力。知情人透露，如今银行数据应用水平还是非常高的。每家银行都基于自己的数据进行判断和分析，有没有可能集合所有这些数据，进行全量分析呢？如果可以实现，相信银行的数据应用水平会再上一个台阶。
但是涉及数据隐私和安全的问题，各家银行之间的数据壁垒很难被打破。但是一种被称为联邦学习的技术，能够让这个愿望能够得到实现。日前VMware 中国研发中心技术总监张海宁和VMware 中国研发中心边缘计算实验室主任路广接受记者采访，谈到了FATE和Deep Cooling，给金融等行业用户数据应用带来了新的思路。
首先是FATE，它是全球首个联邦学习（Federated Learning）开源社区。VMware作为FATE开源项目技术委员会、运营委员会主要成员，积极参与社区建设，是开源项目的主要贡献者。在国内，VMware 与星云 Clustar合作，以 VCF（VMware Cloud Foundation）为基础设施平台，对提供FATE 联邦学习框架结合星云 Clustar 自研网络加速技术的联邦学习解决方案，为金融等行业用户的数据创新应用提供服务。
联邦学习是一种分布式机器学习技术 ，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡，即“数据可用不可见”、“数据不动模型动”的应用新范式。
“作为一种开源联邦学习的解决方案，FATE更容易被接受。以银行为例，‘数据不动’在保护数据安全和隐私的同时，共享数据分析的结果，而开源数据模型，也更能够增强参与方互信，让参与方在同一个维度空间增加交流与互动。” 张海宁说。
如今，新的基于VCF提供的统一跨多云环境运行和管理的FATE联邦学习平台，已具备“一站式”交付能力，尤其专注金融领域解决数据安全与保障数据合规流通问题，可部署在联邦学习中各参与方，统一进行联邦学习任务的全生命周期管理，可帮助参与各方实现联邦数据建模以及数据管理等一系列功能。也可以通过人民银行牵头，提升国内银行反欺诈、反洗钱、信贷风险评估等数据应用的水平。
万事俱备，只欠用户应用的东风。
Deep Cooling是 VMware、英特尔和云创远景（Quarkdata）联合推出的深度制冷解决方案，可以用于实时碳中和的计算，VMware是一家经过认证的碳中和公司，意味着Deep Cooling的计算结果，可以作为碳中和、碳评估的依据。
Deep Cooling支持基于深度机器学习的热仿真模型，并基于仿真结果对数据中心空调和水冷参数进行调节，从而达到节能的效果。Deep Cooling可将节能折合为碳排放指标，从而让数据中心碳中和变得可以衡量。从可再生能源中获得100％电力也是数据中心控制碳排放指标的手段之一。
VMware承诺2030年实现净零排放的目标，而Deep Cooling显然为此铺平了道路，也为金融等行业用户提供了可资借鉴的方法和经验。