联邦学习与数据回流

定义

联邦学习让多方在各自数据不出本地的前提下联合训练模型；"数据回流"指实验结果经协议回到平台或模型方，换取模型使用权或定价优惠。两者是药企私有数据难以汇集时的折中。

证据

• MELLODDY：2019–2022 年 10 家药企联邦学习。
• Lilly TuneLab：参与者共享模型更新而非原始数据，Revvity 运营，已有 75+ 参与公司；数据伙伴 Twist、Axcelead、BigHat 已证实，数据回流换模型访问与"优先定价"。
• Apheris 联邦微调 OpenFold / OpenFold3：AbbVie、Astex、BMS、J&J、Takeda 各贡献数千个蛋白-小分子结构，10 周完成（公司口径），二手汇总称总计 >20,000 条。
• Antibody Developability Consortium（AbDev）：Ginkgo 中心数据 + 成员联邦数据。

争议

• "完全所有权与控制"仅对联邦计算基础设施成立，训练出的模型权属条款未公开 数据所有权条款。
• 企业客户通常不放行跨客户使用（公开资料观点，⚠️ 未核）。
• 阴性数据能否进入联邦池决定闭环价值，见 阴性数据。
• 公开出资买训练数据的先例稀少，联邦路径更像"以权益换数据"。

来源

1. Lilly TuneLab 新闻稿与站内 machine-orderable-window 页
2. Ginkgo/Apheris 联合新闻稿 2025-09-04 (2026-10-15)