GDPR、CCPA 和 HIPAA 等数据隐私法规，对使用财务交易、患者健康记录及用户设备日志等敏感数据训练 AI 系统构成挑战。历史数据虽是“教导”AI 识别模式与预测的关键，但在不泄露个人身份前提下使用这些数据存在技术障碍。
近年来，联邦学习成为日益流行的解决方案。该技术通过在持有数据的多个设备或服务器上训练系统且无需交换数据，使协作方能在不共享数据的情况下构建共同系统。例如，英特尔与宾夕法尼亚大学医学院合作开发了脑肿瘤分类系统；诺华、默克等大型药企也构建了联邦学习平台以加速药物发现。
DynamoFL：以高性能挑战行业巨头
尽管英伟达（Clara）等科技巨头已提供联邦学习即服务，但新创公司 DynamoFL 希望凭借专注于性能且不牺牲隐私的平台挑战这些巨头。
DynamoFL 由两名麻省理工学院电气工程和计算机科学博士 Christian Lau 和 Vaikkunth Mugunthan 创立，两人过去五年致力于隐私保护机器学习和硬件研究。CEO Mugunthan 表示：“在 GDPR 和 CCPA 等新兴隐私法规背景下，我们收到大量来自领先金融和科技公司组建内部联邦学习团队的邀请，发现了巨大市场缺口。鉴于这些组织内部建设困难，我们创建了 DynamoFL 以填补空白。”
目前，DynamoFL 在汽车、物联网和金融领域拥有主要客户，正处于上市策略早期阶段（现有4名员工，计划年底前招聘至10人）。公司专注于完善新颖 AI 技术以提升系统性能并应对攻击漏洞，例如检测用于训练数据的“成员推断”攻击。
个性化技术与成本优势
Mugunthan 指出：“我们的个性化联邦学习技术使团队能微调模型，改善特定群体表现，提高了高管部署机器学习模型的信心。这也使我们区别于 Devron、Rhino Health、Owkin、NimbleEdge 和 FedML 等传统竞争对手。”
此外，DynamoFL 宣称其平台比同类隐私保护 AI 方案更具成本效益。由于无需在中央服务器大规模收集数据，客户仅需发送小型增量文件而非 PB 级原始数据，从而降低了传输和计算成本，同时也消除了单点存储大量数据带来的泄露风险。
Mugunthan 强调：“差分隐私和联邦学习等技术长期受困于‘隐私与性能’权衡，即强隐私保护往往导致准确率下降。DynamoFL 的个性化解决方案解决了这一阻碍机器学习采纳的关键瓶颈。”
融资进展与人才机遇
近期，DynamoFL 完成 415 万美元种子轮融资（估值 3500 万美元），Y Combinator、Global Founders Capital 和 Basis Set 参与投资。作为 YC 2022 冬季批次成员，资金将主要用于招聘产品经理，推动技术向用户友好型产品转化。
Mugunthan 表示：“疫情凸显了迅速利用多样化数据应对医疗危机的重要性，同时需保护患者隐私。我们已做好应对科技行业放缓的准备，目前拥有三到四年资金跑道。大科技公司招聘放缓反而为我们聘请顶尖联邦学习和机器学习人才提供了机会。”