在具體業(yè)務(wù)場景中應(yīng)用大模型時，模型微調(diào)是關(guān)鍵步驟。然而，傳統(tǒng)微調(diào)方法面臨兩難：將數(shù)據(jù)上傳給模型方，可能會引發(fā)數(shù)據(jù)隱私和安全風(fēng)險；而將完整模型交給數(shù)據(jù)方則可能會導(dǎo)致模型知識產(chǎn)權(quán)泄漏，并增加微調(diào)模型遭受攻擊的風(fēng)險。

近日，在全球人工智能頂級學(xué)術(shù)會議AAAI 2025期間，由螞蟻數(shù)科、浙江大學(xué)、利物浦大學(xué)和華東師范大學(xué)聯(lián)合團(tuán)隊提出了一種創(chuàng)新的跨域微調(diào)（offsite-tuning）框架——ScaleOT，該框架可實現(xiàn)在模型性能無損的前提下，將隱私保護(hù)效果提升50%。與知識蒸餾技術(shù)相比，Scale OT顯著降低了90%的算力消耗，為百億級參數(shù)模型的跨域微調(diào)提供了一種高效、輕量化的解決方案。這篇論文以其創(chuàng)新性入選了全球AI頂會AAAI的oral論文。據(jù)了解，本屆AAAI大會共收到近13000篇論文，被選中做口頭報告的論文比例僅4.6%。

為同時保護(hù)模型產(chǎn)權(quán)與數(shù)據(jù)隱私，目前業(yè)內(nèi)采用的主流方案是"跨域微調(diào)"?？缬蛭⒄{(diào)是一種大模型隱私保護(hù)訓(xùn)練方法，它通過有損壓縮技術(shù)將大模型轉(zhuǎn)換為仿真器(Emulator)，數(shù)據(jù)持有方基于仿真器訓(xùn)練適配器（Adapter)并返回給大模型，從而完成調(diào)優(yōu)。在此過程中，由于數(shù)據(jù)和模型均未出域，該方法同時保護(hù)了模型方與數(shù)據(jù)方的隱私。然而跨域微調(diào)往往需要犧牲模型的性能或者付出高昂算力成本。

當(dāng)前主流的跨域微調(diào)方法存在顯著局限性：其一，其“均勻抽積木”式的處理方式容易造成模型關(guān)鍵層的缺失，從而導(dǎo)致模型性能顯著下降；其二，若采用蒸餾技術(shù)來彌補(bǔ)性能損失，計算成本幾乎與重新訓(xùn)練一個中型模型相當(dāng)。此外，現(xiàn)有方法在隱私保護(hù)方面缺乏靈活性，難以根據(jù)不同場景需求動態(tài)調(diào)整隱私保護(hù)強(qiáng)度。

據(jù)螞蟻數(shù)科技術(shù)團(tuán)隊介紹，ScaleOT提出了三大創(chuàng)新思路，有效地實現(xiàn)了在模型性能與隱私安全之間的平衡。首先是對大模型智能層的重要性進(jìn)行評估，用強(qiáng)化學(xué)習(xí)給大模型做掃描，自動識別哪些層對當(dāng)前任務(wù)最關(guān)鍵，動態(tài)保留模型“核心層”，有效降低模型性能損耗。其次，對保留的模型原始層做“打碼”，讓攻擊者無法通過中間層復(fù)原原始模型，可以在性能幾乎無損的情況下，顯著提升隱私保護(hù)強(qiáng)度。最后，該框架還可以根據(jù)不同場景需求進(jìn)行靈活組裝，實現(xiàn)隱私強(qiáng)度可調(diào)節(jié)。

解決數(shù)據(jù)和模型的隱私安全問題，是大模型在產(chǎn)業(yè)界尤其是金融行業(yè)落地的重要課題。螞蟻數(shù)科技術(shù)團(tuán)隊這一創(chuàng)新的大模型隱私微調(diào)算法，為大模型隱私保護(hù)提供了新穎的思路與解決方案。目前，該算法已經(jīng)融入螞蟻數(shù)科旗下的摩斯大模型隱私保護(hù)產(chǎn)品中，并已成為國內(nèi)首批通過信通院大模型可信執(zhí)行環(huán)境產(chǎn)品專項測試的產(chǎn)品之一。