2021年到2023年，联邦学习是隐私计算创业最热门的赛道。全球超过50家联邦学习创业公司获得了融资，总融资额超过20亿美元。Truata、Apheris、FedML、Sherpa.ai、Owkin——这些名字曾经是创投圈的「明星」。
到了2026年，这些明星中的大多数已经陨落。根据CB Insights的数据，2021-2023年获得融资的联邦学习创业公司中，超过90%已经倒闭、被收购（价值大幅缩水）或转型（不再主打联邦学习）。
联邦学习创业公司，正在成为隐私计算赛道的「死亡名单」。
失败原因一：市场太小，而且没有变大
联邦学习创业公司失败的第一个原因，也是最根本的原因：联邦学习的市场远比投资人想象的小。
联邦学习的核心价值主张是「在不共享数据的前提下联合训练AI模型」。这个价值主张听起来很强大，但它在现实中只适用于一个非常狭窄的场景：多个机构拥有「互补」的数据，且这些数据「不能」被集中，且这些机构「愿意」合作。
这个场景的一个典型例子是「多家医院联合训练一个疾病诊断模型」。但即使在这个「理想」场景中，联邦学习的部署也面临巨大的非技术挑战：数据标注标准不一致、医院的IT基础设施不同、医院之间的利益分配不明确。
大多数联邦学习创业公司发现，它们的目标客户（银行、医院、政府机构）对联邦学习「感兴趣」，但不愿意「付费」。联邦学习是一个「nice to have」，而不是「must have」。在预算紧张的时候，联邦学习是第一个被砍掉的。
联邦学习不是「没有市场」，而是「市场比想象的小得多」。
失败原因二：技术门槛不够高，大厂轻松碾压
联邦学习的技术门槛，在2026年已经不再是一个「护城河」。
Google开源了TensorFlow Federated，Intel开源了OpenFL，微众银行开源了FATE，Flower社区开源了Flower。联邦学习的基础技术已经「开源化」和「标准化」了。任何有ML工程师团队的公司，都可以基于这些开源框架搭建自己的联邦学习系统。
联邦学习创业公司试图通过「增值服务」来差异化——如更好的可视化、更好的隐私保护、更好的自动调参。但这些增值服务的价值，不足以让客户从「免费的开源方案」转向「付费的商业方案」。
更糟糕的是，云厂商（AWS、Azure、Google Cloud）在2024-2026年间都在自己的平台上加入了联邦学习功能。当客户可以使用AWS的联邦学习（和现有的AWS基础设施无缝集成）时，他们为什么要花钱买一个创业公司的联邦学习产品？
联邦学习创业公司不是在和「其他创业公司」竞争，而是在和「大厂的免费开源产品」竞争。
失败原因三：商业模式不清晰，「卖铲子」还是「挖金子」
联邦学习创业公司面临一个根本性的商业模式问题：你是「卖铲子」（提供联邦学习平台），还是「挖金子」（用联邦学习提供数据服务）？
「卖铲子」模式（如FedML、Apheris）的问题是：铲子可以免费从开源社区获得，客户为什么要花钱买？而且，大厂也在卖铲子，而且铲子质量更好、价格更低（甚至免费）。
「挖金子」模式（如Owkin、Truata）的问题是：你需要自己拥有数据，然后通过联邦学习来「联合」别人的数据。但「拥有数据」本身就很难——你需要和医疗机构、金融机构签署数据合作协议，这需要数年的BD和合规工作。而且，即使你有了数据，你通过联邦学习训练出的模型，能赚多少钱？医疗AI模型的商业化，在2026年仍然困难重重。
联邦学习创业公司的问题，不是「技术不好」，而是「商业模式不成立」。
活下来的联邦学习创业公司做了什么
少数活下来的联邦学习创业公司，有一些共同特征。
第一，它们不主打「联邦学习」。 它们主打「隐私计算」或「数据协作」或「AI安全」，联邦学习只是它们技术栈中的一部分。Sherpa.ai主打「隐私保护的AI平台」，Owkin主打「联邦学习驱动的药物发现」，FedML主打「MLOps+联邦学习」。没有一个活下来的公司是「纯联邦学习」公司。
第二，它们有「独占」的数据资源。 Owkin获得了欧洲多家顶级医院的独家数据合作，这形成了它的护城河。Sherpa.ai获得了西班牙电信的数据合作。没有独占数据，联邦学习创业公司就是「没有武器的战士」。
第三，它们找到了「付费」的行业。 联邦学习在「合规驱动」的行业最有价值——医疗（HIPAA）、金融（GDPR、监管要求）、政府（数据安全法）。这些行业「必须」使用隐私保护技术，因此「愿意付费」。联邦学习在「非合规」的行业（如电商、社交媒体）几乎没有付费意愿。
联邦学习创业公司的失败，是「技术推动」vs「市场拉动」的经典案例。 技术团队认为「联邦学习很酷，应该有人用」。但市场说：「我为什么要用？我为什么要付费？」能回答这两个问题的创业公司，才能活下来。