11月5日下午，由隐语开源社区发起，隐私计算联盟开源工作组、DataFun社区联合举办的「隐语开源社区Meetup·北京站」首次与开发者们来了个线下零距离！
活动当日现场交流氛围积极活跃，我们收到不少来自线上及线下的提问，由于时间关系未能一一解答，现将精选提问及对应解答分享给大家～小伙伴们还可以在本次头条文章中观看现场回放哟～（后续还会推送文字分享内容方便大家查阅，持续关注小剧场吧）
提问1：使用pytoch中网络结构可直接导入包吗？隐语：隐语的明文设备 PYU 是一个标准的 python 环境，可以直接使用 pytorch 从零开始实现自己的算法和模型。其次隐语内置的水平联邦算法（FLModel）已经支持 pytorch 后端，可以直接训练 pytorch 模型。 提问2：自定义协议可以接入隐语吗？ 隐语：可以。隐语SPU的主要目标之一就是支持协议扩展，所以SPU向下层提供了开放的协议扩展接口，用户仅仅需要在密码学环或者域上实现基础的算数和布尔操作，SPU就可以将复杂的机器学习任务翻译到协议层上。提问3：关于企业能力建设的建议，包含在业务应用中，建议建设哪层的互联互通，是能够快速验证收益，并方便后续迭代的？ 袁博：互联互通是当前隐私计算的三大问题之一，并且也是现在还可以着手解决的一个问题。我们去看互联互通的时候，假设每一个应用方它能部署的隐私计算平台是有限的。经过我们测试，现在有近百家的一个企业，或者是几十家企业都有隐私计算的能力，所以我们觉得很有必要现在去推动互联互通。 概念层面我们做了互联互通标准，分4个部分。目前只是在行业层面形成了关于互联互通的一个框架，从最下边的通信层到协议层，然后到应用层的整体框架，目前我们仅仅是把互联互通应该怎么去对齐这个框架形成了一个行业标准，下一步是要对它的通信层盗取选取哪一些，以及对于协议层怎么对齐，以及应用层怎么对齐，是未来互联互通关注的问题。行业现阶段只是把这个框架大致对齐了，至于说我们下一步可能现在的实践是点状的，可能就是比如说两家、三家的这种点状散点的互联，并且也不是特别多，在未来的企业建设里面，我们觉得这个也是值得去注意的。 除了刚才说的那几个层，互通的方式也有很多种。可能我们去做这种互联互通的时候，一开始我们会去做把它的管理面或者它这种调度层或者这种框架比如说我们把它打开，打开之后，因为我们最原始不互联互通，两方布的都是隐语，这样的话我直接就互通了，现在我们要异构，异构可以一层一层的打开，比如说先打开一层它的这种管理面，打开一层框架，这时候比如说两边可以用不同的管理面去做了。但是这时候需要对管理面进行一个规范。 第二个我们再深一步再打开一腾，把算法层打开，这时候我们就能把算法层也能多用自己的算法引擎了，凡是打开一层需要进行一层规范大概是这样的，从两面开始是一样的，打开一层规范一层去异构层，慢慢去完成互联互通，大概是会有这么一个思路的建设，但是当前的行业上还是处在我们现在的一个标准规范阶段和一个试点阶段。 提问4：隐语研究了不少PSI的实现，PIR的有点少，在PIR方面后续有什么计划？隐语：PIR和PSI在技术上有很多共同的地方，目前PSI在行业应用中相对多一点，甚至在有的场景下一个PSI就能搞定需求。隐语现在已经在逐步提供PIR的能力，这也基于行业对PIR的诉求。当然如果有同学对PIR有一些想法，完全可以自己去实现。 提问5：在最后的一个演讲中，所有角色都注册在一个ray集群里面，在实际生产中如果有两个head，是可以互通的吗？隐语：用一个ray集群来部署的方式主要用于研究或者是一些实验，其实我们会有一个多控制器的模式，这种模式我们会让每一个参与方部署一套独立的ray集群，各个参与方会独立的去跑各自的代码然后来做一些类似于P2P的模式，这种模式就是多个ray集群的。提问6：PYU\HEU\SPU这些计算单元unit，在隐私计算领域中这些似乎不是硬件上的概念，想了解一下这个设计的想法和思路。 隐语：我们平常见到的CPU或者GPU，它其实都是一个硬件的概念，为什么隐私计算或者框架要以SPU的角度去结合呢，我理解有两个原因，第一个原因就是说方便大家理解，首先隐私计算有很多技术路线，那其实前面讲的，如果你SPU你用MPC的方式去做，MPC的方式来说需要多个参与方来进行抽象。但是我们希望对上层协议应用来说还是以一个precession unit的概念，这里就是说一个除了抽象简单，另外一个比较大的优势你是有机会复用一些已有的应用的，因为像一些比较复杂的，比如说AI框架它其实可能google把所有框架跑到TPU上面做一些桥接和抽象，简单来说就是两个原因，一个是方便你去理解这么一个单元，第二个可能是说会有一些复用业务工作的机会。 提问7：对于拆分学习这种模型结构有没有具体的实现或规划？ 隐语：其实现在隐语框架里面已经有一个拆分学习的框架（SLModel），拆分学习目前支持DNN、和部分 GNN，后面有更多模型我们都在去设计拆分学习的方式，然后包括拆分学习里面通信的优化我们都也是在研究中的，后续大家有什么新的，有一些点可以贡献进来的话，其实也可以进来共建的。
