6G使用相較5G更高的頻率、更短的波長，將有望使定位精確度提升至公分等級。來自新加坡、澳洲、中國的專家團隊正致力於找出使機器學習（Machine Learning, ML）在6G高速無線網路環境中更為可行的方式，並表示聯合學習（Federated Learning, FL）的新興分散式AI，具有保護隱私的特性，有助於實現6G環境下無所不在的AI。
傳統機器學習依賴中央伺服器，安全方面容易受到挑戰，如單點故障（Single Point Of Failure, SPOF），且集中式數據聚合與處理所費不貲。但聯合學習具有分散式與隱私兩種特性，因此更適合對安全性和隱私要求更高的6G通訊。
以聯合學習架構為基礎的訓練流程分為3階段：
- 初始化階段―此時裝置將評估服務需求，決定是否向最近的雲端登錄並透過6G網路訓練ML模型，而雲端亦會向設備發送初始化或預訓練（Pre-trained）的全域模型。
- 訓練階段―設備將使用本地數據開始訓練全局模型，並在每次迭代（Iteration）中更新該本地端的全域模型。
- 聚合階段―雲端將接收所有裝置的模型更新，進行聚合並將新的全域模型用於下一次迭代。
但聯合學習實施不易也存在某些挑戰，包括：
- 昂貴的通訊需求：聯合學習模型訓練過程將涉及上千個裝置，因此通訊將是聯合學習於6G廣泛使用的關鍵瓶頸。
- 安全與隱私：網路中每臺裝置的性能因其不同的硬體（如CPU或GPU）、網路連結（如4G、5G、6G或Wi-Fi）和能源（如電池電量）而異，前述異質性將導致聯合學習（FL）模型與6G網路的缺陷。
