衛福部正式啟動高算力中心暨跨國聯邦學習平臺，要解決公雲的合規局限

圖片來源:

攝影／王若樸

衛福部今（28日）正式啟動高算力中心暨跨國聯邦學習平臺，除了回應行政院提出的AI新十大建設，也希望解決醫療體系在使用商用公雲時面臨的合規與治理局限。這座高算力中心，從硬體設備、機房環境、系統管理人員到模型訓練流程，全都設在臺灣境內，且完全受我國法規管轄。

這個算力中心早在2024年就開始規畫，當時衛福部已先建置LS40等級系統，去年再導入H200等級系統，未來還將進一步引進GB200等級系統。除了提升算力，衛福部也以這座高算力平臺為基礎，推動聯邦學習（Federated Learning），來解決醫療AI模型「不夠通用」的老問題。

回應2大痛點：公雲局限與醫療AI通用性不足

主導這項計畫的衛福部資訊處處長李建璋指出，建置專屬高算力中心，背後有3大國家層級的考量：AI主權、隱私與資安，以及聯邦學習的實際落地。

他說明，目前商用公雲服務在醫療領域仍有難以跨越的限制，特別是涉及極度敏感的健康資料時，合規與管轄權就是一大問題。一旦公雲業者的外籍員工擁有存取權限，資料若被不當存取或帶出境外，國內法規將難以有效處理。

因此，與全民健康高度相關的資料，政府必須握有絕對控制權，確保資料主權不外流。這也是衛福部提出高算力中心暨聯邦學習平臺的原因，從硬體、機房、系統管理到模型訓練流程，全數留在臺灣境內，並完全納入我國法規治理，形同打造一個隱私與資安等級最高的示範場域。

另一個亟需解決的問題，是醫療AI模型的通用性不足。李建璋指出，目前許多醫療AI模型，都是用單一醫學中心的資料訓練而成，在原訓練醫院表現良好，但一換到其他醫院，準確度就明顯下降。

原因在於，不同醫院代表不同病患族群、疾病嚴重程度與就醫行為，資料分佈本來就不一樣，模型自然會「水土不服」。

但醫療資料高度敏感，政府也不可能將全臺醫療資料集中到單一資料庫來訓練模型。為此，衛福部選擇聯邦學習作為解方，讓資料不離開醫院，也能進行接近全國規模的模型訓練與驗證。

李建璋解釋，聯邦學習的運作方式，是由中央節點發起訓練計畫，先將初始模型送到各家參與醫院，各醫院再用本地資料進行訓練，資料全程留在院內。完成一輪訓練後，醫院只需回傳模型參數，由中央節點彙整並更新模型，重複進行，直到模型收斂。透過這種方式，就能訓練出更能適應不同醫院特性的AI模型。

他也強調，這種模式有助於讓算力與人才不足的小型醫院，也能使用接近醫學中心等級的AI診斷輔助，讓醫療AI真正成為公共建設，而不是少數大醫院的專利。

在硬體建設方面，衛福部早在2年前就啟動機房升級與改造工程。2024年完成電力與環境調整後，先建置LS40等級系統（效能相當於DGX A100），支援高效能運算與基礎AI訓練需求。

2025年進一步導入H200等級系統，為大型語言模型（LLM）與醫學影像分析做準備，未來還將引進GB200等級系統，以因應更高複雜度的模型運算需求。

在算力資源管理上，李建璋指出，傳統靜態配置容易造成GPU閒置、使用效率不佳，因此衛福部導入Nvidia的Run:ai解決方案，能依模型需求即時分配算力，讓同一套硬體平行支援多個 AI 專案，提高整體使用效率。

李建璋也說明，這座高算力中心將結合原本三大AI中心中「第二類中心」的4家主責醫院，以及聯盟內已建置聯邦學習網路的15家醫院，共19家醫療機構，以高算力中心為樞紐，形成國家級的醫療AI平臺。

衛福部補充，這項關鍵基礎建設成果，來自廣達電腦、Nvidia臺美團隊、工研院、衛福部次世代計畫團隊，以及由臺中榮總榮譽院長陳適安擔任召集人的16家AI外部驗證中心醫院共同投入與協作。

除了國內應用，衛福部也以這座高算力中心暨聯邦學習平臺為基礎，拓展跨國合作。

其中一項合作是與泰國瑪希敦大學建立跨國聯邦學習機制，用於乳房攝影與肺結核X光影像的AI自動監測模型驗證。衛福部指出，透過這種合作模式，臺灣的智慧醫療產品未來可在東協市場進行驗證與落地，東協與泰國的AI模型也能在臺灣完成臨床驗證。

另一項合作則是與瑞典卡洛琳斯卡醫院，目標是要推動跨國、跨族群的智慧醫療研究。李建璋甚至透露，未來也評估讓臺灣的醫療資訊長（CMIO）前往該院進行為期6個月的實務訓練。