讓我們把時間倒回 2026 年 1 月 12 日，舊金山的 J.P. Morgan Healthcare Conference 開幕日，一家 10 歲、總部設在巴黎的 AI 製藥公司 Owkin，在不到 24 小時之內接連丟出三個重磅消息：第一，他們的 Pathology…
資料不離開醫院、演算法跑進醫院｜Owkin 用聯邦學習把 800 家醫院串成癌症藥物的超級實驗室
讓我們把時間倒回 2026 年 1 月 12 日，舊金山的 J.P. Morgan Healthcare Conference 開幕日，一家 10 歲、總部設在巴黎的 AI 製藥公司 Owkin，在不到 24 小時之內接連丟出三個重磅消息：第一，他們的 Pathology Explorer AI Agent 透過 Model Context Protocol（MCP），整合進 Anthropic 剛剛推出的 Claude for Healthcare and Life Sciences；第二，他們宣布與 NVIDIA 啟動首次正式合作，要把 OwkinZero 這個生物醫學專用的大型推理模型，放上 Nemotron 與 NeMo RL 的訓練框架；第三，他們對外公開的目標不再只是「用 AI 加速藥物開發」，而是要打造一個更激進的概念，叫做 Biological Artificial Super Intelligence（生物人工超級智慧，簡稱 BASI）。
聽起來像是又一家想搭 AI 順風車的法國新創？且慢，回頭把 Owkin 這 10 年的時間軸展開來看，會發現完全不是這麼一回事，2016 年由一位血液腫瘤科醫師與一位機器學習教授在巴黎共同創辦，2021 年靠 Sanofi 的 $180 million 美金股權投資擠進獨角獸俱樂部、2022 年再拿 Bristol Myers Squibb 的 $80 million、2023 年聯手六家世界級癌症中心啟動 $50 million 的 MOSAIC 計畫、2024 年從 Idorsia 手上拿到自己的第一個臨床候選藥 OKN4395、2025 年 1 月 22 日首位病人入組 INVOKE 試驗、2026 年再分別衍生出 Bioptimus 與 Waiv 兩家子公司獨立募資。把這條時間軸串起來看，會清楚發現 Owkin 押的不是「AI 加速藥物開發」這條已經很擁擠的主流賽道，而是打了一手更安靜、底層、難以複製的牌：資料根本不離開醫院，但 AI 還是能把 800 家醫院的癌症切片同時看完一遍。
這套技術叫做聯邦學習（Federated Learning），這套商業模型叫做 TechBio，聯邦學習這件事乍聽很技術、抽象、跟台北台中台南某家區域醫院的病人沒什麼關係，但事實是，這場以「資料留在醫院」為基本假設的 R&D 革命，正在決定未來 20 年台灣的腫瘤病人能不能用得到、以及多久才能用上全球最新的免疫治療與標靶藥物。
為什麼一位血液腫瘤科醫師、會跑去當 AI 公司的 CEO？
故事要從 Thomas Clozel 這個人講起，台灣的生醫產業投資人可能對 Actelion 這個名字不算陌生，那是瑞士最具代表性的生技公司之一，主力產品 Bosentan（商品名 Tracleer）是治療肺動脈高壓（Pulmonary Arterial Hypertension）的第一線藥物，2017 年被 Johnson & Johnson 以 $30 billion 美金收購，是歐洲生技史上最大的併購案之一；而 Actelion 的兩位創辦人 Jean-Paul Clozel 與 Martine Clozel，正是 Thomas Clozel 的父母。
換句話說，Thomas Clozel 不是那種「醫師突發奇想去搞 AI」的浪漫故事主角，他從小就在歐洲頂尖生技公司的餐桌上長大、知道一顆藥從實驗室到病人手上要砸多少錢、要踩多少坑，他自己受的訓練是純臨床路線，先在 Weill Medical College of Cornell University 與 Icahn School of Medicine at Mount Sinai 受訓，回到法國後成為血液腫瘤科（Hemato-Oncology）的助理教授，每天看的是急性白血病（Acute Leukemia）與淋巴瘤（Lymphoma）病人，他在後來的訪談裡說過：「我每天告訴病人『我不知道』的次數，遠比我能說『我們可以治癒你』的次數還多。」這句「I don’t know」的挫折感，後來變成這家公司名字的伏筆。
Thomas Clozel 在 2015 年左右開始懷疑：問題不在新藥不夠多，而在於我們對癌症亞型的認識不夠細；為什麼有些三陰性乳癌（Triple-Negative Breast Cancer）病人對化療反應極好、有些病人卻完全沒有效？為什麼有些小細胞肺癌（Small Cell Lung Cancer）病人用藥後能活 5 年、有些卻在 6 個月內惡化？為什麼同樣是帶 FLT3 突變的急性骨髓性白血病（Acute Myeloid Leukemia，AML），有些病人對 midostaurin 反應驚人、有些人的病情卻完全毫無進展？這些差異不是不存在於資料裡，而是被鎖在全球各家醫院的病歷、基因檢測報告與病理切片裡、互不相通，Thomas 在自家訪談裡形容當時的感受大致是：我們其實已經擁有足夠多的資料可以救這些病人，只是這些資料分散在不同的醫院、國家、語言、法規體系裡，而沒有任何一個人有權限把它們全部看完。要解這個題，需要的是一種能讓所有醫院的資料同時被讀懂、又不用真的把資料搬出醫院的技術。
這時候，一位叫 Roman 的朋友把他介紹給 Gilles Wainrib，Gilles 是巴黎高等師範學院（École Normale Supérieure）出身的數學與機器學習研究者，當時剛好在做一個冷門題目：怎麼讓多家機構合作訓練神經網路，而每家機構的原始資料都不離開自己的伺服器。那段期間整個機器學習圈正在被深度學習的成功故事點燃，但這些故事絕大多數發生在影像、語音、文字這類可以隨便集中、標註、訓練的資料上；醫療影像與電子病歷則因為法規與隱私，幾乎是深度學習的禁區。Gilles 看到的是一道結構性的牆，而 Thomas 帶來的是站在牆另一邊的臨床觀點，兩人一拍即合，2016 年 9 月在巴黎共同創辦了這家公司，並把它取名為 Owkin，這個字是「I Know」的字母重組（Anagram），背後的含義很直接，他們想做的事，就是把醫師日常那句「我不知道」轉換成「I Know」。
Owkin 並不是 Thomas Clozel 第一次與生技創業沾上邊，他在小時候就看著父母從 1997 年離開 Roche 的子公司、把幾個剩下的化合物與一小群科學家獨立出來組成 Actelion，再花 20 年把這家公司從一張白紙做到 $30 Billion 美金的併購對價，這段經驗對他的影響有兩個層次，第一，他知道一家從零開始的生技公司要走多長的路；第二，他從小看著父母用一條 Endothelin Receptor Antagonist 的 Pathway 做出全球第一個治療肺動脈高壓的藥，知道「敢押一條無人走過的機轉」是這個產業最不性感、但相當值得押的賭注，Owkin 後來敢把整個公司的賭在「資料不集中」這個違反直覺的設計上，這份家族 DNA 大概是有貢獻的。
藥廠的 R&D 為什麼愈花錢、產出愈少？
要理解 Owkin 押的牌有多重，要先看讓藥廠高管夜不能寐的曲線：Eroom’s Law。這個詞是「Moore’s Law」反過來拼出來的玩笑，半導體的 Moore’s Law 是說每 18 個月電晶體密度翻倍、每單位算力成本減半；而 Eroom’s Law 描述的是製藥業正好相反的現象，從 1950 年代以來，每花 $1 Billion 美金 R&D 預算所能產出的新藥數量，幾乎是每 9 年減半；這個觀察最早是 2012 年由 Jack Scannell 等四位作者在 Nature Reviews Drug Discovery 上正式提出，自此被全球生技與製藥圈視為這個產業最尷尬的一個結構性事實：投資愈大、產出反而愈低。Deloitte 連續多年發布的 Pharmaceutical Innovation Index 報告也顯示，全球前 20 大藥廠的 R&D 投資報酬率在 2010 年代後期一度跌破 2%，連通膨都打不過。為什麼呢？因為容易摘的果實早就被摘完了，所有反應好、機轉清楚、副作用可控的化合物，能上市的早就上市了；剩下的全部是又難又貴、異質性又極高的疾病，例如胰臟癌、膠質母細胞瘤（Glioblastoma）、與許多自體免疫疾病。
而異質性高，意思就是不能用同一套臨床試驗去打，傳統做法是把符合 Inclusion Criteria 的病人全部丟進一個試驗，跑出一個平均效果，但如果這群病人裡其實藏著 4 種完全不同的亞型，3 種對藥物完全沒反應、只有 1 種反應極好，那麼整體平均下來的效果就會被稀釋成沒有顯著統計差異，藥就不可能上市。最經典的例子就是免疫檢查點抑制劑（Immune Checkpoint Inhibitor，ICI）在大腸直腸癌的應用，如果把所有大腸直腸癌病人不分亞型一起丟進試驗，Pembrolizumab 的反應率慘不忍睹；但如果先把 Microsatellite Instability-High 的那大約 15% 病人篩出來，這個族群的客觀反應率可以衝到 40% 以上，改寫第一線治療的標準。同樣的故事在乳癌的 HER2、肺癌的 EGFR 與 ALK、黑色素瘤的 BRAF V600E 都重演過，過去 20 年腫瘤治療的進展，幾乎全部來自「把對的病人找出來」，而不是「發明出新的化合物」。
根據 BIO 在 2021 年發布的 Clinical Development Success Rates 報告，新藥從 Phase 1 走到 FDA 核可的整體成功率長期約 7% 上下；如果是腫瘤領域，則更低到 5% 左右，也可以說拿一顆藥進臨床試驗，10 顆裡面 9 顆會死，而且每顆平均要燒掉超過 $2 Billion 美金。Tufts Center for the Study of Drug Development 2020 年的報告估計，從藥物進入 Phase 1 到取得 FDA 核可，平均要 10.5 年；其中超過一半的失敗，是發生在 Phase 2 與 Phase 3 之間，原因高度集中在「整體療效不顯著」或「特定亞群有效但無法事先辨識」。對藥廠而言，這代表每多失敗一次 Phase 3，就有 $1 Billion 美金的現金燒掉，員工被裁、股價跳水、研發部門被董事會冰凍兩年。Pfizer 2022 年的 Elotuzumab 在多發性骨髓瘤 First-Line 的 ELOQUENT-1 試驗 Phase 3 失利，就是教科書級的範例：藥本身有效，只是沒在對的病人身上做試驗。
問題的核心其實已經不在化學、也不全然在生物，而是在資料；一家全球前 5 大的藥廠手上頂多有幾萬筆自家臨床試驗的病人資料，但同一時間，全球頂尖癌症中心的 Real-World Data 累積起來是這個數字的好幾百倍。這些資料分散在像是法國的 Gustave Roussy、美國的 University of Pittsburgh Hillman Cancer Center、瑞士的 Lausanne University Hospital（CHUV）、德國的 Charité Berlin、Uniklinikum Erlangen 等學術機構裡，每家醫院都坐在金山上，但因為 GDPR、HIPAA、加上各國的個資與生醫倫理法規，沒有任何一家醫院能把這些資料直接打包寄給藥廠。藥廠想要、醫院不能給，這個結構性矛盾，過去 20 年沒人真的解決。
Owkin 的整個商業模型，就是建立在「我們能夠解開這個結」這個假設上。
「資料不動、演算法動」到底是什麼意思？
聯邦學習這個詞最早是由 Google 在 2016 年提出的，原本用在手機鍵盤的自動更正：每支手機在本地學習你的打字習慣，只把模型參數的更新上傳到雲端、原始打字內容永遠不離開手機；Owkin 做的，是把這個概念搬到醫院。當一個藥廠資料科學家想用 100 家醫院的乳癌病理切片來訓練一個能預測復發風險的深度學習模型，傳統做法是先把所有切片掃描檔案匯到中央伺服器、然後在中央訓練；聯邦學習則是反過來：先把一個初始的神經網路模型（例如 ResNet 或 Vision Transformer）分送到每一家醫院，每家醫院在自己的防火牆裡、用自己的硬體跑本地訓練，產生一份本地更新後的模型參數；接下來，只有這份參數的更新差異（Gradient Updates）會被加密送到中央聚合器（Central Aggregator），中央聚合器把所有醫院的更新做加權平均、產出一個新版的全域模型；再把新版全域模型推送回每家醫院，進入下一輪訓練。整個流程裡，原始病人資料都沒有離開醫院的伺服器。
聽起來簡單，工程上其實有一堆惡魔藏在細節裡；第一個是異質硬體，每家醫院的 GPU 規格、網路速度、防火牆設定都不一樣，要讓 100 家醫院同時跑訓練、又不會因為某一家連線中斷就讓整個 Epoch 失敗，背後需要一整套容錯機制。第二個是資料分布偏差（Non-IID Data），每家醫院的病人年齡分布、種族比例、染色機型、切片厚度都不同，直接平均梯度會讓模型在某些醫院 Over-Fitting、在其他醫院失準，所以需要更精細的加權聚合策略，例如 FedAvg、FedProx、與 SCAFFOLD 這類演算法。第三個是隱私洩漏的風險，研究已經證明，光是看模型梯度就有可能逆向重建出部分原始影像，所以還要疊加差分隱私（Differential Privacy）、安全聚合（Secure Aggregation）、與同態加密（Homomorphic Encryption）這類保護層。Owkin 過去 8 年的工程能量，相當大一部分就是在解這幾個問題。
這套架構的軟體叫做 Owkin Connect，底層其實還有一層更有趣的設計：早期版本用了一個叫做 Substra 的開源框架，而 Substra 建立在 Hyperledger Fabric 這個分散式帳本技術（Distributed Ledger Technology，簡稱 DLT）之上，本質上是一條私有區塊鏈。為什麼要用區塊鏈？因為當 10 家彼此競爭的藥廠或 20 家獨立醫院要在同一個聯邦學習網路裡合作時，最大的問題不是技術、而是信任：誰能保證 A 藥廠不會偷偷讀走 B 藥廠的模型梯度？誰能保證 Owkin 自己不會做手腳？Hyperledger Fabric 提供的就是這層「可稽核、追蹤、不能竄改」的紀錄：每一次模型訓練、資料存取、參數聚合，都在一條私有區塊鏈上留下時間戳記。Owkin 自己 2019 年發表在 arXiv 上的 Substra 白皮書（Galtier & Marini, arXiv:1910.11567）就明確寫出：Substra Relies on a Private DLT to Implement Distributed Learning in a Trustless Way，Substra 後來在 2020 年被捐給 Linux Foundation 的 AI and Data 計畫，變成開源專案，Owkin 至今仍是主要貢獻者；MELLODDY 那 10 家藥廠的聯邦學習聯盟，就是跑在 Substra 上面。
Owkin 自己後來也坦承，純去中心化的區塊鏈式聯邦學習，在真實醫療場域跑起來其實沒有想像中那麼完美，因為醫療資料的高敏感性最終還是需要強而有力的合約框架（Consortium Agreement）來支撐，所以今天的 Owkin Connect 是一個「DLT 提供稽核層、合約提供信任層、加密技術提供安全層」的混合體，而不是一個純粹的 Web3 玩具。這一點對 Blockchain 投資人特別重要，過去 5 年幾乎所有號稱「區塊鏈 + 醫療」的新創都死光了，原因從來不是技術不夠強，而是商業模式不成立，病人不在乎自己的健保資料是否寫在以太坊上、醫院不在乎自己的影像是否經過 zk-SNARK 驗證，Owkin 反過來證明的是，區塊鏈在醫療裡有它真正的位置，但這個位置是「跨機構協作的稽核底層」，不是「給病人發代幣的前台」，Owkin 是少數真的把區塊鏈用在生產級醫療 AI、而且 10 年下來沒翻車的案例之一。
800 家醫院能不能變成一座超級實驗室？
技術只是地基，真正讓 Owkin 變成獨角獸的，是它過去 10 年慢慢累積出來的醫院網路。
第一個關鍵節點是 2018 年 9 月啟動的 HealthChain 計畫，Owkin 與法國 4 家頂尖醫學中心一起跑了第一個真實世界的聯邦學習實驗，題目是用病理切片預測乳癌病人的化療反應，這 4 家醫院包括巴黎的 Institut Curie、Institut Gustave Roussy、Centre Hospitalier Universitaire de Toulouse 與 Centre Léon Bérard。HealthChain 證明了「資料不集中、AI 仍能跑」這件事在臨床等級的場域是可行的；更重要的是，它證明了聯邦學習訓練出來的模型，在準確率上可以追趕、甚至在某些任務上贏過傳統集中式訓練的模型，推翻了當時學術界對聯邦學習普遍的懷疑，這個 Proof of Concept 成了後續整個商業模式的關鍵奠基石。第二個關鍵節點是 MELLODDY 聯盟：10 家全球大型藥廠（包括 Amgen、AstraZeneca、Bayer、Boehringer Ingelheim、GSK、Janssen、Merck KGaA、Novartis、Servier、Institut de Recherches Servier）一起把各自的 High-Content Screening 資料丟進同一個聯邦學習網路，由 Owkin Connect 來協調，10 家本來互相是競爭對手的藥廠願意一起跑這個實驗，就是因為 DLT 與密碼學給的那層「我給出去的梯度更新絕不會被你逆向工程出原始化合物」保證。MELLODDY 是製藥史上規模最大的競合（Coopetition）型 AI 合作，2022 年宣告第一階段成功完成。
第三個、也是商業上最關鍵的節點，是 2021 年 11 月 18 日 Sanofi 那筆 $180 Million 美金的股權投資，當天 Sanofi 同時宣布啟動一個三年期、總金額 $90 Million 美金、外加里程碑分潤的策略合作，題目是用 Owkin 的 AI 平台在 4 種癌症（Non-Small Cell Lung Cancer、Triple-Negative Breast Cancer、Mesothelioma、Multiple Myeloma）裡找新生物標記與新治療靶點。這筆交易讓 Owkin 估值跨過 $1 Billion 美金門檻、正式進入獨角獸俱樂部，也讓「聯邦學習 × 大藥廠」這個故事第一次被主流市場買單。Sanofi 的 EVP Chief Digital Officer Arnaud Robert 在 Press Release 說：我們知道資料在學術中心、不在我們手上；Owkin 是目前少數能把資料「借來用、不用拿過來」的玩家。2024 年 3 月，雙方又把合作擴張到免疫學領域，這次的題目是藥物定位（Drug Positioning）：在 Sanofi 自家手上已經有的免疫疾病分子，用 Owkin 的多模態 AI 從病人資料庫裡找出最容易得到反應的亞群與適應症，這次擴張在意義上其實比第一筆交易更重要，代表 Sanofi 內部已經對 Owkin 的 ROI 滿意到願意把合作範圍從腫瘤跨進另一個治療領域。
2022 年 6 月，Bristol Myers Squibb 跟進，付 $80 Million 美金、外加 $100 Million 美金里程碑，請 Owkin 用 AI 重新設計心血管疾病臨床試驗的 Endpoint Definition、Patient Subgroup 與外部對照組（External Control Arm），這筆合作的特別之處是，它不再是「幫我找新靶點」、而是「幫我把現有試驗設計得更聰明」。BMS 的全球生物計量與資料科學資深副總 Venkat Sethuraman 在後續訪談裡透露，BMS 與 Owkin 的合作目標之一，是用 AI 在電腦上模擬 10,000 種不同的試驗設計、找出能把試驗時程縮短 10% 到 15% 的版本。對於每年同時跑數十個 Phase 3 試驗、每個試驗成本介於 $11.5 到 $52.9 Million 美金的 BMS 來說，這套省下來的效率折算成現金，遠遠超過合約金本身。
2023 年 10 月，法國獨立藥廠 Servier 啟動多年期合作，2026 年 1 月再宣布要把 Owkin 找到的生物標記 Subgroup 回頭應用到 Servier 自己的 Phase 2 試驗資料，這是業界少見的「回溯式驗證 AI 假設」案例。2023 年 12 月，MSD（Merck & Co.）簽下開發 MSI-H（Microsatellite Instability-High）篩檢工具的協議，題目從大腸直腸癌擴張到子宮內膜癌、胃癌、小腸癌與膽道癌；這條合作的商業邏輯很清楚，Pembrolizumab 在 MSI-H 病人身上幾乎是仙丹，MSD 越能在更多癌種裡把 MSI-H 病人篩出來、Pembrolizumab 的市場就越大。到 2026 年 1 月，Owkin 自己公告的數字是：全球前 10 大藥廠裡，已經有 8 家是它的合作客戶；另外幾家較小型的合作則涵蓋 Johnson & Johnson 與 Amgen 的早期共同研究計畫。
醫院端的數字同樣可觀，Owkin 在 2024 年 5 月揭露的數字是 61 家頂尖研究中心，2026 年 1 月則已經成長到 104 家醫療中心、橫跨超過 800 家醫院的真實病人資料網路、累積資料時間長達 10 年。對醫療 AI 來說，這個數字的意義不是 800 家醫院本身、而是 800 家醫院代表的多樣性：不同人種、治療文化、保險制度、病理切片掃描器，所訓練出來的 AI 模型，在面對台灣或東南亞的真實病人時，Generalization 能力遠優於只用單一國家資料訓練出來的模型，這也是為什麼很多只用美國單一健保資料庫訓練的 AI 模型在亞洲醫院無法適用的原因，他們的模型沒看過我們的人種、染色體、標註習慣，當然不會準。
MOSAIC 為什麼是 Owkin 所押的最大一張牌？
如果說聯邦學習是 Owkin 的軟體護城河，那 MOSAIC 就是它正在挖的資料護城河。MOSAIC 全名 Multi-Omic Spatial Atlas In Cancer，2023 年 6 月於 American Society of Clinical Oncology（ASCO）年會發布，是 Owkin 與 NanoString Technologies 聯手 5 家世界級癌症中心啟動的計畫：University of Pittsburgh、Gustave Roussy、Lausanne University Hospital（CHUV）、Uniklinikum Erlangen、與 Charité Berlin。Owkin 自己投入 $50 Million 美金，目標是用空間多體學（Spatial Multi-Omics）技術深度剖析 7,000 個腫瘤樣本，涵蓋 9 種癌別：Non-Small Cell Lung Cancer（NSCLC）、Ovarian Cancer（OV）、Bladder Urothelial Carcinoma（BLCA）、Mesothelioma（MESO）、Glioblastoma（GBM）、Breast Invasive Carcinoma（BC）、Diffuse Large B-Cell Lymphoma（DLBCL）、Head and Neck Squamous Cell Carcinoma（HNSCC）、Pancreatic Adenocarcinoma（PAAD）。
空間多體學是什麼？簡單說就是把一張病理切片同時拿去做基因表現定序（Spatial Transcriptomics）、蛋白質定位（Spatial Proteomics）與單細胞解析度的微環境分析，最後得到的不只是一張染色體圖、而是一張帶有 GPS 坐標的多維度生物資料地圖。研究人員可以清楚看到，在這個腫瘤裡，哪一塊區域的 T 細胞是 Exhausted T Cell、哪一塊區域的 Tumor Microenvironment 正在抑制免疫反應、哪一塊區域的腫瘤細胞剛剛開始出現轉移前的基因表現改變。這種解析度過去只有頂尖實驗室能做、而且樣本數最多幾十個；MOSAIC 一次拉到 7,000 個樣本，等於把空間體學的資料集規模直接放大了超過 100 倍。Owkin 自己 2025 年 5 月 15 日掛在 BioRxiv 上的 Preprint（doi:10.1101/2025.05.15.654189）披露：截至 2025 年 4 月，MOSAIC 已經收進 1,900 多位病人的多模態資料。
這件事為什麼值得 Owkin 砸自己口袋 $50 Million 美金？因為這個資料集是「自己生出來、沒有版權或 GDPR 問題、可以拿來訓練自家任何模型」的乾淨資料。對比之下，公開可取得的 TCGA（The Cancer Genome Atlas）有授權限制、CPTAC（Clinical Proteomic Tumor Analysis Consortium）規模太小、商用資料庫又貴又有使用範圍限制；自己掏錢生出一份 7,000 樣本級的空間多體學資料集，未來 10 年內幾乎不會有任何競爭對手能跟上，這就是 Data Moat 思路，軟體會被複製、模型會被開源、但獨家資料集是別人沒辦法 5 年內補上的。
當他們手上有 7,000 個帶有空間資訊的多體學資料、加上聯邦學習網路裡 800 家醫院的真實世界臨床標註（Real-World Clinical Annotation），訓練出來的 AI 模型可以做到一件事：從一張普通的 H&E 切片，反推這顆腫瘤的空間基因表現與免疫微環境結構；未來在台灣某家區域醫院的病理科，醫師只要送一張標準染色切片進去掃描，Owkin 的模型就能告訴他：這位病人的腫瘤裡有沒有第三級淋巴結構（Tertiary Lymphoid Structure，TLS）、有沒有藥物可以攻擊的免疫 Subgroup、適不適合免疫檢查點抑制劑（Immune Checkpoint Inhibitor）。這就是 Owkin 在 JPM 2026 講的那個 Pathology Explorer agent 的底層邏輯，跟前一代的 HIPE（Histo Interpretability Prediction Engine）模型相比，分類準確率提升 23.7%、參數量縮小 5 倍、運算時間從週級縮到數個小時。對台灣的病理科醫師而言，這意味著未來 3 到 5 年內，每一張數位病理切片都會內建一層 AI 分析，不只回答「這是不是癌症」，還會回答該癌症「有什麼樣的免疫微環境」、「適合什麼藥」。
從 H&E 切片到第一個臨床試驗
Owkin 的產品線今天可以拆成 3 個層次：診斷、平台、藥物。
診斷層是最早變現的，2022 年 9 月 Owkin 一口氣拿下兩張 CE Marking for In Vitro Diagnostic 認證，分別是用於大腸直腸癌的 MSIntuit® CRC 與用於早期乳癌的 RlapsRisk® BC；MSIntuit CRC 是全球第一張用 AI 從 H&E 切片預篩 MSI 的 CE 認證，作法是先用深度學習模型把 MSS（Microsatellite Stable）病人篩出來，剩下高機率為 MSI 的病人才送做傳統的 PCR 或 IHC 確認，為什麼這件事有意義？因為大約 15% 的大腸直腸癌病人是 MSI-H，這群人對免疫檢查點抑制劑（例如 Pembrolizumab）反應極好；但傳統 MSI 檢測流程慢、貴、又消耗組織。MSIntuit CRC 在 Nature Communications 2023 年的驗證論文（Saillard et al., DOI:10.1038/s41467–023–42453–6）顯示，這個 AI 模型對 MSI 病人的 Sensitivity 接近 99%，等於可以把需要做傳統檢測的病人數量砍掉大約一半。從醫院營運的角度看，這代表的是病理科可以把寶貴的分子診斷預算與技術人員時間集中到真正高機率為 MSI 的病人身上、把整體 Turnaround Time 從幾天壓到幾小時，對需要立即決定第一線治療策略的轉移性大腸直腸癌病人是巨大的差異。
RlapsRisk BC 則是針對 ER+/HER2- 的早期乳癌病人，用一張 H&E 切片在 15 分鐘左右產出復發風險評分，幫助醫師判斷哪些病人值得加上化療、哪些可以避開，對標是市場上已經存在多年、但價格高昂的 21 基因復發評分系統 Oncotype DX：傳統 Oncotype DX 一次檢測要寄到中央實驗室、花費幾百到幾千美金、等 1 到 2 週才有結果；RlapsRisk BC 用切片本身就能跑、不需要額外組織、結果即時、成本接近零邊際。這兩個產品目前已經整合進法國最大的病理網路 Medipath、瑞典 Sectra 的 PACS、與 Cerba HealthCare 的全國檢驗網。2026 年 3 月 12 日，Owkin 把整個診斷部門（前 Owkin Dx）切分成獨立公司 Waiv，由原 Chief Diagnostics Officer Meriem Sefta 出任 CEO，OTB Ventures 與 Alpha Intelligence Capital 領投 $33 Million 美金，Waiv 的產品線除了 MSIntuit CRC 與 RlapsRisk BC，還包括用來預測 BRCA1/2 胚系突變的 BRCAura、跨癌種偵測 TLS 的 TLS Detect Pan-Tumor、與 HER2-low 自動 IHC 評分工具。
平台層是過去兩年動作最大的一塊，2025 年 5 月，Owkin 推出 K Pro 的第一版，10 月 16 日正式商業化發布，是個對醫藥研究人員與藥廠主管開放的 Agentic AI Co-Pilot，使用者可以用自然語言問問題，例如「在我們手上的乳癌 Phase 2 試驗資料裡，有沒有哪一群病人特別容易從這 PI3K Inhibitor 得到 Therapeutic Response？」K Pro 的後端會自動串接 Owkin 自家的多模態病人資料庫、26.5 million 篇科學文獻、19 個生物資料庫、與 MOSAIC 的多體學資料集。使用者實際操作時，K Pro 會把問題拆成數個推理步驟，先檢索文獻、交叉比對資料庫、再呼叫專門的子 agent（例如 Pathology Explorer 分析病理切片、或 Survival Analyst 跑生存曲線）、最後把所有結果整合成一份帶 Reference 的研究筆記回傳，每一步推理都會留下可追蹤的軌跡，讓藥廠的科學家可以審視這個 AI 是怎麼得到結論的，而不是把它當成黑箱。
K Pro 的推理核心叫做 Owkin Zero（後來改稱 OwkinZero），是個專門針對生物醫學語料微調的大型語言模型；2026 年 1 月 12 日 JPM 宣布的 NVIDIA 合作，就是要把 OwkinZero 放上 Nemotron 開源模型家族與 NeMo RL 強化學習框架，提升推理能力、可擴展性與 Guardrails。OwkinZero 並不是要跟 GPT-5、Claude Opus 4 這種通用模型比參數量，它的賽道是「在生物學任務上能不能比通用模型更準」，比的是領域 Benchmark，不是模型大小；Owkin 自己 2025 年 10 月公開的 Paper 顯示，OwkinZero 在多項生物學推理任務上的表現優於當時主流的開源 LLM。同一天，K Pro 的 Pathology Explorer Agent 也正式透過 Model Context Protocol，整合進 Anthropic 的 Claude for Healthcare and Life Sciences。對藥廠主管來說，代表未來坐在自家辦公室、開著 Claude 介面，就可以調用 Owkin 800 家醫院的病人資料去問問題；而 Owkin 端不會看到問題本身、Anthropic 端看不到資料本身，整個資訊流靠 MCP 與聯邦學習的雙重隔離維持，這就是「Privacy-Preserving AI Workflow」在 2026 年的標準長相。
藥物層是 Owkin 反直覺、但非常值得追蹤的一張牌，2024 年 5 月 Owkin 與瑞士藥廠 Idorsia 簽下全球獨家授權，把一個叫做 OKN4395 的小分子拿到自己手上，OKN4395 是 First-in-Class 的 EP2/EP4/DP1 三重抑制劑：EP2 與 EP4 是前列腺素 E2（Prostaglandin E2，PGE2）的兩個受體，DP1 是前列腺素 D2（Prostaglandin D2，PGD2）的一個受體；這三條路徑被特定癌症同時利用來壓制免疫反應、讓腫瘤細胞躲過免疫攻擊。PGE2 是身體裡的一個荷爾蒙樣分子，正常情況下在發炎反應時會升高，幫助組織修復；但很多腫瘤學會「自己分泌大量 PGE2、把腫瘤微環境變成慢性發炎狀態」，這會招來骨髓衍生抑制細胞（Myeloid-Derived Suppressor Cell，MDSC）與調節性 T 細胞（Regulatory T Cell，Treg），這兩種細胞會把腫瘤旁邊的殺手 T 細胞（CD8+ T Cell）關掉，等於替腫瘤打造一道防火牆，讓免疫檢查點抑制劑進來也無法殺敵。OKN4395 同時把 EP2、EP4、DP1 三條訊號關掉，等於把這道防火牆拆掉，讓 Pembrolizumab 這類藥物有機會發揮真正的火力。OKN4395 是目前全球第一個能同時選擇性抑制這 3 個受體的化合物，Owkin 之所以選它，是因為自家的 K1.0 Operating System 從 Idorsia 龐大的化合物庫裡跑出來的結論：在他們自己手上的多模態資料庫裡，這個機轉特別契合某幾種 Solid Tumor 的免疫逃脫 Subgroup。
2025 年 1 月 22 日，OKN4395 的 First-in-Human Phase 1 試驗 INVOKE（NCT06789172、由 Owkin 旗下子公司 Epkin 擔任 Sponsor）的第一位病人正式入組，INVOKE 是一個 Phase 1a/1b、全球多中心、Open-Label 的劑量爬升加擴張試驗，主要目標是評估 OKN4395 在晚期實體腫瘤病人身上的安全性與耐受性，並進一步測試與 Pembrolizumab 合併使用的臨床訊號。Phase 1a 收 Monotherapy 與 Combination 兩組劑量爬升，Phase 1b 預計擴張到 4 個 Cohort，分別針對 K1.0 OS 預測會對機轉特別敏感的腫瘤亞型。Owkin 公告的初步可治療族群估計，在美國、EU4 與英國加起來大於每年 100,000 位病人，OKN4395 之所以重要，不只是因為這是 Owkin 自己第一個進臨床的資產，更是因為它整個臨床試驗設計，從靶點選擇、適應症選擇、納入排除條件、到合成 External Control Arm 也就是俗稱的數位雙生（Digital Twin），全部都是由 Owkin 的 K1.0 OS 與多模態資料庫優化出來的。如果這條路走得通，未來 5 到 10 年我們會看到更多 AI 公司用同樣的劇本，不是發明分子，而是用 AI 把別人發明過的好分子，放到對的病人身上。小型新藥公司不需要砸 $1 Billion 美金做 Target Discovery，只需要從別人放棄的化合物庫裡，挑出能在特定 Subgroup 上發光的分子，配上 AI 找到的對的病人，是一條成本更低、失敗率更可控的小公司專屬路徑。
Owkin 為什麼要不斷把自己拆掉、開出新公司？
過去 24 個月，Owkin 做了件在大公司治理上看起來很奇怪的事：把核心資產一塊一塊切分出去、變成獨立公司。
第一刀是 2024 年 2 月切出來的 Bioptimus，這家公司由原本 Owkin 的 Chief R&D Officer Jean-Philippe Vert 領軍，Jean-Philippe Vert 是法國 AI 圈的傳奇之一，原本是 École des Mines 的教授、後來去 Google Brain 擔任研究主管、再被 Thomas Clozel 拉進 Owkin。學術圈裡，他是 Kernel Methods 與生物資訊學的代表人物之一，過去 20 年發表的論文累積了幾萬次引用；他能被 Thomas 從 Google Brain 挖回巴黎，本身就是 Owkin 早期最有戰略意義的人才操作。Owkin 的科學顧問委員會（Scientific Advisory Board）主席 Miriam Merad 是 Mount Sinai 醫學院 Precision Immunology Institute 的主任、美國國家醫學科學院（National Academy of Medicine）院士、也是 2018 年 William B. Coley Award 的得主，研究主軸是 Dendritic Cell 與腫瘤微環境的互動。Bioptimus 的使命是建造「生物學的基礎模型」（Foundation Model for Biology）：把分子、細胞、組織、器官、整個生物體不同尺度的資料，用一個統一的大型模型壓在一起學，第一筆募資 $35 Million 美金 Seed Round 由 Sofinnova Partners 領投、Owkin 與 Bpifrance、Cathay Innovation、Xavier Niel 共同參與；2025 年 1 月再拉到 $41 Million 美金、累計募資來到 $76 Million 美金。它已經發布的第一個模型叫做 H-Optimus-0，是當時全球規模最大的病理切片基礎模型，後續還有 H-Optimus-1 與更多多模態版本陸續推出。
第二刀是 2026 年 3 月 12 日切出來的 Waiv，Waiv 等於把 Owkin Dx 整個診斷部門變成一家獨立公司，CEO 是 Meriem Sefta、共同創辦人 Lionel Guillou，募資 $33 Million 美金，Waiv 接手 MSIntuit CRC、RlapsRisk BC、BRCAura、Destra 部署平台、以及與 MSD 合作開發中的 MSIntuit 系列產品。在公開聲明裡，Owkin 把這個動作說成「驗證 AI 的策略自然演化」，白話翻譯是：診斷產品的商業節奏、法規節奏、客戶結構，與藥物開發完全不同；綁在一起拖累兩邊，分開來各跑各的反而效率更高。這個「Holding Company + 連續孵化獨立子公司」的結構，其實是 Owkin 的真正商業模型，它的主體（Owkin 本身）會持續扮演兩個角色：第一，是 800 家醫院真實世界資料的擁有者與管理者；第二，是 BASI（生物人工超級智慧）這條長期路徑的研發中樞。圍繞著這個資料與模型的核心，每隔一段時間切出一家專注於特定垂直應用的獨立公司：Bioptimus 負責通用基礎模型、Waiv 負責診斷、Epkin 負責藥物臨床試驗、未來可能還有負責 CDx（Companion Diagnostic）、Real-World Evidence、甚至 AI 影像 CRO 的子公司，每一家獨立子公司都可以單獨募資、估值、IPO 或被收購，而 Owkin 主體保有股權與資料介接的母權力。
AI 製藥這條賽道有一個結構性矛盾，投資人想要一家公司、一個簡單故事、一張一目了然的估值表，但實際上 AI 製藥能變現的場域至少有 5 種，每一種的時程、客戶、毛利率、與監管路徑都完全不同。診斷是 5 年回本、毛利 70%、要拿 CE 或 FDA；藥物開發是 10 年回本、毛利可以拉到 90% 但失敗率 95%；CRO 服務是現金流穩定、毛利 30%；基礎模型授權是 SaaS 邏輯、要燒算力；CDx 與藥廠綁定、需要嚴格法規。如果把這 5 種業務塞進一家公司、給一個估值，市場會用最保守的折扣去打折，整體估值反而拉不上來。分拆的好處是，每塊業務都能用該領域投資人最熟悉的估值模型來定價，加總起來會比合在一起高得多，像台積電投控的概念換到生醫 AI 領域。
Owkin 帳上現在是什麼樣子？
截至 2026 年 1 月，Owkin 公開揭露的累積募資總額是 $304.1 Million 美金，分別來自 2017 年 $2.1 Million 美金的 Seed、$72 Million 美金的 Series A、$230 Million 美金的 Series B（其中包含 Sanofi 在 2021 年 11 月領投的 $180 Million 美金、與 BMS 在 2022 年 6 月領投的 $80 Million 美金，後者形式上是 Series B-1）。員工人數約 350 人（2023 年公開數字，目前可能略多），總部設在巴黎，並在紐約、波士頓、倫敦、日內瓦、柏林、南特設有辦公室。公開揭露的商業合作對象，包括 Sanofi、Bristol Myers Squibb、MSD、Servier、Johnson & Johnson、Amgen、AstraZeneca（透過 BRCAura 開發）、Bayer 等，其中前 10 大藥廠裡已有 8 家在合作清單上，科學顧問委員會由 Mount Sinai 的 Miriam Merad（MD, PhD）擔任主席。
Owkin 目前還是私有公司，沒有走進 IPO；公開市場可比較對象是美國的 Tempus AI、Schrödinger、Recursion Pharmaceuticals、Insitro（未上市）、與英國的 Exscientia。Owkin 走的路，比較像是 Tempus AI 加上 Exscientia 的混合體，一邊有真實世界資料平台（像 Tempus）、一邊有 AI 找藥能力（像 Exscientia），但跟兩家都不一樣的地方是，它用聯邦學習解決了資料所有權的問題，所以可以一邊大規模累積資料、一邊讓醫院與藥廠都安心。
Tempus AI 走的是「把資料中心化、做成 SaaS 賣給醫院與藥廠」的路徑，它的優勢是商業模式清楚、收入可預測；但缺點是合作對象主要在美國，跨國擴張會撞到 GDPR 的牆。Recursion 走的是「自動化 Wet Lab + AI」的乾濕融合路徑，每週能跑數百萬個細胞影像，但它的資料生成是自己出錢買試劑、自己跑機器人實驗、跟真實病人差了一層。Insitro 用機器學習做藥物標靶發現，但它與醫院的關係相對單薄。Isomorphic Labs 拿著 AlphaFold 的優勢做結構預測，火力集中在蛋白質設計這一塊。Insilico Medicine 走生成式 AI 設計分子的路，已經有 INS018_055 進到肺纖維化（Idiopathic Pulmonary Fibrosis，IPF）的 Phase 2。Owkin 在這張地圖上的位置很特別，不像 Recursion 自己生細胞資料，也不像 Isomorphic 只做電腦運算；它選擇的是「真實病人資料」這條最難建立、但建立起來最有護城河的路。對藥廠來說，AlphaFold 預測出來的結構再準，最後還是要回到「這個分子在真實病人身上有沒有效」這個問題；而真實病人資料這一塊，Owkin 是少數玩家。
這場牌局的下注點在哪裡？
未來 20 年值得追蹤的趨勢線，至少有 5 條。
第一條趨勢線：聯邦學習會從技術選項變成監管預設，當歐盟 GDPR、美國 HIPAA、台灣《個人資料保護法》與《人體生物資料庫管理條例》、中國《個人信息保護法》與《數據安全法》同步收緊，把資料集中到一個雲端訓練 AI 的模型在跨境合作上會愈來愈難跑得動。聯邦學習過去被視為次優解（因為訓練收斂較慢、工程複雜度較高），但它在合規上的天然優勢，會讓它在 2030 年前後變成跨機構醫療 AI 合作的事實標準。Owkin 與 NVIDIA、Anthropic 在 2026 年 1 月同時宣布合作，本質上就是 NVIDIA 與 Anthropic 都意識到，要進醫療繞不開聯邦學習這層 Infrastructure。對台灣的健保資料庫、各大醫學中心病理資料庫、以及國衛院的多中心資料倉儲來說，這代表未來 5 年若不建立自己的聯邦學習底層，可能與全球研究網路脫鉤。台灣健保資料庫的廣度與長度其實是世界級的資產，但目前還停留在申請去衛福部資料科學中心現場使用的舊典範，如果能用聯邦學習把這個資料庫變成可以對外協作的節點，台灣在全球醫療 AI 的議價地位會有機會改觀。
第二條趨勢線：病理切片會變成免費的多體學資料，MOSAIC 與 Pathology Explorer 證明只要訓練資料夠多，一張普通的 H&E 切片可以反推出空間轉錄體與免疫微環境結構。換算成成本，原本要做空間轉錄體一個樣本要花 $3,000 到 $5,000 美金，如果未來 AI 模型能做到從 H&E 切片直接預測，成本會降到接近 0，對病理科會是巨大的權力轉移，未來病理科醫師手上的數位切片，將同時是診斷、預後預測、與藥物選擇工具。對病理科醫師來說，現在開始學會解讀 AI 模型的可信賴度（Calibration）、解讀分數（Score Interpretability）與品質控制（Quality Control），會在 10 年內變成跟看蘇木精-伊紅染色一樣基本的技能。從產業端來看，台灣有實力做數位病理掃描器（例如雲象科技、宏碁智醫旗下相關產品）、有實力做病理 AI 演算法，但跟 Owkin 比起來最大的差距是訓練資料的多樣性與規模；這條缺口若能透過參與國際聯邦學習網路來補，台灣的病理 AI 廠商會跳出本地市場、變成國際輸出方。
第三條趨勢線：臨床試驗會出現合成對照組普及化，Owkin 在 OKN4395 INVOKE 試驗裡用 K1.0 OS 建出來的 Digital Twin 與 External Control Arm，是 FDA 與 EMA 過去 3 年來不斷在 Guidance 文件裡點名鼓勵的方向。未來某些罕病或無有效對照組的試驗，可以不用再做傳統雙盲隨機分組，而是用 AI 從歷史資料庫建構合成對照組來支持申請，原本的方式受試者少、預算少、跑跨國多中心試驗的成本高，這條技術路徑剛好可以把這些劣勢中和掉。台灣的小分子新藥廠（例如台微體、智擎、安基、基亞）、抗體藥廠（中裕、台康、健亞）、與細胞治療公司（基亞細胞、長聖、富禾），未來如果能把自己的早期試驗設計成「真實病人組 + AI 合成對照組」的格式，光是樣本數需求就可以砍掉一半，但前提是台灣必須有人開始累積、清洗、結構化自家的真實世界資料。
第四條趨勢線：AI 製藥公司會出現資料控股 + 子公司分拆的標準結構，Owkin 把自己拆出 Bioptimus、Waiv、Epkin 這種打法，會成為 AI 製藥公司的範本，核心母公司守住資料與基礎模型、外圍以分拆獨立公司打不同垂直市場。這套結構的好處是，每一家子公司可以單獨募資、估值、被收購或 IPO，每一次分拆都讓母公司釋出一筆現金、同時保留股權上限。台灣的中天集團、長春集團、與台北醫學大學體系下的衍生新創，如果要切進 AI 製藥這條賽道，這套結構值得參考；本質上跟台灣半導體業的 IP 授權與分拆公司打法類似。
第五條趨勢線：BASI（Biological Artificial Super Intelligence）會從口號變成真實的競爭標的，BASI 這個詞目前還是 Owkin 自己提出的願景、不是業界公認的技術里程碑，但它指向的方向已經很清楚，把生物學的所有尺度（分子、細胞、組織、器官、個體、群體）用一套統一的推理模型壓在一起學、讓 AI 能對未知的疾病機轉做 Causal Reasoning，而不只是統計相關性。這條路目前同時被 DeepMind 的 Isomorphic Labs、Anthropic 的 Claude for Life Sciences、與 Owkin 的 BASI 共同推進；OpenAI 在 2025 年下半年也悄悄在這個方向加碼，傳出與 Retro Biosciences 等老化生物學新創有更深合作。未來 10 到 20 年，誰先建出真正可以「推理生物學」的 AI，誰就會拿到下一個 Trillion Dollar 的市場。在這條 BASI 賽道上，Owkin 的差異化武器不是模型參數量、也不是訓練算力，而是 800 家醫院的真實病人資料，OpenAI 與 Google 短時間內買不到、也無法用合成資料補上。
回到台灣的診間，我有時候會想：當未來某天，某家醫學中心的病理科醫師掃了一張大腸直腸癌切片，AI 在 15 分鐘內告訴他這位 65 歲的阿伯不是 MSI-H、不需要 Pembrolizumab；同一張切片再丟進另一個 AI，告訴外科醫師這顆腫瘤的微環境屬於某個免疫亞型、建議納入正在台北榮總跑的某個 OKN4395 後續試驗；同一張切片再丟進第三個 AI，告訴病人的家屬未來 5 年的復發機率區間。那一天背後跑的基礎建設，會不會是 Owkin 這 10 年用聯邦學習在 800 家醫院鋪出來的網路？很有可能。
把這個場景再往前推一點：同一位 65 歲阿伯的兒子，剛好是台北某家上市生技公司的研發副總，他公司手上有一個針對 KRAS G12C 的小分子準備進 Phase 1，過去要找符合條件的病人入組，要靠四處打電話拜託各大醫學中心的腫瘤科主任；未來如果阿伯就診的醫院已經接上聯邦學習網路，AI 可以在背景比對，這位阿伯的腫瘤基因表現型恰好符合該試驗的納入條件，系統會主動通知主治醫師「可以與病人討論是否參加 NCT 開頭的某個試驗」，從病人從掛號到收到試驗邀請，整個流程可以從現在的 3 到 6 個月縮短到一週內，這是 Owkin 在歐洲幾家合作醫院已經跑過的雛型，台灣需要的是把自家的資料節點接上去。
那一天，台灣的醫師、病理科、與本土生醫新創，會是這張網路的「節點」還是「客戶」？這個問題的答案，差距可以是 10 倍。當節點，意味著我們把資料、Label、臨床知識放上去，每一輪聯邦訓練都能拿到對應的權重與回報，台灣會在這場 20 年牌局裡分到桌上的一塊位置；當客戶，意味著等別人在歐美的醫院網路裡訓練完，再把模型推送到台灣，我們只是被服務的一方，永遠落後 3 到 5 年。Owkin 證明了「資料留在原地、AI 可以跨越國界一起學」這件事在技術、商業、與監管上都可行；台灣要做的，是決定要當玩家，還是當看戲的。
過去十年，全球生醫產業最深的一道結構性矛盾，是資料分散在八百家醫院、八千份病歷、八萬張切片裡，沒有任何一個人能把它們全部看完，也沒有任何一張合約能把它們合法地搬到一起；Owkin 用聯邦學習把這道結解開，讓資料留在原地、演算法跨越國界一起學習，把彼此孤立的金山，串成一座真正的超級實驗室。這不只是一家法國新創十年磨一劍的故事，更是未來二十年腫瘤治療範式轉移的起點，從亂槍打鳥的化合物開發走向精準找出對的病人，從中心化雲端的傲慢走向分散式信任的謙遜。當 Pathology Explorer 透過 MCP 走進 Claude、OwkinZero 跑上 NVIDIA 的訓練框架、OKN4395 收案第一位入組病人，這場牌局已經悄悄翻牌。
— –
📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.