2024 年 AlphaFold 獲得諾貝爾化學獎，標誌著 AI 醫療的里程碑；Google Health 十八年的轉型歷程，從兩次消費性平台的失敗，到如今成為醫療 AI 基礎設施供應商，探討 Google Health 核心技術、藥物研發的應用、監管挑戰與與商業模式困境。
Google 兩次搞砸醫療，第三次為何不一樣？用十八年學會的策略轉型
諾貝爾獎遇上醫療 AI，一個時代的轉捩點
2024 年 10 月 9 日，瑞典皇家科學院宣布了一個震驚全球科學界的消息：諾貝爾化學獎頒給了 Google DeepMind 的 Demis Hassabis 和 John Jumper，表彰他們開發的 AlphaFold 系統在蛋白質結構預測上的突破性貢獻，是人工智慧技術首次獲得諾貝爾科學獎項的認可；但如果大家以為這只是一個「AI 很猛」的故事，那就太小看這件事的意義了。
時間拉回 2020 年，當時 AlphaFold 2 在 CASP14（蛋白質結構預測關鍵評估競賽）中達到超過 90 GDT 分數，基本上宣告解決了困擾科學界 50 年的蛋白質摺疊問題（Protein Folding Problem），這個問題有多難？蛋白質是由胺基酸組成的長鏈，但它要發揮功能，必須摺疊成特定的三維結構，問題是一條由幾百個胺基酸組成的蛋白質，可能的摺疊方式比宇宙中的原子還多，傳統上科學家用 X 光晶體學或冷凍電子顯微鏡來解析蛋白質結構，一個結構可能要花幾個月甚至幾年，而且不是每個蛋白質都能成功結晶；AlphaFold 把這個時間從幾個月縮短到幾分鐘。
截至 2024 年底，AlphaFold 蛋白質結構資料庫已經包含超過 2 億個預測結構，被全球超過 300 萬名研究人員使用，引用超過 35,000 篇論文，已經可以說是典範轉移；之所以用 AlphaFold 開場，是因為它呈現了 Google 在醫療健康領域的核心特質：
技術能力無庸置疑，但商業化路徑始終曲折
我們今天想聊的是 Google Health 這十八年來跌宕起伏的故事，從兩次失敗的消費性健康平台、到現在成為醫療 AI 領域最重要的玩家之一，從純研究的學術論文、到真正落地的臨床工具，從美國市場的碰壁、到亞洲新興市場的突破，特別是 2024 年與台灣健保署達成的全球首例國家級 AI 慢性病管理合作。
十八年的曲折，Google Health 的三次轉型
第一代 Google Health（2008–2012）：太早進入市場的代價
2006 年，Google 開始測試一個雄心勃勃的計畫，讓每個人都能在網路上管理自己的健康記錄；2008 年正式推出的 Google Health 是一個個人健康記錄（Personal Health Record，PHR）平台，讓用戶可以手動輸入或從醫療機構匯入自己的健康數據，包括用藥、過敏、病史等資訊。聽起來很合理對吧？一個人的健康資料散落在各間醫院、診所、藥局，如果能有一個統一的平台把這些資料整合起來，不是很方便嗎？
問題是，Google 忽略了一個殘酷的現實：
醫療體系的數位化程度遠比他們想像的低。
2008 年的美國，很多診所還在用紙本病歷，就算有電子病歷系統，各家醫院用的系統都不一樣，資料格式不統一，要自動匯入 Google Health 根本不可能，最後大多數用戶只能自己手動輸入資料，但這就失去了便利性的意義。更糟的是，用戶對於把私密的健康資料存放在 Google 有很大的疑慮，Google 的核心商業模式是廣告，而廣告的基礎是用戶數據，雖然 Google 承諾不會把健康數據用於廣告投放，但這個品牌形象的包袱實在太重了。
2011 年 6 月，Google 宣布將關閉 Google Health 服務，給用戶一年時間下載資料；2012 年 1 月 1 日，第一代 Google Health 正式走入歷史。MIT Technology Review 後來分析這次失敗時下了一個精準的標題：「一個破碎的醫療系統如何殺死了 Google Health」，不是 Google 技術不行，而是整個醫療生態系還沒準備好。這個教訓 Google 學會了嗎？某種程度上是的，但他們接下來的嘗試，又踩進了另一個坑。
第二代 Google Health（2018–2021）：策略轉向與內部矛盾
2018 年，Google 在內部代號「Tuscany」計畫下重啟健康事業，這一次策略截然不同，從 B2C 對消費者轉向 B2B 對企業，從消費者平台轉向臨床工具與 AI 診斷。為了展現決心，Google 延攬了醫療產業的重量級人物來領軍，2018 年聘請前 Geisinger Health 執行長 David Feinberg 擔任 Google Health 負責人、2019 年任命前歐巴馬政府國家健康資訊科技協調官 Karen DeSalvo 為首任 Chief Health Officer，同年 Google 宣布以 21 億美元收購穿戴設備公司 Fitbit，為健康數據布局。看起來這次 Google 是玩真的了，對吧？
但問題很快就出現了，2019 年 11 月《華爾街日報》爆出「Project Nightingale」（夜鶯計畫）的消息：Google 與美國大型醫療系統 Ascension 合作，在未告知病人的情況下取得了數千萬筆病人記錄。雖然這個合作在法律上是合規的（根據 HIPAA 的業務夥伴條款），但輿論反應極為負面，美國國會發起調查，Google 的醫療品牌形象再次受創。這不是 Google 第一次在醫療數據上出包，2017 年英國資訊專員辦公室（ICO）就裁定 Google 旗下的 DeepMind 與英國國民健保署（NHS）皇家自由醫院的合作違反了數據保護法，因為轉移了 160 萬筆病人記錄卻沒有適當告知。
除了外部的公關危機，內部的策略矛盾也逐漸浮現，Google Health 究竟要專注在什麼領域？是臨床 AI 工具？電子病歷搜尋？穿戴式設備健康數據？雲端醫療基礎設施？每個方向都很誘人，但沒有一個做到夠深。2021 年 8 月，David Feinberg 宣布離職，轉任 Cerner（後被 Oracle 收購）執行長，Google Health 作為獨立部門隨即解散，團隊分散至 Fitbit、Search、Cloud 和其他部門；第二次嘗試，再次以組織重整收場。
第三代：AI-First 的分散式策略（2023 至今）
2023 年 4 月，面對 OpenAI 和 ChatGPT 的競爭壓力，Google 做了一個重大組織調整：將 Google Brain 團隊與 DeepMind 合併為 Google DeepMind，由 DeepMind 聯合創始人 Demis Hassabis 領導，這個合併不只是為了追趕 OpenAI，也重新定義了 Google 的健康 AI 策略；現在的 Google 健康策略是去中心化的，沒有單一的 Google Health 部門，而是讓健康功能融入各個產品線。
Google DeepMind 負責核心 AI 研究，包括 Med-PaLM、Med-Gemini、AlphaFold 等醫療 AI 模型；Google Cloud 負責企業級醫療雲端服務，包括 Healthcare API、MedLM、Vertex AI 醫療應用；Fitbit 和 Pixel 負責消費者端的健康追蹤功能，Google Search 負責健康資訊搜尋的優化。Karen DeSalvo 持續擔任 Chief Health Officer 直到 2025 年夏季退休，由 Michael Howell 接任，負責協調公司層級的健康策略。這個架構聽起來有點鬆散，但它反映了 Google 對醫療市場的重新認知：
與其打造一個包山包海的 Google Health 平台，不如讓 AI 技術成為基礎設施，透過合作夥伴來觸及臨床場景。
從失敗中學習，Google 終於找到了自己在醫療領域的定位：不是直接面對病人的服務提供者，而是賦能醫療機構的 AI 基礎設施供應商。
醫療大型語言模型：誰在領跑這場軍備競賽？
如果說 AlphaFold 是 Google 在結構生物學的勝利，那麼醫療大型語言模型（Medical Large Language Model，Medical LLM）就是 Google 正在激烈競爭的新戰場；這場競賽的起點是 2022 年 11 月 ChatGPT 的橫空出世，當時所有人都在問：這種能夠流暢對話的 AI，如果應用在醫療領域會怎樣？
Google 的答案來得很快。
Med-PaLM：第一個通過醫師執照考試的 AI
2022 年 12 月，Google 發表了 Med-PaLM，這是基於 PaLM（Pathways Language Model）針對醫療領域微調的大型語言模型，它的最大亮點是成為史上第一個通過美國醫師執照考試（USMLE）且及格的 AI 系統，準確率達到 67.6%。67.6% 聽起來不怎麼樣對吧？USMLE 的及格標準大約是 60%，所以 Med-PaLM 只是剛好及格而已，但在此之前沒有任何 AI 系統能夠穩定通過這個考試，USMLE 不只是考背誦記憶，還有大量需要臨床推理的題目，對語言理解能力的要求極高。2023 年 3 月，Google 發表了 Med-PaLM 2，準確率大幅提升到 86.5%，這個成績已經可以跟人類醫師的平均表現相當；更有意思的是，在專科醫師的盲測評估中，Med-PaLM 2 在九個評估維度中的八個維度上，被認為優於人類醫師撰寫的答案。
等等，AI 的答案比醫師寫的還好？這怎麼可能？其實不難理解，人類醫師在忙碌的臨床環境中回答問題，往往會省略細節、用縮寫、假設對方有一定背景知識，但 Med-PaLM 2 是被訓練來給出完整、結構化、易於理解的答案，在「回答的完整性」和「清晰度」這些維度上，AI 天生就有優勢；但這不代表 Med-PaLM 2 可以取代醫師，它的問題在於考試答對不等於臨床判斷正確，醫療決策需要考慮病人的整體狀況、偏好、資源限制，還有很多無法量化的因素。
Med-Gemini：多模態的野心
2024 年 5 月，Google 發表了 Med-Gemini，這是基於 Gemini 模型架構的新一代醫療 AI，它帶來了幾個重要突破，首先是 USMLE 準確率進一步提升到 91.1%，這已經是優秀等級的成績了，超過大多數醫學生；其次是多模態能力，Med-Gemini 可以處理文字、影像、甚至 3D CT 影像，是之前的醫療 LLM 做不到的，例如病人上傳一張皮膚病變的照片，AI 可以同時考慮影像特徵和病史描述來給出建議；第三是長上下文能力，Med-Gemini 可以處理超長的醫療文件，例如完整的住院病歷、連續多年的門診記錄，對於理解複雜病史的慢性病病人特別重要；第四是基因組學應用，Med-Gemini 的一個變體 Med-Gemini-Polygenic 可以預測憂鬱症、中風、青光眼等八種健康結果的風險，表現超越傳統的多基因風險評分（Polygenic Risk Score）方法。
這裡要特別說明一下什麼是 Polygenic Risk Score，傳統的基因檢測通常是找單一基因的變異，例如 BRCA1 突變與乳癌的關聯，但很多常見疾病（糖尿病、心血管疾病、憂鬱症）是由成千上萬個基因的微小效應共同決定的，每個基因的貢獻都很小，但加起來就有預測價值。多基因風險評分就是把這些效應加總起來，給出一個綜合風險分數，Med-Gemini 的創新在於它不只是機械地加總，而是用 AI 來理解這些基因之間的複雜交互作用。
AMIE：對話式診斷的研究突破
2024 年 1 月發表於 arXiv、2025 年正式登上 Nature 的 AMIE（Articulate Medical Intelligence Explorer）是 Google 在對話式診斷 AI 的重要研究成果，AMIE 的設計目標是模擬醫師問診的過程，透過多輪對話系統性地收集病史、詢問症狀、縮小鑑別診斷範圍，最後給出最可能的診斷和建議，跟單純回答醫學問題不同，它需要主動提問、追問細節、處理模糊或矛盾的資訊。在 159 個臨床情境的隨機雙盲研究中，AMIE 在專科醫師評估的 32 個維度中，有 30 個維度優於 Primary Care Physician，Top-10 診斷準確率達到 60%，顯著高於無輔助人類醫師的 34%。
這個數字需要解釋一下，Top-10 診斷準確率的意思是把 AI 列出的前十個最可能診斷跟最終確診比對，看正確答案有沒有在裡面，60% vs 34% 的差距非常顯著，也就是 AMIE 在「不遺漏重要診斷」這件事上，比人類醫師做得更好；但 Google 非常謹慎地強調 AMIE 是純研究系統，不會直接商業化，為什麼？因為研究情境跟真實臨床差太多了，研究中的病人是 Standardized Patient，對話是透過文字進行，沒有身體裡學檢查、檢驗數據、時間壓力，這些都是真實臨床中不可能缺席的元素。
MedLM：真正可用的商業產品
如果醫療機構的資訊主管或 AI 開發者想要「現在」就用 Google 的醫療 AI，能用的大概是 MedLM；MedLM 是 Google Cloud 於 2023 年 12 月推出的醫療專用大型語言模型，透過 Vertex AI 平台提供給企業客戶使用，提供兩種模型規格：MedLM-Large 適合複雜的臨床推理任務，MedLM-Medium 適合需要快速回應的即時應用。已經在用 MedLM 的機構，目前有美國最大的醫療系統之一 HCA Healthcare 拿來自動化急診的醫療筆記撰寫、Mayo Clinic 進行臨床文檔的測試、印度的 Apollo 24/7 把它整合進線上看診的臨床智能引擎，但這裡有一個重要的技術警語：
MedLM 於 2025 年 9 月停止支援，將轉向 Gemini 整合。
如果現在要評估 Google 的醫療 AI 解決方案，需要考慮到這個轉換期，Google 的策略是把醫療能力整合進通用的 Gemini 模型，而不是維持一個獨立的醫療專用 Model Line，這對使用者來說是好消息（可以用到更強大的基礎模型），但也代表需要重新驗證和調整現有的整合。
醫學影像 AI：從實驗室到診間的漫長旅程
醫療 LLM 很酷，但說實話，目前還沒有太多真正落地的臨床應用，反倒是醫學影像 AI，Google 已經有一些真正在診間可使用的產品了。
ARDA：在印度和泰國拯救視力的 AI
ARDA（Automated Retinal Disease Assessment，自動視網膜疾病評估）是 Google 最成功的醫療 AI 產品之一，專門用於篩檢糖尿病視網膜病變（Diabetic Retinopathy，DR）；糖尿病視網膜病變是糖尿病最常見的併發症之一，也是中壯年成人失明的主要原因，問題是早期的視網膜病變通常沒有症狀，等到病人察覺視力下降時往往已經太晚了，所以定期篩檢非常重要，只要及早發現，透過雷射治療或藥物注射，大多數病人的視力都可以保住，但篩檢需要專業的眼底攝影設備和受過訓練的判讀人員，這在資源有限的地區是很大的挑戰，印度有超過 7,700 萬糖尿病病人，但眼科醫師嚴重不足，很多病人住在偏遠地區，要跑到城市看眼科也根本不切實際。
這就是 ARDA 派上用場的地方。
這個系統的起源可以追溯到 2016 年發表於 JAMA 的一篇研究，Google 訓練了一個深度學習模型，用超過 12 萬張視網膜影像來判斷糖尿病視網膜病變的嚴重程度，結果顯示 AI 的判斷與專業眼科醫師高度一致，Sensitivity 和 Specificity 都超過 90%；2018 年，ARDA 取得歐盟 CE Mark Class IIa 認證，是 Google 極少數獲得監管認證的醫療 AI 產品之一。目前 ARDA 最大規模的 Deploy 是在印度的 Aravind Eye Hospital 系統，截至 2023 年已經完成超過 60 萬次篩檢，2024 年發表在 Lancet Global Health 的研究報告了這些真實世界數據，對於嚴重的糖尿病視網膜病變，ARDA 的敏感度達到 97.0%、特異度達到 96.4%，且對於最嚴重需要緊急轉診的病例，臨床漏診率為 0% ，也就是一個都沒漏掉。
泰國的 Rajavithi Hospital 也有類似的 Deploy，前瞻性研究同樣驗證了 ARDA 的表現與基層眼科醫師相當；2024 年 10 月，Google 宣布將 ARDA 技術授權給印度的 Forus Health/AuroLab 和泰國的 Perceptra，計畫在未來十年提供 600 萬次免費篩檢。ARDA 從未申請美國 FDA 認證，Google 選擇專注於眼科醫師嚴重短缺的低資源地區，避開了美國複雜的監管環境和給付體系，是個務實的策略選擇，在美國已經有 IDx-DR（2018 年成為首個獲得 FDA De Novo 認證的自主 AI 診斷系統）和 EyeArt 等競品，市場進入難度很高。
DermAssist：一個被放棄的嘗試
但也不是每個嘗試都會成功，DermAssist 就是一個例子。2021 年的 Google I/O 開發者大會上，Google 展示了一款皮膚科 AI 工具，用戶只要用手機拍攝皮膚問題的照片，上傳三張不同角度的影像，系統就可以辨識 288 種皮膚疾病，給出可能的診斷和建議；這個工具取得了 CE Mark Class I 認證，在歐洲部分地區上線，但很快就遇到了問題，學術界對 DermAssist 的質疑主要集中在兩點：
第一是皮膚癌的敏感度不足，一項發表於 JAMA Dermatology 的獨立驗證研究發現，DermAssist 對黑色素瘤的敏感度只有 0.57，而皮膚科醫師是 0.74；換句話說，DermAssist 漏掉了超過 40% 的皮膚癌，對於一個可能被消費者當作第一道防線的工具來說，延遲皮膚癌的診斷可能導致延誤治療，造成嚴重後果。第二是訓練數據的代表性問題，DermAssist 的訓練數據主要來自淺色皮膚的影像，對於深色皮膚的表現明顯較差，這不只是技術問題、也是公平性問題，如果一個 AI 工具對某些族群效果比較差，是否應該上市？
2024 年，Google 宣布停止 DermAssist 的開發，這個決定某種程度上是對這些批評的回應，也反映了 Google 對醫療 AI 品質標準的重新檢視；DermAssist 的失敗是重要的參考，Google 的醫療 AI 產品不是每個都會成功，而且 Google 願意在產品不符合期望時果斷放棄，比硬撐著一個有問題的產品要好，但也意味著在評估 Google 醫療產品時需要注意這種不確定性。
乳房攝影篩檢 AI：透過合作夥伴商業化
2020 年，Google 在 Nature 發表了一篇論文，指出他們開發的乳房攝影（Mammography）AI 系統，在辨識乳癌方面比美國和英國的放射科醫師平均表現更好，AI 的 AUC-ROC（衡量判斷準確度的指標）比放射科醫師高 11.5%，偽陽性降低 5.7%、偽陰性降低 9.4%。這個研究的規模非常大，用了超過 25,000 個乳房攝影案例來訓練和驗證，但跟 ARDA 不同的是，Google 沒有自己去申請監管認證和推廣這個產品。
2022 年，Google 宣布將這個研究模型授權給醫療影像分析公司 iCAD，iCAD 是這個領域的老玩家，他們的 ProFound AI 產品已經有廣泛的臨床應用基礎；2024 年 4 月，iCAD 推出了整合 Google AI 技術的 ProFound Cloud 產品，這種「研究 → 授權 → 合作夥伴商業化」的模式，可能是 Google 醫療 AI 未來的主要變現路徑，Google 做自己最擅長的事（開發尖端 AI 模型），讓有臨床關係和監管經驗的合作夥伴來處理商業化的繁瑣工作。
AlphaFold 與藥物研發：30 億美元的賭注
如果我們要設計一把鑰匙來開一個複雜的鎖，傳統的方法是隨機製作一大堆鑰匙，一個一個試，看哪個能打開，這就是傳統藥物研發 High-Throughput Screening，從幾百萬個化合物中篩選，希望能找到一個有效的，這個過程漫長、昂貴、而且成功率很低。現在假使我們有了鎖的精確 3D 模型，可以直接設計一把形狀完美匹配的鑰匙，這就是 Structure-Based Drug Design 的概念，當我們知道目標蛋白質的精確結構，就可以設計出與它完美結合的藥物分子。
問題是，獲得蛋白質的精確結構非常困難，傳統方法（X 光晶體學、冷凍電子顯微鏡）需要昂貴的設備、專業的技術人員，而且不是每個蛋白質都能成功解析，很多重要的藥物靶點，我們根本不知道它長什麼樣子。AlphaFold 改變了這個局面，它可以從蛋白質的胺基酸序列直接預測 3D 結構，準確度接近實驗測定的結果，而且時間只需要幾分鐘。
Isomorphic Labs：把諾貝爾獎技術變成藥
Google 很早就意識到 AlphaFold 的商業潛力，2021 年他們成立了 Isomorphic Labs，專門負責將 AlphaFold 等 AI 技術應用於藥物研發，公司由 DeepMind 聯合創始人 Demis Hassabis 擔任執行長，雖然是 Alphabet 的子公司，但獨立運營。2024 年 1 月，Isomorphic Labs 宣布了兩個重量級合作：與諾華（Novartis）和禮來（Eli Lilly）達成協議，潛在價值將近 30 億美元，這兩家都是全球前五大製藥公司，願意下這麼大的賭注，說明他們對 Isomorphic Labs 技術的認可。
具體的合作細節沒有公開，但大致架構是 Isomorphic Labs 提供 AI-Driven 的藥物 Discovery，製藥公司提供疾病領域專長和臨床開發資源，如果成功開發出藥物，Isomorphic Labs 會獲得里程碑付款和銷售分潤。2025 年初，Isomorphic Labs 完成了首輪外部融資，募集 6 億美元，由 Thrive Capital 領投，標誌著它從 Google 內部專案轉向獨立生技公司的重要一步；Isomorphic Labs 計畫於 2025 年啟動腫瘤藥物的臨床試驗，將是 AlphaFold 技術進入臨床驗證的關鍵里程碑，如果成功的話，將證明 AI 設計的藥物真的能夠治療疾病。
AlphaFold 3：從預測結構到預測交互作用
2024 年 5 月發布的 AlphaFold 3 代表了重要的技術升級，不只能預測單一蛋白質的結構，還能預測蛋白質與其他分子（DNA、RNA、小分子藥物）的交互作用，對藥物研發來說意義重大。藥物發揮效果的方式通常是與目標蛋白質結合，改變它的功能，所以光知道蛋白質長什麼樣子還不夠，我們還需要知道藥物分子會怎麼跟它結合、結合在哪裡、結合的強度如何，AlphaFold 3 可以預測這些交互作用，準確度比現有方法提升 50–100%。
AlphaProteo：從預測到設計
如果說 AlphaFold 是看懂蛋白質結構，那 AlphaProteo（2024 年 9 月發布）就是創造全新的蛋白質，AlphaProteo 可以根據我們指定的目標，設計一個能夠與它緊密結合的全新蛋白質，跟傳統的藥物開發思路不同，傳統是從既有的化合物庫中篩選，AlphaProteo 是從頭設計（De Novo Design）。在 SARS-CoV-2 棘突蛋白的測試中，AlphaProteo 設計的蛋白質成功阻斷了病毒進入細胞，驗證 AI 設計的蛋白質真的可以發揮預期的生物功能概念。
另一個例子是 VEGF-A 這個血管新生的關鍵調控因子，在癌症和眼科疾病中都是重要的治療靶點，但要設計能夠結合 VEGF-A 的蛋白質一直很困難，AlphaProteo 設計出了史上第一個 AI 生成的 VEGF-A 結合劑，結合強度比傳統方法設計的蛋白質強 3–300 倍。這些進展讓我們看到一個可能的未來，AI 不只是加速藥物研發的工具，而是能夠創造出人類從未想過的全新藥物分子，這是真正「從 0 到 1」的創新。
監管認證的現實，為什麼 Google 在美國碰壁？
如果去查美國 FDA 的 AI 醫療器材資料庫，我們會發現一個有趣的事實：
截至 2026 年 1 月，沒有任何以「Google」或「Google Health」為公司名稱的已認證產品。
這不是因為 Google 的技術不行，事實上 Alphabet 體系內唯一獲得 FDA 認證的產品是 Fitbit 的不規則心律通知功能（2025 年 2 月的 510(k) 認證），這是一個相對低風險的穿戴設備功能；Google 為什麼不積極申請 FDA 認證？我認為有幾個原因：
第一是策略選擇，Google 把自己定位為「AI Infrastructure Provider」而不是「醫療器材製造商」，申請 FDA 認證意味著要承擔產品責任、維護品質管理體系、處理上市後監測等一系列繁瑣工作，Google 寧可把這些事情留給合作夥伴（像 iCAD）來做。
第二是商業模式考量，美國的醫療給付體系非常複雜，就算你的 AI 拿到 FDA 認證，不代表保險公司會付費，沒有給付代碼（CPT Code）的新技術，醫療機構很難找到理由採購。相較之下，在印度和泰國這些地方，雖然監管不那麼嚴格，但導入的阻力也小很多。
第三是品牌風險，前面提過 Project Nightingale 和 DeepMind NHS 事件對 Google 醫療品牌的傷害，如果 Google 直接銷售醫療器材給醫院，任何負面事件都會直接衝擊 Google 品牌，透過合作夥伴來商業化，可以在技術和品牌之間多一層緩衝。
目前 Google 醫療 AI 產品的監管，ARDA 糖尿病視網膜病變篩檢有 CE Mark Class IIa 認證，在印度和泰國使用量相當大；DermAssist 有 CE Mark Class I 認證但已停止開發；MedLM 作為軟體服務不需要醫療器材認證；乳房攝影 AI 透過 iCAD 商業化，由 iCAD 負責監管事務。對台灣的機構來說，如果想使用 Google 的醫療 AI，不太可能直接從 Google 買到有 TFDA 認證的產品，比較可行的路徑是透過 Google Cloud 的開發者工具（MedLM、Vertex AI）來建構自己的解決方案，然後自行申請 TFDA 認證，或者等待 Google 與台灣政府的合作（像健保署的 AI-on-DM 計畫）落地。
商業模式與競爭格局，Google 能贏嗎？
現在來談談錢，Google 在醫療 AI 的商業模式到底是什麼？它能在這個市場勝出嗎？
Google Cloud Healthcare 的市佔現況
根據市場研究機構的估計，在美國醫療雲端市場，Google Cloud Healthcare 佔有約 8.4% 的份額，落後於 Microsoft（約 30%）和 AWS（約 24%）。為什麼差這麼多？
主要原因是臨床工作流整合的成熟度，Microsoft 在 2021 年以 197 億美元收購了 Nuance Communications，獲得了 Dragon Medical 語音辨識平台和 DAX Copilot 臨床文檔自動化系統，Dragon Medical 服務超過 55 萬名醫師，已經深度整合進各大電子病歷系統，醫師每天都在用它來口述病歷，這是非常黏著的使用場景。
相較之下，Google Cloud Healthcare API 雖然技術先進，但對臨床用戶來說有點太「底層」了，它提供的是 FHIR、HL7v2、DICOM 等標準的資料儲存和交換能力，但要把這些能力變成醫師日常使用的工具，需要大量的整合開發工作。AWS 的優勢則是在企業客戶的信任度，很多醫療機構的資訊部門原本就在用 AWS，把醫療資料也放上去是自然的延伸，AWS 的 HealthLake 產品也在這個市場積極競爭。
Google 的差異化優勢
那 Google 的優勢在哪裡？第一是 AI 技術領先，Med-PaLM、Med-Gemini、AlphaFold 這些都是目前最尖端的醫療 AI 模型，Microsoft 有 OpenAI 的技術支援，但在醫療專用模型的深度上，Google 目前仍然領先。第二是搜尋技術，Google 畢竟是搜尋引擎起家的，Vertex AI Search for Healthcare 可以對非結構化的醫療文件（掃描的病歷、手寫筆記等）進行語意搜尋，這是很多機構需要的功能。最後是開源策略，2025 年 Google 發布了 MedGemma（醫療影像和文本理解）和 TxGemma（治療開發）兩個開源模型，讓研究機構和新創公司可以在 Google 的技術基礎上開發自己的應用，建立起生態系。
IBM Watson Health 的教訓
在分析 Google 的前景之前，值得回顧一下 IBM Watson Health 的失敗，2011 年 Watson 在 Jeopardy! 益智節目中擊敗人類冠軍後，IBM 大舉進軍醫療 AI 市場，投資超過數十億美元，Watson for Oncology 號稱能夠分析癌症病人的資料，給出精準的治療建議，結果是災難性的失敗。2022 年，IBM 將 Watson Health 大部分資產以約 10 億美元賣給私募基金 Francisco Partners，虧損慘重。
Watson Health 失敗的原因包括過度承諾（唬爛？）的行銷跟不上實際的技術能力；訓練數據來自少數頂尖醫學中心，不具代表性；目標太宏大，直接瞄準癌症診斷這種最複雜的任務；沒有好好整合進現有的臨床工作流程等。Google 顯然吸取了這些教訓，他們採取更謹慎的路徑，先發表研究論文驗證技術能力，再透過合作夥伴進行商業化，選擇相對簡單的任務（糖尿病視網膜病變篩檢）而不是最複雜的任務（癌症診斷）開始， 研究 → 驗證 → 漸進部署的路徑雖然慢，但風險小很多。
藥廠合作，更大的機會在製藥？
Google 在醫療的商業化，最大的潛力可能不在臨床 AI 工具，而是在藥物研發。Isomorphic Labs 與諾華和禮來的近 30 億美元合約已經證明了產業對這個技術的認可，另外 Sanofi 自 2019 年起就與 Google 建立了虛擬創新實驗室，合作範圍包括 AI 藥物發現、雲端遷移和供應鏈優化。藥物研發市場的規模遠比臨床 AI 工具大得多，全球藥物研發外包市場超過 800 億美元，而且這是一個「願意為技術付費」的市場，製藥公司每年花幾十億美元在失敗的臨床試驗上，如果 AI 能提高成功率，他們願意付出高額費用。從投資的角度來看，觀察 Isomorphic Labs 的進展可能比觀察 Google Cloud Healthcare 的市佔率更重要。
台灣：全球首例國家級 AI 慢性病管理合作
終於要談台灣了。2024 年 6 月，一個相當重要但可能被很多人忽略的新聞提到：
Google Cloud、Google Health 與衛生福利部中央健康保險署宣布「AI-on-DM」計畫，是全球首個國家級 AI 糖尿病預防管理合作。
讓我解釋一下為什麼這件事很重要。
台灣健保資料庫
台灣的全民健保制度從 1995 年實施至今已經超過 30 年，涵蓋率接近 100%，幾乎每一位台灣居民的就醫記錄、處方用藥、檢驗檢查結果，全部都有電子化的數據。這種全民長時間跨度的健康數據，在全世界都是罕見的資產，美國的醫療系統分散在各家私人保險公司和醫療機構，要整合全國性的數據非常困難，歐洲國家雖然大多有公共醫療系統，但資料格式和品質參差不齊。台灣的健保資料庫，可以說是 AI 醫療研究的夢幻資料集；當然，這也帶來隱私和資安的疑慮，過去幾年健保資料的使用一直有爭議，但在適當的去識別化和監管框架下，這些數據可以產生頗大的公共健康價值。
AI-on-DM 計畫
AI-on-DM 計畫的目標是為台灣約 200 萬第二型糖尿病病人開發風險預測模型，這個模型要能夠預測病人在未來幾年發生併發症（視網膜病變、腎病變、心血管疾病等）的風險，讓醫師可以提早介入。技術架構採用 Google 的 MedLM 醫療專用模型，部署在 Google 位於彰化的資料中心，以符合台灣醫療個資本地化的要求，最終這個系統會整合進健保署正在推動的「家醫大平台」。
對基層醫師來說，未來在家醫大平台上，可能會看到一個 AI 生成的風險評估報告，告訴你這個病人在接下來一年內發生視網膜病變或腎病變的機率有多高，幫助醫師決定轉診的優先順序、加強衛教的重點，甚至調整治療策略。計畫的時程是先從糖尿病開始，驗證可行性後再擴展到三高（高血壓、高血糖、高膽固醇）的整合管理，是一個務實的路徑，先做好一個疾病、再複製到其他疾病。
身為台灣醫師，我們可以關注家醫大平台的發展，AI-on-DM 的成果預計會整合進這個平台，屆時所有在健保特約院所執業的醫師都可以使用，是最直接、不需要技術背景的參與方式；也能透過 Google Cloud 開發者工具進行研究，如果有程式開發能力或有資訊團隊支援，可以申請使用 Vertex AI 和 MedLM 來建構自己的醫療 AI 應用，Google Cloud 有針對醫療機構的試用方案；再來可以關注 Google 的開源模型，2025 年發布的 MedGemma 和 TxGemma 是免費開源的，可以在自己的環境中執行，雖然這需要比較進階的技術能力，但對於有志於醫療 AI 研究的醫師來說是很好的起點；最後我們可以把握機會參與臨床驗證研究，如果服務的醫院有意引進 AI 醫療器材，可以主動參與驗證研究的設計和執行，不只是幫忙蒐集數據，更是深入理解 AI 在臨床應用限制的機會。
TFDA 的監管框架
對於有意引進或開發 AI 醫療器材的機構，了解台灣的監管環境是必要的，2021 年《醫療器材管理法》施行後，TFDA 對 AI 醫療軟體有明確的分類和審查規範，AI 醫療軟體被視為醫材，需要依風險等級申請許可證。好消息是如果產品已經取得美國 FDA 或歐盟 CE 認證，可以申請加速審查（優先審查或快速審查），但仍需補充本地臨床數據驗證產品在台灣族群的適用性；對 Google 的產品來說，ARDA 有 CE Mark 認證，理論上可以申請在台灣上市，但需要在台灣進行臨床驗證研究；MedLM 作為開發者工具而非直接面對病人的醫療器材，可能不需要 TFDA 認證，但基於 MedLM 開發的應用如果要用於臨床決策，就需要申請。
未來 20 年，醫療 AI 的結構性變化
最後，讓我們把視野拉遠一點，思考醫療 AI 在未來 20 年可能帶來的結構性變化。
短期（2025–2030）：AI 成為臨床助手
在未來五年內，我們最可能看到的是 AI 在「輔助」角色上的普及，醫療文檔自動化（像 DAX Copilot）會變得更普遍，減少醫師花在行政工作的時間，影像 AI 輔助判讀會成為放射科和病理科的標準配備，但最終診斷仍由人類醫師負責；風險預測模型（像 AI-on-DM 計畫）會開始整合進電子病歷系統，提供即時的決策支援。這個階段的關鍵變化不是 AI 取代醫師，而是 AI 讓醫師的工作更有效率，會用 AI 工具的醫師會比不會用的更有競爭力，但 AI 本身不會成為獨立的醫療服務提供者。
中期（2030–2040）：AI 開始承擔獨立任務
在這個階段，我們可能會看到 AI 在特定情境下被允許獨立執行任務，例如在眼科醫師嚴重不足的偏遠地區，AI 視網膜篩檢可能被授權直接做出轉診決策，不需要人類醫師逐案審核；在遠距醫療場景中，AI 可能被用來處理初步分流，決定哪些病人需要即時看診、哪些可以預約門診、哪些可以自我居家照護。藥物研發在這個階段可能會有重大突破，如果 Isomorphic Labs 在 2025 年啟動的臨床試驗成功，到 2030 年代我們應該會看到第一批 AI 設計的藥物上市，證明 AI 不只是加速既有流程，而是能夠創造出人類從未想像過的治療方案。
監管框架在這個階段會面臨重大挑戰，當 AI 開始承擔獨立決策責任，責任歸屬、可解釋性、公平性等問題會變得更加尖銳，我預期會有全新的監管框架出現，可能類似於自駕車分級（Level 0–5）的概念，為不同程度的 AI 自主性設定不同的監管要求。
長期（2040–2045）：醫療系統的根本重構
如果技術持續發展，到 2040 年代我們可能看到醫療系統的根本重構，首先是預防醫學的主導地位，當 AI 可以從連續監測的穿戴設備數據、基因組資訊、生活型態資料中預測疾病風險，醫療的重心會從「治療疾病」轉向「預防疾病」，Google 在這個方向上的布局（Fitbit 穿戴設備 + 基因組預測模型 + 慢性病風險評估）是有遠見的。
其次是個人化醫療的普及，現在的精準醫療主要應用在癌症等重大疾病，未來當 AI 可以整合個人的全面健康數據，每個人都可能有一個 Digital Health Twin，模擬不同治療方案的效果，做出真正個人化的醫療決策。再來是醫師角色的轉變，不是說醫師會被 AI 取代，而是醫師的核心價值會轉移，技術性的診斷和治療決策會有更多 AI 參與，但同理心、溝通、複雜情境的判斷、跨專科的整合，這些是 AI 難以取代的能力。未來的醫師可能更像是健康教練和醫療決策協調者的 Hybrid，而不是疾病診斷機器。
對生醫產業投資者來說，以下幾個方向或許值得關注：
第一是 AI 藥物研發，Isomorphic Labs 還是私人公司，沒辦法直接投資，但可以關注它的合作夥伴（諾華、禮來）和競爭對手（像 Recursion Pharmaceuticals、Exscientia 這些有公開交易的 AI 生技公司）。
第二是 Google Cloud 的醫療客戶成長，可以透過追蹤 Alphabet 財報中 Google Cloud 的業績來觀察，醫療是 Google Cloud 重點耕耘的垂直領域之一。
第三是台灣本地的 AI 醫療新創，隨著 Google 開源模型的發布和健保署平台的推動，會有更多本地新創基於這些基礎設施來開發解決方案，這些公司可能還在早期階段，但有機會成為 Google 生態系統的一部分。
第四是醫療數據整合平台，不管是 Google 還是其他玩家的 AI 模型，都需要高品質的醫療數據來訓練和驗證，能夠合規地彙整和標註醫療數據的平台，會成為重要的基礎設施。
務實評估機會與風險
從 2006 年第一代 Google Health 的嘗試，到 2024 年 AlphaFold 獲得諾貝爾獎，Google 在醫療健康領域走過了漫長而曲折的道路，若要用三句話總結 Google Health 的現狀：
技術能力無庸置疑，Med-PaLM、Med-Gemini、AlphaFold 都是同類產品中最先進的，在 AI 醫療研究的前沿，Google DeepMind 是當之無愧的龍頭。
商業化路徑仍在摸索，Google 至今沒有一個真正成功的直接面對臨床的醫療 AI 產品（ARDA 是透過非營利方式部署，MedLM 是開發者工具），DermAssist 的放棄顯示 Google 願意在產品不符合預期時果斷止損，但也代表投資者需要對產品穩定性有心理準備。
長期機會在藥物研發和基礎設施，Isomorphic Labs 的藥物研發進展和 Google Cloud Healthcare 的企業客戶成長，是值得關注的指標，台灣健保署的合作如果成功，可能成為 Google 全球慢性病管理模式的範例。
十八年的跌宕，Google 終於讀懂了醫療這本難解的經書。從 2006 年那個過於理想化的個人健康記錄平台，到 2024 年捧回諾貝爾化學獎的 AlphaFold，這條路徑告訴我們一個殘酷而深刻的真理：在醫療領域，技術從來不是唯一的答案，信任、監管、工作流整合、給付制度，每一個環節都可能成為創新的絆腳石，也可能成為轉型的支點。Google 的故事之所以重要，不只是因為它展示了 AI 的可能性，更是因為它展現了醫療體系變革的複雜性，當 IBM Watson Health 以數十億美元的虧損黯然退場時，Google 選擇了更謙卑的路徑，不當醫療服務的提供者，而做醫療創新的賦能者，這或許才是科技巨頭進入醫療的正確姿態。對台灣而言，AI-on-DM 計畫不只是一個國際合作案，而是一個歷史性的實驗場域，兩百萬糖尿病患者的風險預測，將驗證 AI 能否真正融入基層臨床實務，這個實驗的成敗，將決定未來十年台灣醫療 AI 的發展軌跡。諾貝爾獎只是一個開始，真正的考驗在診間、在病床邊、在每一個需要做出醫療決策的瞬間，Google Health 的下一章，正在你我的臨床實踐中書寫。
— –
📒 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.