人工智慧（AI）從生物分子研究與疾病預測，加速進入醫療機構、臨床研究及健康管理市場。
Google、Microsoft、Amazon Web Services（AWS）、NVIDIA、Oracle、Apple，以及 OpenAI、Anthropic 等科技與 AI 企業，亦相繼推出面向醫師、研究人員、醫療機構與消費者的專業產品。2026 年尤其成為醫療 AI 代理（Healthcare AI Agents）布局加速的一年，從臨床文件生成、醫囑草擬、基因體分析，到真實世界資料（Real-World Data, RWD）研究，產業競爭逐步從模型能力轉向資料整合、工作流程、臨床驗證及商業化。
Google DeepMind 深化生命科學研究，AlphaGenome 與 AlphaFold 3 拓展基礎模型應用
AI 在生命科學研究的發展，正從傳統統計預測與資料分類，延伸至複雜生物分子結構與基因調控機制分析。
Google DeepMind 團隊於 2026 年 1 月 28 日在《Nature》發表 AlphaGenome 研究，提出能以約 100 萬個鹼基對 DNA 序列為輸入的深度學習模型，預測基因表現、RNA 剪接、染色質可及性及其他功能性基因體特徵。此技術有助於研究人員評估非編碼 DNA 變異可能造成的調控效應，並提供全基因體關聯分析（GWAS）結果的功能解釋線索。另一方面，2024 年發表的 AlphaFold 3，則將結構預測能力擴展至蛋白質、DNA、RNA、小分子及其他生物分子的交互作用。
兩項研究分別從基因調控與分子結構切入，展現 AI 對生命科學基礎研究的影響。然而，模型預測能力提升不代表疾病機制已獲實驗證實，更不等同於候選藥物取得人體臨床療效。相關成果仍須經過實驗驗證，才能逐步轉化為具臨床價值的應用。
NVIDIA BioNeMo、MONAI 與 Parabricks，建立從藥物設計到基因分析的 AI 研發基礎設施
相較 Google DeepMind 以大型研究模型為代表，NVIDIA 更積極提供支援生命科學與醫療 AI 開發的運算平台、軟體框架與加速工具。其中，NVIDIA BioNeMo 是面向生物學與藥物研發的 AI 開發平台，提供模型、函式庫及部署相關工具，可支援生物基礎模型開發、分子設計、虛擬篩選與蛋白質研究。
在醫療影像方面，MONAI（Medical Open Network for AI） 為基於 PyTorch 的開源醫療影像 AI 框架，支援影像分割、模型訓練、推論與部署。研究機構及醫療科技開發商可利用此類框架建立特定影像分析系統，但框架本身不等於已取得醫療器材上市許可的診斷產品。NVIDIA Parabricks 則聚焦次世代定序（Next-Generation Sequencing, NGS）分析，利用 GPU 加速基因體資料處理流程，包括序列比對與變異檢測等任務。此外，NVIDIA Holoscan 針對即時感測資料處理提供運算平台，可供醫療器材開發者探索影像及感測訊號的低延遲 AI 應用。
NVIDIA 的布局顯示，AI 生技市場不僅存在單一軟體或演算法商機，也涵蓋 GPU 運算、基礎模型、軟體開發工具、資料處理及部署環境。對生技公司與研究機構而言，採用成熟基礎設施有機會降低自行開發系統的技術門檻，但實際研發效率與經濟效益，仍須依照工作負載、模型效能及硬體成本進行評估。
Microsoft Dragon Copilot 深入醫療現場，從病歷生成擴展至護理與放射科工作流程
在臨床應用方面，Microsoft 將 AI 與既有醫療資訊工作流程整合，形成另一條重要發展路線。
Microsoft 於 2025 年推出 Dragon Copilot，整合 Nuance 既有 Dragon Medical One 語音辨識能力，以及 DAX Copilot 的環境式臨床紀錄（Ambient Clinical Documentation）技術。其核心應用是透過醫病對話協助產生臨床文件草稿，並提供資訊摘要、轉診文件及看診後說明等工作流程功能，降低醫療人員重複輸入資訊的負擔。
2026 年 3 月，Microsoft 於 HIMSS 醫療資訊技術大會進一步宣布 Dragon Copilot 功能擴充，包括臨床文件處理、診斷編碼提示、跨語言醫病對話紀錄，以及與第三方 AI 應用程式整合。其發展方向也不再侷限於醫師病歷紀錄，而是逐步涵蓋護理人員、放射科及其他醫療專業工作流程。
例如，護理版本可利用環境式對話紀錄，協助草擬結構化護理紀錄；放射科相關功能則著重既有報告查詢、資訊摘要與報告製作輔助。Microsoft 的產品策略，反映醫療 AI 正從獨立聊天機器人轉向整合電子病歷（Electronic Health Records, EHR）、語音介面及臨床流程的專業工作空間。
不過，AI 產生的醫療紀錄仍須由具資格的醫療專業人員查核。語音辨識錯誤、臨床資訊遺漏與生成式 AI 幻覺，仍可能影響病歷品質及病人安全。
AWS 推出 Amazon Connect Health，結合 HealthScribe、HealthLake 與 HealthOmics 打造醫療 AI 服務體系
AWS 同樣加速擴大醫療 AI 業務。
2026 年 3 月 5 日，AWS 宣布 Amazon Connect Health 正式推出，提供專為醫療機構設計的代理式 AI 服務，協助處理病患身分驗證、預約管理、就診前資訊摘要、環境式臨床紀錄與醫療編碼。其中，病患驗證及環境式臨床紀錄功能在推出時已達一般可用（General Availability, GA）狀態；預約管理、病患洞察及醫療編碼等功能，則處於預覽階段，不能一概視為全部正式商用。Amazon Connect Health 亦可透過開發工具整合既有電子病歷及其他醫療應用系統，讓醫療科技供應商在現有工作流程中加入 AI 功能。
在此之前，AWS 已推出 AWS HealthScribe，利用語音辨識與生成式 AI，協助醫療軟體開發商將醫病對話轉換為臨床文件草稿，並提供可供查核的來源線索。
在資料基礎設施方面，AWS HealthLake 是支援快速醫療照護互通資源（Fast Healthcare Interoperability Resources, FHIR）標準的醫療資料服務，可作為醫療分析及 AI 應用的資料基礎。AWS HealthOmics 則提供基因體與其他體學資料儲存、分析流程管理及運算資源，支援基因研究、定序資料處理和相關研究工作負載。
這些服務呈現 AWS 由底層雲端基礎設施，延伸至醫療資料管理與專業 AI 代理的策略。值得注意的是，AWS 將部分服務定位為符合 HIPAA 要求的合格服務或可支援合規的工具，但醫療機構實際使用時，仍須依照資料處理方式、部署地區、契約及法律要求建立完整合規機制。
Oracle Clinical AI Agent 擴充醫囑與護理功能，Life Sciences Data Intelligence 瞄準真實世界研究
Oracle 則運用既有電子病歷與企業資料管理業務，發展整合臨床、行政及生命科學研究的 AI 服務。
2026 年 2 月，Oracle 宣布 Oracle Health Clinical AI Agent 擴充醫囑草擬功能，可根據臨床對話資訊協助建立檢驗、影像檢查、用藥及後續追蹤等醫囑草稿，供醫師確認。同年 8 月，Oracle 再加入醫療編碼、語音聽寫及病歷查閱功能；9 月則宣布其護理 AI Agent 在美國提供相關服務，支援病歷搜尋、住院護理摘要與語音紀錄。Oracle 表示，相關功能旨在減少醫療人員耗費於行政與文件作業的時間，但醫囑核准、臨床判斷及文件簽署仍由專業人員負責。
除臨床現場外，Oracle 也積極切入生命科學數據市場。
2026 年 9 月 23 日，Oracle 宣布 Oracle Life Sciences Data Intelligence 平台的新功能。該產品原稱 Oracle Life Sciences AI Data Platform，整合真實世界資料、領域專用 AI 與分析工具，協助藥廠及研究團隊進行患者族群探索、結果分析與多步驟研究流程。依 Oracle 公告，平台資料基礎包含逾 1.22 億筆去識別化病患紀錄；但相關病患計數依公司資料處理方法統計，跨醫療體系仍可能存在重複個體。
這類平台可能協助藥廠進行真實世界證據（Real-World Evidence, RWE）研究、藥物安全監測及臨床開發分析。然而，真實世界資料研究容易受到選擇偏差、混雜因子、資料缺失與不同醫療機構紀錄方式影響。即使導入 AI，也不能取代適當的研究設計及統計推論。
OpenAI 與 Anthropic 切入醫療專用 AI，從文獻檢索延伸至資料連接與工作流程
除了傳統雲端與企業軟體廠商，大型語言模型開發企業也開始推出醫療專用產品。
OpenAI 於 2026 年 1 月 8 日宣布 OpenAI for Healthcare，包括面向醫療組織的 ChatGPT for Healthcare，以及可用於建立專業應用的 API 服務。ChatGPT for Healthcare 主要面向臨床人員、研究人員及醫療機構管理者，提供醫學證據檢索、文獻來源引用、臨床與研究資訊整理，以及行政文件輔助等功能。2026 年 4 月，OpenAI 另推出面向美國經驗證醫療專業人士的 ChatGPT for Clinicians。
在消費者市場，OpenAI 於同年 7 月開始向美國使用者推出 Health in ChatGPT，允許使用者自行選擇連接支援的醫療紀錄及 Apple Health 等健康資訊，協助理解檢驗結果、整理就診資訊及準備與醫師討論的問題。這些產品服務對象及資料治理模式並不相同，尤其不能將一般健康資訊解讀工具視為可獨立診斷疾病的醫療器材。
Anthropic 則於 2026 年 1 月 11 日宣布擴大醫療及生命科學領域功能，推出 Claude for Healthcare，並強化先前推出的 Claude for Life Sciences。Claude for Healthcare 聚焦醫療提供者、保險支付方及健康科技公司，提供包括美國 Medicare 給付政策資料庫、ICD-10 編碼及醫療服務提供者資料查詢等連接能力。Claude for Life Sciences 則持續擴充科學研究平台及相關工作流程整合，應用方向涵蓋生醫文獻分析、臨床試驗管理與法規作業輔助。
OpenAI 與 Anthropic 的發展反映，通用大型語言模型正逐漸延伸至專業領域應用，但模型提供的醫學資訊、研究摘要及行政判斷仍需專業覆核。另一方面，醫療資料存取權限、來源可追溯性，以及 AI 與電子病歷等系統的互通能力，也成為企業競爭的關鍵因素。
Apple Watch 高血壓通知進入台灣市場，穿戴式 AI 延伸健康風險管理
相較企業級臨床服務，Apple 選擇透過穿戴式裝置及個人健康資料，將機器學習技術帶入日常健康管理。
2026 年 5 月 13 日，Apple 宣布 Apple Watch 高血壓通知功能正式在台灣開放。此功能利用光學心率感測器資料，分析使用者血管對心跳的反應，透過機器學習演算法檢視持續約 30 天的相關資料，在偵測到可能存在高血壓徵象時發出通知。依 Apple 公開資訊，該演算法以總計超過 10 萬名參與者的研究資料進行訓練，並在超過 2,000 名參與者的臨床研究中接受驗證。美國 FDA 於 2025 年 9 月 11 日針對 Apple Hypertension Notification Feature 作出 510(k) 實質等同性（Substantial Equivalence）決定；Apple 台灣公告亦列有相關醫療器材許可證資訊。
但高血壓通知功能並非血壓數值測量工具，也不能辨識所有高血壓個案，更不能取代醫療診斷。Apple 建議收到通知的使用者，進一步利用血壓計記錄血壓，並與醫療專業人員討論。此案例顯示，穿戴式 AI 正從活動量與睡眠監測等健康管理功能，延伸至具有特定醫療用途及監管要求的風險提示。
FDA 授權逾 1,600 項 AI 醫療器材，科技巨頭產品不宜混同監管資格
科技大廠積極切入醫療市場之際，AI 應用的監管定位亦成為重要議題。
美國 FDA 公布，截至 2026 年 9 月，已有超過 1,600 項 AI 醫療器材獲得在美國上市行銷的監管授權。相關產品涉及不同技術及醫療用途，可依適用法規透過 510(k)、De Novo 或上市前核准（PMA）等途徑進行審查。
然而，不能將上述科技公司的所有 AI 服務都視為 FDA 已授權的醫療器材。例如，NVIDIA MONAI 屬於開發框架，AWS HealthLake 是醫療資料基礎設施，ChatGPT for Healthcare 與 Claude for Healthcare 主要提供研究、資訊檢索及工作流程輔助，而 Apple Watch 特定高血壓通知功能則具有可查證的監管紀錄。
即使產品已正式商用，也未必適用與診斷型醫療器材相同的監管路徑。此外，取得上市行銷資格不代表產品在所有醫院或病患族群都能維持相同效能。臨床部署仍須評估資料偏差、不同機構間的泛化能力、人機協作與實際醫療效益。
台灣建立可信賴健康資料治理，跨國 AI 平台導入面臨法規與資料整合挑戰
國際科技企業快速推進 AI 醫療產品之際，台灣也持續完善相關監管與資料治理機制。
衛福部於 2026 年 5 月 29 日發布《醫療機構應用生成式人工智慧指引》，提供醫療機構導入 AI 系統時，有關風險治理、個人資料保護及全生命週期管理的參考架構。TFDA 則於同年 6 月 8 日公告《人工智慧醫療器材優良機器學習實務：發展與管理原則》，強化 AI 醫材從開發、驗證到管理的相關要求。此外，台灣人體生物資料庫學會（TSBB）於近期舉辦第八屆年會暨 AI 時代健康資料治理研討會，發布《可信賴健康資料治理宣言與白皮書》，倡議運用第三方查核、近失事件（Near-miss）通報及動態授權等方式，提高健康資料利用與醫療 AI 應用的透明度及可信賴性。
當 Microsoft、AWS、Oracle 等國際平台希望整合醫療機構既有資料，或當研究團隊利用 NVIDIA 等平台分析基因體與臨床資訊，資料使用權限、跨境傳輸、個人隱私與研究倫理，便成為必須個別評估的問題。即使平台具備國際資訊安全認證或支援美國 HIPAA 合規，也還是需要其在台灣所有醫療用途均自動符合本地法律要求。對台灣而言，未來發展智慧醫療的關鍵，除了兼顧是否能取得國際科技大廠的 AI 服務，更在於能否建立符合在地臨床需求、資料規範及專業責任要求的應用環境。
從 AI 模型競賽走向醫療生態系競爭，臨床證據與治理能力決定長期價值
從 Google DeepMind 的生物分子模型、NVIDIA 的生命科學運算平台，到 Microsoft、AWS、Oracle 的醫療 AI 工作流程，以及 Apple、OpenAI、Anthropic 的健康與醫療資訊服務，可以看出科技企業正在從不同產業入口切入生技醫療市場。這些企業的競爭優勢各有不同：部分掌握運算與模型基礎設施，部分具有既有醫療資訊系統與企業客戶，另有企業透過大型語言模型、穿戴式裝置或個人健康資料建立使用者接觸管道。
對生技公司、製藥企業、醫療機構與相關服務供應商而言，未來是否採用 AI，將不再是唯一需要回答的問題。更重要的是，企業應如何評估模型可靠性、資料品質、臨床證據、資訊安全、法規責任，以及實際導入成本。即使 AI 能協助加速研究流程，候選藥物仍須經過人體臨床試驗；即使醫療 AI 能減少文件作業，仍須透過可驗證的資料確認對醫療品質、專業人力及病人安全的影響。隨著科技大廠投入更多研發與基礎設施資源，生技醫療產業的 AI 競爭，正逐漸由單一模型能力，轉向涵蓋資料、軟體、臨床工作流程、監管及商業模式的完整生態系。
真正具有長期競爭力的企業，將不再只有開發 AI 的技術者，也需要進一步在可信賴的治理環境中，持續驗證其科學與醫療價值，並將技術成果轉化為可維護、可擴展的實際服務。
