FLock.io 已獲世界經濟論壇的 MINDS 計畫聚焦報導；該計畫提及兩家 NHS 醫療信託機構（NHS trusts）透過其隱私保護 AI 應對重大疾病。Moorfields Eye Hospital 與 University College London Hospitals 使用 FLock.io 的聯邦式學習平台，在確保資料 100% 主權不受破壞的同時，訓練用於眼疾偵測與糖尿病管理的臨床模型。這項肯定回應了受監管產業（如醫療）所面臨的核心挑戰：在這類產業中，資料隱私法規與安全顧慮會限制 AI 的使用，因為無法共享敏感的病患資料。
NHS 醫療信託機構部署 FLock.io 用於眼疾與糖尿病管理
FLock.io 正與來自 UCL 的 NHS 研究人員，以及來自 University College London Hospitals 的臨床合作夥伴合作進行血糖監測警示。該平台讓臨床人員能在本地訓練、由 AI 驅動的預測能力，並運用於 400+ 名患者的資料。它使合作夥伴能在英國、歐洲、美國與中國之間進行協作訓練，同時確保病患資料永不離開安全的 NHS 醫療信託網路，維持 100% 資料主權。
約有 14,000 名終端使用者（包括使用糖尿病管理應用程式的患者）在整個英國、東南亞與東亞，與 FLock.io 平台互動。下一階段——一項跨多大洲的血糖預測真實情境試驗，將納入 100 名受試者——將於今年夏天開始。FLock.io 估計，NHS 中由 AI 驅動的預防措施，可能帶來超過 £100M 的年度節省，原因是：透過降低目前用於糖尿病管理的 £10B+ 支出中的 1%。
在 Moorfields Eye Hospital 方面，FLock.io 已完成聯邦式眼疾偵測的初步研究。目前正使用醫院影像資料訓練 AI 模型。長期目標是將這些模型複製到更多 NHS 醫療信託機構。由於 NHS 的單一付費制度與一致的資料治理，使其特別適合在擴展至其他市場之前，先於規模上驗證聯邦式學習。
FLock.io 回應醫療資料隱私限制
資料隱私法規與安全顧慮會限制持有敏感資料的受監管產業（包括醫院、銀行與政府機關）使用 AI。這迫使組織要嘛放棄採用 AI，要嘛依賴缺乏領域精準度的通用模型，或引入合規風險。
傳統做法——例如集中式的雲端 AI 訓練與本地部署模型——通常需要大量運算資源。它們無法確保強健的隱私保護，或防範模型投毒攻擊與資料外洩，並可能損害模型精準度。
聯邦式學習技術促成協作式 AI 訓練
聯邦式學習允許在不共享原始資料的情況下進行協作式 AI 模型訓練。每個參與者都會在本地與安全的內部系統或邊緣裝置上訓練模型。他們僅分享加密後的模型更新，隨後再進行彙總以提升模型效能，進而能夠進行即時推論。
聚焦報導將 FLock.io 的工作置於更廣泛的 MINDS 計畫脈絡之下，並與 Accenture 合作推動重點、高影響力的真實情境 AI 應用擴大規模的一體生態系。最新一屆 MINDS 夥伴名單包括 Lenovo、Occidental、TCL Industries、Hisense Hitachi 與 KUKA 等組織。
FLock.io 提供效能與成本改善
FLock.io 是一家 AI 研究與基礎設施公司，率先推動具企業等級的聯邦式學習與分散式 AI 解決方案，並將隱私保護置於優先。其去中心化聯邦式學習架構，以及可用於量產的方案平台（AI Arena、FL Alliance 與 FLock API Platform），讓組織能在本地硬體上訓練並部署自有的客製 AI 模型，同時透過設計確保資料隱私、模型擁有權與法規一致性。
FLock.io 有效結合聯邦式學習與基於區塊鏈的驗證，使模型精準度提升 37%、總持有成本降低 44%、資料外洩或模型投毒攻擊風險降低，且部署時間縮短 63%。它也更具永續性：每次模型更新的訓練能源消耗比傳統方式少 80%。
馬來西亞砂拉越州政府目前也正在與 FLock.io 完成一項主權 AI 試點，亦包含醫療領域。之後，該試點將由美國、歐洲與中國的醫院合作夥伴部署，並在亞太地區與歐洲建立跨境醫療 AI 協作的標準。
常見問題（FAQ）
FLock.io 在 NHS 的 AI 專案中扮演什麼角色？
FLock.io 為兩家 NHS 醫療信託機構（Moorfields Eye Hospital 與 University College London Hospitals）提供聯邦式學習平台，用於訓練用於眼疾偵測與糖尿病管理的臨床 AI 模型，同時維持 100% 資料主權。該平台讓英國、歐洲、美國與中國的合作夥伴能進行協作訓練，而不需要病患資料離開安全的 NHS 醫療信託網路。
聯邦式學習如何解決醫療資料隱私挑戰？
聯邦式學習允許在不共享原始病患資料的情況下進行協作式 AI 模型訓練。每個參與者都會在本地與安全的內部系統或邊緣裝置上訓練模型，只分享加密後的模型更新，並將其彙總以提升模型效能。這種做法能回應限制醫療等受監管產業使用 AI 的資料隱私法規與安全顧慮。
FLock.io 提供哪些效能改善？
相較於傳統做法，FLock.io 結合聯邦式學習與基於區塊鏈的驗證，帶來模型精準度提升 37%、總持有成本降低 44%、部署時間縮短 63%，以及每次模型更新的訓練能源消耗減少 80%。該平台服務約 14,000 名終端使用者，涵蓋英國、東南亞與東亞。
