FLock.io 因其医疗领域的 NHS AI 用例而被 WEF 点名关注

FLock.io 已被世界经济论坛的 MINDS 项目重点关注，涉及两家 NHS 医疗信托机构，利用其注重隐私的 AI 应对重大疾病。Moorfields Eye Hospital 和 University College London Hospitals 使用 FLock.io 的联邦学习平台，在保持 100% 数据主权的同时，为眼病检测和糖尿病管理训练临床模型。该认可回应了医疗等受监管行业中的一项核心挑战：数据隐私法规和安全顾虑会因无法共享敏感患者数据而限制 AI 的使用。

NHS 医疗信托机构部署 FLock.io 用于眼病与糖尿病管理

FLock.io 正与来自 UCL 的 NHS 研究人员以及来自 University College London Hospitals 的临床合作伙伴合作，用于血糖监测警报。该平台让临床医生能够基于本地训练、由 400+ 名患者数据支持的 AI 预测。它使合作伙伴可在英国、欧洲、美国和中国开展协同训练，同时确保患者数据永远不会离开安全的 NHS 医疗信托网络，从而维持 100% 数据主权。

约 14,000 名终端用户（包括使用糖尿病管理应用的患者）在英国、东南亚和东亚与 FLock.io 的平台互动。下一阶段——一项跨洲的血糖预测真实世界试验，包含 100 名患者——将于今年夏天启动。FLock.io 估计，NHS 中由 AI 驱动的预防可能带来每年超过 1 亿英镑的节省，基于当前用于糖尿病管理的 100 亿英镑+ 开支实现 1% 的降低。

在 Moorfields Eye Hospital 方面，FLock.io 已完成联邦眼病检测的初始研究。正在进行使用医院影像数据训练 AI 模型。长期目标是将这些模型复制到更多 NHS 医疗信托机构。NHS 的单一付费体系和一致的数据治理使其非常适合在扩展到其他市场之前，以规模化验证联邦学习。

FLock.io 解决医疗数据隐私限制

数据隐私法规和安全顾虑会限制持有敏感数据的受监管行业（包括医院、银行和政府机构）使用 AI。它迫使组织要么放弃采用 AI，要么依赖缺乏领域准确性的通用模型，或引入合规风险。

传统方法——例如集中式基于云的 AI 训练和机房内模型部署——通常需要大量计算资源。它们无法提供强有力的隐私保护，也难以防范模型投毒攻击与数据泄露风险，并可能损害模型准确性。

联邦学习技术实现协作式 AI 训练

联邦学习允许在不共享原始数据的情况下进行协作式 AI 模型训练。每个参与方都将在本地、在机房或边缘设备上安全地训练模型。他们仅共享加密后的模型更新，然后将这些更新聚合以提升模型性能，从而实现实时推理。

该重点关注将 FLock.io 的工作置于更广泛的 MINDS 项目之中，并与致力于与 Accenture 合作扩展高影响力真实世界 AI 应用的更大生态系统并行。最新一批 MINDS 学员包括 Lenovo、Occidental、TCL Industries、Hisense Hitachi 和 KUKA 等组织。

FLock.io 带来性能与成本改进

FLock.io 是一家 AI 研究与基础设施公司，率先推出面向企业的联邦学习和分布式 AI 解决方案，并将数据隐私放在首位。其去中心化的联邦学习架构以及可投入生产的就绪平台（AI Arena、FL Alliance 和 FLock API Platform）使组织能够在本地硬件上训练并部署自定义 AI 模型，同时通过设计方式实现完全的数据隐私、模型所有权以及监管一致性。

FLock.io 有效地将联邦学习与基于区块链的验证结合起来，使模型准确率提升 37%，总拥有成本降低 44%，降低数据泄露或模型投毒攻击的风险，并使部署时间缩短 63%。它也更具可持续性：每次模型更新的训练能耗减少 80%。

马来西亚砂拉越政府目前也在与 FLock.io 完成一项主权 AI 试点，其中包括医疗领域。随后，该试点将由美国、欧洲和中国的医院合作伙伴部署，并在亚太与欧洲建立跨境医疗 AI 协作的标准。

常见问题（FAQ）

FLock.io 在 NHS AI 项目中的角色是什么？

FLock.io 为两家 NHS 医疗信托机构——Moorfields Eye Hospital 和 University College London Hospitals——提供联邦学习平台，用于在保持 100% 数据主权的同时训练用于眼病检测和糖尿病管理的临床 AI 模型。该平台使合作伙伴可在英国、欧洲、美国和中国开展协同训练，而无需要求患者数据离开安全的 NHS 医疗信托网络。

联邦学习如何解决医疗数据隐私挑战？

联邦学习允许协作式 AI 模型训练而无需共享原始患者数据。每个参与方将在本地、在机房或边缘设备上安全地训练模型，并仅共享加密后的模型更新，这些更新会被聚合以提升模型性能。该方法可应对限制医疗等受监管行业使用 AI 的数据隐私法规与安全顾虑。

FLock.io 带来哪些性能改进？

与传统方法相比，FLock.io 将联邦学习和基于区块链的验证结合起来，使模型准确率提升 37%，总拥有成本降低 44%，部署时间缩短 63%，并使每次模型更新的训练能耗减少 80%。该平台服务约 14,000 名终端用户，覆盖英国、东南亚和东亚。